Derin öğrenme yöntemleri ile görüntüye dayalı erken yangın algılama sisteminin geliştirilmesi
Development of an image-based early fire detection system using deep learning methods
- Tez No: 1015051
- Danışmanlar: DOÇ. DR. ALİ YILDIZ
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Mersin Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik Elektronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez çalışmasında, radyo–TV verici istasyonları, GSM/5G baz istasyonları, trafo ve jeneratör odaları, UPS sistemleri, sunucu odaları, endüstriyel proses alanları ile düşük insan yoğunluğuna sahip ancak yüksek maddi değeri bulunan mekânlarda, kamera görüntüleri kullanılarak yangın algılamayı gerçekleştiren farklı derin öğrenme yöntemleri geliştirilmiştir. Çalışma kapsamında öncelikle altı katmanlı bir Evrişimli Sinir Ağı (CNN) modeli tasarlanmıştır. Daha sonra ResNet50 ve MobileNetV2 mimarileri üzerinde transfer learning (aktarım öğrenmesi) yaklaşımı kullanılarak, bu çalışmaya ait veri seti ile yeni modeller geliştirilmiştir. Ayrıca, önerilen CNN modeli ile hazır modellerin birleştirilmesiyle hibrit modeller oluşturulmuştur. Dolayısıyla tez kapsamında toplam 13 farklı model geliştirilmiştir. Tüm modellerin performansları test edilerek karşılaştırmalı olarak değerlendirilmiştir. Kapalı alanlarda yangın ve dumanın erken tespiti, karmaşık optik koşullar, değişken aydınlatma senaryoları, dar görüş açıları ve düşük çözünürlüklü kamera sistemleri nedeniyle, geleneksel algılama yöntemlerinin çoğu zaman yetersiz kaldığı kritik bir mühendislik problemidir. Özellikle sürekli insan bulunmayan veya kritik altyapı barındıran ortamlarda gecikmiş tespit; operasyonel sürekliliğin kesintiye uğramasına, ciddi ekonomik kayıplara ve güvenlik risklerinin artmasına yol açabilmektedir. Bu çalışma, kamera görüntülerinden yararlanarak yangın ve dumanın erken, güvenilir ve gerçek zamanlı tespitini amaçlamakta ve kapalı ortam koşullarına uygun optimize edilmiş bir CNN mimarisi önermektedir. Bu amaçla kullanılan veri seti, farklı ortam koşullarını temsil eden ve“fire”,“smoke”ve“others”olmak üzere üç sınıftan oluşan toplam 30.000 görüntü içermektedir. Kullanılan veriler, hem gerçek ortam kayıtlarını hem de açık kaynaklı görüntüleri kapsamaktadır. Çalışmanın mühendislik açısından katkısı, yalnızca akademik düzeyde CNN modellerinin geliştirilmesiyle sınırlı kalmayıp, aynı zamanda kapalı alan güvenliği için uygulanabilir bir erken uyarı altyapısı sunmasıdır. Sonuç olarak bu tez, kapalı alanlarda görüntü tabanlı erken yangın ve duman tespitine yönelik teknik, optik, algoritmik ve uygulamaya dönük boyutları bütüncül bir yaklaşımla ele almakta; hem akademik literatüre hem de endüstriyel güvenlik sistemlerine katkı sağlayabilecek, güçlü, genellenebilir ve gerçek zamanlı bir derin öğrenme çözümü sunmaktadır.
Özet (Çeviri)
In this thesis, various deep learning methods have been developed to enable camera-based fire detection in environments such as radio–TV transmitter stations, GSM/5G base stations, transformer and generator rooms, UPS systems, server rooms, industrial process areas, and other locations characterized by low human occupancy but high economic value. Within the scope of the study, a six-layer Convolutional Neural Network (CNN) model was initially designed. Subsequently, new models were developed using the ResNet50 and MobileNetV2 architectures through a transfer learning approach, utilizing the dataset prepared for this study. In addition, hybrid models were constructed by combining the proposed CNN model with pre-trained models. Consequently, a total of 13 different models were developed within the thesis, and their performances were evaluated comparatively through testing. Early detection of fire and smoke in indoor environments constitutes a critical engineering challenge, as conventional detection methods often prove inadequate due to complex optical conditions, varying illumination scenarios, limited fields of view, and low-resolution imaging systems. Particularly in environments where human presence is limited or where critical infrastructure is located, delayed detection may result in interruptions to operational continuity, significant economic losses, and increased safety risks. This study aims to achieve early, reliable, and real-time detection of fire and smoke using camera images and proposes an optimized CNN architecture suitable for indoor environmental conditions. The dataset used for this purpose consists of 30,000 images representing different environmental conditions and is composed of three classes:“fire,”“smoke,”and“others.”The dataset includes both real-world recordings and publicly available images. From an engineering perspective, the contribution of this study extends beyond the development of CNN models at an academic level, providing a practical early warning infrastructure for indoor safety. In conclusion, this thesis presents a comprehensive approach to image-based early fire and smoke detection in indoor environments by addressing technical, optical, algorithmic, and application-oriented aspects, and offers a robust, generalizable, and real-time deep learning solution that can contribute to both academic literature and industrial safety systems.
Benzer Tezler
- CNN-based text-independent automatic speaker identification
Evrişimsel sinir ağı tabanlı metinden bağımsız otomatik konuşmacı tanılama
MANDANA FASOUNAKI
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ GÖKHAN İNCE
- Optimization of deep neural network architectures for the forest fire detection
Orman yangini tespitinde derin sinir aği mimarilerinin optimizasyonu
BERRİN SAVDA
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. MÜŞTAK ERHAN YALÇIN
PROF. DR. HAZIM KEMAL EKENEL
- Fully supervised and semi-supervised semantic segmentation of cardiac mr using deep learning
Tam denetımlı ve yarı denetımlı semantık segmentasyon derın öğrenmeyı kullanan kardıyak mr'nın
MAHYAR BOLHASSANI
Yüksek Lisans
İngilizce
2021
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
ASST. ASSOC. DR. İLKAY ÖKSÜZ
- Derin öğrenme ve görüntü işleme tabanlı orman yangını tespit sistemi
Forest fire detection system based on deep learning and image processing
NURSYLU AMIRKHANOVA
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEge ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. AYBARS UĞUR
- Active learning for semantic image segmentation through conformal risk control
Konformal risk kontrolü ile semantik görüntü bölütleme için etkin öğrenme
CAN ERHAN
Doktora
İngilizce
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. NAZIM KEMAL ÜRE