ORMAN YANGINLARININ GÖRÜNTÜ İŞLEME İLE TESPİTİ

Abstract

Kamera görüntülerinden veya videolardan yangın/alev tespiti, erken yangın uyarı sistemleri için oldukça önemlidir. Bu sayede yangınlara erken müdahale edilebilir ve yangınlar büyümeden söndürülebilir. Son zamanlarda görüntü işleme ve makine öğrenmesi tabanlı erken yangın uyarı sistemleri bir hayli ilgi çekmiş ve konu ile alakalı birçok çalışma yayımlanmıştır. Bu çalışmalar genellikle renk uzayı tabanlı görüntü bölütleme uygulamalardır. Verilen görüntüler önce farklı bir renk uzayına aktarılır ve renk bölütlemesi ile alev/yangın bölgeleri belirlenir. Bu tür çalışmaların en büyük dezavantajı birçok parametrenin ayarlanması gerekliliğidir. Derin öğrenme mimarilerinin gelişmesiyle birlikle, derin ağlar görüntü bölütleme uygulamalarında da kullanılmaya başlandı. Bu çalışmada, derin ağ mimarisi kullanan yeni bir alev/yangın bölütleme yöntemi önerilmiştir. Önerilen yöntem Dikkat Kapısı Modülünün (DKM) entegre olduğu bir SegNet yapısıdır. DKM'ler, minimum bilgi işlem yükü ile standart Evrişimsel Sinir Ağları (ESA) mimarilerine kolayca entegre edilebilir ve ayrıca model hassasiyeti ve tahmine dayalı doğruluk artırılabilir. Önerilen yöntemde, derin ağ mimarisinin başarım değerlendirilmesi için zar (dice), tversky ve fokal tversky kaybı fonksiyonları kullanılmıştır. Deneysel çalışmalarda 500 adet görüntü içeren bir veri seti, 5 katlı çapraz geçerlilik kriterine uygun olarak kullanılmış ve elde edilen başarım ortalama Dice ve Jaccard benzerlik ölçütlerine bağlı olarak sunulmuştur. Hesaplanan ortalama Dice ve Jaccard değerleri sırası ile 0.8755 ve 0.7870' dir. Elde edilen bu sonuçlar, literatürde var olan bazı sonuçlar ile kıyaslanmış ve önerilen yöntemin daha başarılı sonuçlar ürettiği görülmüştür.

From camera footage of events or fire/flames, it's important for early fire suppression systems. In this way, fires can be intervened early and fires can be extinguished before they grow. State-of-the-art display hardware and machine learning early fire warning systems have attracted an interest in entertainment and have been published in use with the subject. This is basic basic color space based image segmentation applications. In the images given, a different color is stretched and flame/fire zones are determined by color partitioning. The main disadvantage of this type is the adequacy of the parameter. It is staged in network segmentation applications, together with their deep learning. In this study, a new flame/fire segmentation method using deep mesh is proposed. The method in the path is a Seg AttentionNet structure in which the Gate Module (GM) is integrated. GMs can be easily integrated into standard Convolutional Neural Networks (CNN) architecture with minimal computing and increased by model precision and prediction. In use, dice (dice), tversky and focal tversky structural use for performance evaluation of deep network intent. Experimental set. In accordance with a 5-fold cross-validation criterion containing 500 images and according to the obtained performance mean and Jaccard similarity criteria, the mean Dice and Jaccard values calculated as criteria are 0.8755 and 0.7870. These results were compared with the results available in the literature and more successful results could be obtained with successful methods.