Derin öğrenme ile orman yangını tespiti

Abstract

Yangın algılama sistemleri can güvenliği ve maddi hasarın en aza indirilmesi açısından kritik öneme sahiptir. Bu tür sistemlerin hayati önem taşıdığı alanlardan biri de orman yangınlarıdır. Son yıllarda büyüklük, süre ve tahribat açısından rekor sayıda orman yangını yaşandı. Duman veya ısı sensörleri gibi geleneksel yangın algılama yöntemlerinin sınırlamaları vardır ve bu da ileri teknolojilere dayalı yenilikçi yaklaşımların ortaya çıkmasına neden olur. Bu tez, orman yangını tespiti için bir derin öğrenme modeli olan ResNet ile birlikte Batch-Instance Normalizasyonunun uygulanmasını incelemektedir. Çalışma, Batch-Instance Normalizasyonunun performansını diğer normalleştirme yaklaşımlarıyla karşılaştırmaktadır. Bu çalışmada modelin eğitimi için orman yangını veri seti kullanılmıştır. Bu veri seti 4609 görsel içermektedir. Bu görseller 2120 Yangın, 2499 yangın içermeyen görselden oluşmaktadır. ResNet modeli sekiz farklı optimize edici ile test edilmiş ve en iyi sonuçları veren ile eğitilmiştir. Deneyler, normalizasyon tekniklerinin ve optimize edicilerin yangın tespitinin doğruluğu üzerindeki etkisini değerlendirmektedir. Sonuçlar, tek üstel düzeltmeyle Batch-Instance Normalizasyonunun modelin doğruluğunu önemli ölçüde artırdığını göstermektedir. Deneyde model, 96.14% F1 skoruna, 96.56% doğruluğa ve 99.49% kesinlik değerlerine ulaşmıştır. Diğer yaklaşımlardan minimum %1 doğruluk farkı, %0,6 F1 skor farkı, %1,05 kesinlik farkı elde edilmiştir. Derin öğrenmenin yeteneklerini Batch-Instance Normalizasyonunuyla birleştirmek, orman yangını tespiti için umut verici ve etkili bir çözüm ortaya koydu.

Fire detection systems are critical for safeguarding lives and minimizing property damage. One of the key areas where such systems are vital are forest fires. In recent years, there have been several record-breaking forest fires in terms of size, duration, and destruction. Traditional methods of fire detection, such as smoke or heat sensors, have their limitations, leading to the emergence of innovative approaches based on advanced technologies. This thesis examines the application of Batch-Instance Normalization combined with ResNet, a deep learning model for wildfire detection. The study compares the performance of Batch-Instance Normalization with other normalization approaches. In this study, a forest fire dataset is used which is taken from the Kaggle for training the model. The Dataset includes 4609 images, 2120 Fire and 2499 Non-Fire images. The ResNet model is tested with eight different optimizers and trained with the one that gives the best results. The experiments evaluate the impact of normalization techniques and optimizers on the accuracy of wildfire detection. The results show that Batch-Instance Normalization with single exponential smoothing significantly improves the accuracy of the model. It attains F1-score of 96.14%, accuracy of 96.56%, and precision of 99.49%. A minimum 1%, accuracy difference, %0.6 F1 score difference, %1.05 precision difference were obtained from other normalization methods. Combining the capabilities of deep learning with the innovative Batch-Instance Normalization has demonstrated a promising and effective solution for wildfire detection.