Derin öğrenme kullanılarak mobil cihazlar için gerçek zamanlı yangın ve duman tespiti

IF 1 4区工程技术 Q3 ENGINEERING, MULTIDISCIPLINARY

Journal of the Faculty of Engineering and Architecture of Gazi University Pub Date : 2023-04-12 DOI:10.17341/gazimmfd.1041091

Emre ŞAFAK>, Necaattin BARIŞÇI>

{"title":"Derin öğrenme kullanılarak mobil cihazlar için gerçek zamanlı yangın ve duman tespiti","authors":"Emre ŞAFAK>, Necaattin BARIŞÇI>","doi":"10.17341/gazimmfd.1041091","DOIUrl":null,"url":null,"abstract":"Yangın; ekolojik, sosyal ve ekonomik zararlara neden olan doğal afettir. Küresel ısınma ve patlayıcı/yanıcı kimyasalların kullanımının yaygınlaşması ile birlikte yangınlar insanlık için en önemli sorunlardan biri haline gelmiştir. Yangınların erken tespiti tahribatı en aza indirmek için kritik öneme sahiptir. Binalarda yangınların erken tespit edilmesini sağlayabilmek için ısı ve duman dedektörleri geliştirilmiştir. Ancak bu dedektörlerin kullanımı kapalı alanlar ile kısıtlıdır. Geniş alanlarda bu detektörlerin kullanılması mümkün değildir. Ayrıca bu dedektörler kurulum ve bakım açısından oldukça maliyetlidir. Bu nedenlerden dolayı görüntülerden yangın tespiti üzerine çalışmalar yapılmaya başlanmıştır. Görüntülerden yangın tespiti için yapılan son çalışmalarda genellikle derin öğrenme algoritmaları kullanılmaktadır. Bu çalışmalar kameralar üzerinden alınan görüntülerin güçlü sunucular üzerinde çalışan modeller ile analizine odaklanmaktadır. Mobil cihazlar ve nesnelerin internetindeki gelişmeler ile artık uç cihazlar üzerinde görüntüler analiz edilebilir. Yapılan çalışmada görüntülerin bir sunucuya aktarılmadan mobil cihaz üzerinde analiz edilmesini sağlayacak düşük işlem gücü gerektiren yangın ve duman tespit modeli geliştirilmiştir. MobileNet evrişimsel sinir ağı revize edilerek son 3 katman kaldırılmış ve yerine düzleştirme katmanı ile iki düğümden oluşan yoğun katman eklenmiştir. Yangın ve duman tespiti modeli için revize edilmiş MobileNet, orijinal MobileNet, MobileNetV2, EfficientNetB0 ve ShuffleNet evrişimsel sinir ağları kullanılarak geliştirilen modeller arasından en yüksek doğruluk oranına sahip yöntem belirlenmiştir. Modellerin başarı oranını artırabilmek ImageNet üzerinde ön eğitilmiş model ağırlıkları transfer öğrenme tekniği ile tekrar kullanılmıştır. Modelleri eğitmek ve test etmek için 43,355 görüntüden oluşan veri seti kullanılmıştır. Veri setinin %80’i eğitim %20’si test işlemi için kullanılmıştır. Yapılan test sonuçlarına göre revize edilmiş MobileNet ağı %98,37 ile en yüksek doğruluk oranına ulaşılmıştır.","PeriodicalId":51103,"journal":{"name":"Journal of the Faculty of Engineering and Architecture of Gazi University","volume":"3 1","pages":"0"},"PeriodicalIF":1.0000,"publicationDate":"2023-04-12","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"0","resultStr":null,"platform":"Semanticscholar","paperid":null,"PeriodicalName":"Journal of the Faculty of Engineering and Architecture of Gazi University","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.17341/gazimmfd.1041091","RegionNum":4,"RegionCategory":"工程技术","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"Q3","JCRName":"ENGINEERING, MULTIDISCIPLINARY","Score":null,"Total":0}

引用次数: 0

Abstract

Yangın; ekolojik, sosyal ve ekonomik zararlara neden olan doğal afettir. Küresel ısınma ve patlayıcı/yanıcı kimyasalların kullanımının yaygınlaşması ile birlikte yangınlar insanlık için en önemli sorunlardan biri haline gelmiştir. Yangınların erken tespiti tahribatı en aza indirmek için kritik öneme sahiptir. Binalarda yangınların erken tespit edilmesini sağlayabilmek için ısı ve duman dedektörleri geliştirilmiştir. Ancak bu dedektörlerin kullanımı kapalı alanlar ile kısıtlıdır. Geniş alanlarda bu detektörlerin kullanılması mümkün değildir. Ayrıca bu dedektörler kurulum ve bakım açısından oldukça maliyetlidir. Bu nedenlerden dolayı görüntülerden yangın tespiti üzerine çalışmalar yapılmaya başlanmıştır. Görüntülerden yangın tespiti için yapılan son çalışmalarda genellikle derin öğrenme algoritmaları kullanılmaktadır. Bu çalışmalar kameralar üzerinden alınan görüntülerin güçlü sunucular üzerinde çalışan modeller ile analizine odaklanmaktadır. Mobil cihazlar ve nesnelerin internetindeki gelişmeler ile artık uç cihazlar üzerinde görüntüler analiz edilebilir. Yapılan çalışmada görüntülerin bir sunucuya aktarılmadan mobil cihaz üzerinde analiz edilmesini sağlayacak düşük işlem gücü gerektiren yangın ve duman tespit modeli geliştirilmiştir. MobileNet evrişimsel sinir ağı revize edilerek son 3 katman kaldırılmış ve yerine düzleştirme katmanı ile iki düğümden oluşan yoğun katman eklenmiştir. Yangın ve duman tespiti modeli için revize edilmiş MobileNet, orijinal MobileNet, MobileNetV2, EfficientNetB0 ve ShuffleNet evrişimsel sinir ağları kullanılarak geliştirilen modeller arasından en yüksek doğruluk oranına sahip yöntem belirlenmiştir. Modellerin başarı oranını artırabilmek ImageNet üzerinde ön eğitilmiş model ağırlıkları transfer öğrenme tekniği ile tekrar kullanılmıştır. Modelleri eğitmek ve test etmek için 43,355 görüntüden oluşan veri seti kullanılmıştır. Veri setinin %80’i eğitim %20’si test işlemi için kullanılmıştır. Yapılan test sonuçlarına göre revize edilmiş MobileNet ağı %98,37 ile en yüksek doğruluk oranına ulaşılmıştır.

查看原文本刊更多论文

利用深度学习为移动设备进行实时火灾和烟雾检测

火灾是一种自然灾害，会对生态、社会和经济造成破坏。随着全球变暖和易爆/易燃化学品的广泛使用，火灾已成为人类面临的最重要问题之一。及早发现火灾对于将损失降到最低至关重要。目前已开发出热量和烟雾探测器，用于早期探测建筑物内的火灾。然而，这些探测器的使用仅限于封闭区域。无法在大面积区域使用这些探测器。此外，这些探测器的安装和维护费用也非常昂贵。基于这些原因，人们开始研究如何通过图像进行火灾探测。在最近的图像火灾探测研究中，一般都使用了深度学习算法。这些研究的重点是通过在功能强大的服务器上运行的模型来分析摄像头拍摄的图像。随着移动设备和物联网的发展，现在可以在终端设备上对图像进行分析。在本研究中，我们开发了一种低计算能力的火灾和烟雾探测模型，可在移动设备上分析图像，而无需将图像传输到服务器。对 MobileNet 卷积神经网络进行了修改，删除了最后三层，代之以由平滑层和两个节点组成的密集层。在火灾和烟雾检测模型中，使用了修订后的 MobileNet、原始 MobileNet、MobileNetV2、EfficientNetB0 和 ShuffleNet 卷积神经网络，以确定所开发模型中准确率最高的方法。为了提高模型的成功率，利用迁移学习技术重新使用了 ImageNet 上预先训练好的模型权重。我们使用了一个包含 43,355 张图像的数据集来训练和测试模型。数据集的 80% 用于训练，20% 用于测试。根据测试结果，修订后的 MobileNet 网络达到了 98.37% 的最高准确率。

本文章由计算机程序翻译，如有差异，请以英文原文为准。

求助全文

约1分钟内获得全文求助全文

来源期刊

Journal of the Faculty of Engineering and Architecture of Gazi University ENGINEERING, MULTIDISCIPLINARY-

CiteScore

1.90

自引率

45.50%

发文量

审稿时长

6-12 weeks

期刊介绍： Gazi University Journal of the Faculty of Engineering and Architecture; Engineering qualifications described below and in the field of architecture research papers and invited articles by scanning is considered to be Turkish.