Geri Dön

İnsansız hava aracından alınan görüntülerden derin öğrenme yöntemi ile yangın tespiti

Fire detection with deep learning method from images taken from unmanned aerial vehicle

PDF İndir

  1. Tez No: 864540
  2. Yazar: MUSA CESUR
  3. Danışmanlar: DR. ÖĞR. ÜYESİ TAYYİP ÖZCAN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Forest fire classification, optimized YOLO, deep learning, YOLO, genetic algorithm, GA-YOLOv8, ERUFORESTFIRE
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: Erciyes Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 79

Özet

Iklim degi¸siklikleri ve kontrol edilemeyen yangınlar kalıcı hasarlara neden olan büyük ˘ dogal afetlerdir. Büyük kayıpların ya¸sanmaması için orman yangınlarına en kısa sürede ˘ müdahale edilmesi ve kontrol altına alınması önemlidir. Geli¸sen teknolojilerle birlikte ˙Insansız Hava Araçlarının (˙IHA) önemi artmı¸s olup farklı i¸slevler için kullanılmaktadır. Orman yangınlarının tespitinde ara¸stırmacılar tarafından derin ögrenme yöntemleri ˘ kullanılmaktadır. Bu tezde literatürde en sık kullanılan YOLOv8, ResNet50, VGG19 ve optimize edilmi¸s YOLOv8 (GA-YOLOv8) modelleri tercih edilmi¸stir. Tez çalı¸sması kapsamında özgün bir veri seti (ERUFORESTFIRE) olu¸sturulmu¸s ve mevcut açık eri¸simli FIRE dataset üzerinde deneysel çalı¸smalar gerçekle¸stirilmi¸stir. Önerilen yöntemler simüle edilmi¸s sunulmu¸stur. FIRE Veri Seti üzerinde yapılan deneysel çalı¸smalarda, test verilerinde ResNet50 kullanılarak %98.49, VGG19 kullanılarak %100, YOLOv8 kullanılarak %100 ve GA-YOLOv8 kullanılarak %100 dogruluk oranı elde edilmi¸stir. ˘ GA-YOLOv8 tabanlı sınıflandırma sisteminin dogruluk oranı, mevcut en iyi çalı¸smanın ˘ bildirdigi %98'lik sınıflandırma performansını geride bırakmaktadır. Öte yandan, ˘ ERUFORESTFIRE Veri Seti üzerinde yapılan deneysel çalı¸smalarda, test verilerinde ResNet50 kullanılarak %99.83, VGG19 kullanılarak %99.83, YOLOv8 kullanılarak %99.83 ve GA-YOLOv8 kullanılarak %100 dogruluk oranı elde edilmi¸stir.Bu çalı¸smanın ˘ ikinci a¸samasında, derin ögrenme destekli orman yangın tespitini gerçek zamanlı ˘ gerçekle¸stirecek tasarım ve yazılım geli¸stirilmi¸stir. ˙Ilk a¸samada her iki veri setinde de %100 ba¸sarı ile çalı¸san GA-YOLOv8, gerçek zamanlı sınıflandırma sisteminde derin ögrenme tabanlı yöntem olarak tercih edilmi¸stir. Bu sistemin testinde, orman yangını olan ˘ ve olmayan videolar kullanılmı¸s ve sistemin %100 ba¸sarı oranı ile çalı¸stıgı belirlenmi¸stir. ˘ ˙IHA ile yapay zeka entegrasyonu saglanmı¸s ve veri aktarım istasyonu ile kontrol merkezi ˘ üzerinden canlı izleme yapılarak orman yangını tespit i¸slemi gerçekle¸stirilmi¸stir. Anahtar Kelimeler: Orman yangını sınıflandırması, optimize edilmi¸s YOLO, derin ögrenme, ˘ YOLO, genetik algoritma, GA-YOLOv8, ERUFORESTFIRE.

Özet (Çeviri)

Climate changes and uncontrollable fires are major natural disasters that cause permanent damage. To prevent significant losses, it is important to intervene in forest fires as quickly as possible and bring them under control. With developing technologies, the importance of Unmanned Aerial Vehicles (UAVs) has increased and they are used for different functions. Researchers have been using deep learning methods to detect forest fires. In this thesis, YOLOv8, ResNet50, VGG19, and optimized YOLOv8 (GA-YOLOv8) models, which are most frequently used in the literature, were preferred. An original dataset, ERUFORESTFIRE, was created for the thesis work, and experimental studies were conducted on the existing open-access FIRE dataset. The proposed methods have been simulated and presented. In the experimental studies on the FIRE Dataset, accuracies of %98.49 with ResNet50, %100 with VGG19, %100 with YOLOv8, and %100 with GA-YOLOv8 were achieved on test data. The accuracy rate of the GA-YOLOv8-based classification system surpasses the %98 classification performance reported by the current best study. On the other hand, in the experimental studies on the ERUFORESTFIRE Dataset, accuracies of %99.83 with ResNet50, %99.83 with VGG19, %99.83 with YOLOv8, and %100 with GA-YOLOv8 were achieved on test data.In the second phase of this study, a design and software that will perform deep learning-supported forest fire detection in real time was developed.GA-YOLOv8, which worked with %100 success on both datasets in the first phase, was chosen as the deep learning-based method in the real-time classification system. In the tests of this system, videos with and without forest fires were used, and the system was determined to work with a %100 success rate. Integration of artificial intelligence with UAVs has been achieved, and forest fire detection has been performed through live monitoring from a data transmission station and control center.

Benzer Tezler

  1. Tez No

    739637

    Derin öğrenme yöntemleri ve yapay sinir ağı tabanlı NDVI değerleri ile çeltik bitkisi hastalıkların tespiti

    Detection of diseases in rice plant with deep learning methods and artificial network based NDVI values

    İRFAN ÖKTEN

    Doktora

    Türkçe

    Türkçe

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBilecik Şeyh Edebali Üniversitesi

    Elektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. UĞUR YÜZGEÇ

  2. Tez No

    795391

    Hava araçları ile alınan görüntülerden derin öğrenme ile felaketzede tespiti

    Human - survivor detection for unmanned aerial vehicle with deep learning technics

    MUSTAFA GÖREN

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Elektrik ve Elektronik MühendisliğiKırklareli Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MURAT OLCAY ÖZCAN

  3. Tez No

    858793

    Target detection and tracking from unmanned aerial vehicle cameras using embedded GPU

    Gömülü cihazlar kullanarak insansız hava araçları üzerinden hedef tespit ve takibi

    FIRAT MEHMETOĞLU

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Elektrik ve Elektronik MühendisliğiÇankaya Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. YAHYA KEMAL BAYKAL

  4. Tez No

    866240

    Crowd density map estimation system from aerial images

    Havadan alınan görüntülerden yoğunluk haritası tespit sistemi

    OSMAN TARIK ÇETİNKAYA

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. HAZIM KEMAL EKENEL

  5. Tez No

    689967

    İnsansız hava aracı ile gerçek zamanlı nesne tanıma

    Real time object detection with unmanned aerial vehicle

    GÖKHAN KESKİNTAŞ

    Yüksek Lisans

    Türkçe

    Türkçe

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBitlis Eren Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MUSA ÇIBUK

Geri Dön