İHA KULLANARAK ORMAN YANGINLARININ TESPİTİ VE GÖRÜNTÜLEMESİ İÇİN ZEKİ GÖZETLEME SİSTEMİNİN GELİŞTİRİLMESİ

Abstract

ÖZET

Bu çalışmada derin öğrenme ağları kullanılarak orman yangınlarının erken tespiti için bir hava gözetleme sistemi oluşturuldu. Bu sistem, insansız hava aracı ve uçuş sırasında iletilen verileri görüntülemek için geliştirilen bir yer istasyonu uygulaması içermektedir. YOLOv8 ve YOLOv5'nin orman yangınlarını tanıma performansı incelenmiş, görüntülerin yangın içerip içermediğini sınıflandırmak için CNN-RCNN ağı tasarlanmış ve YOLOv8 ağı sınıflandırması ile sonuçlar karşılaştırılmıştır. NVIDIA Jetson Nano, bu derin öğrenme ağlarının gerçek zamanlı analizine olanak sağlanması için insansız hava aracına entegre edilmiştir. Aynı zamanda bu çalışma kapsamında geliştirilen bir yer istasyonu yazılımı, yangına ilişkin verileri almak ve görüntülemek amacıyla kullanılmıştır. Bu program, tespit edilen alanın yangın görüntülerini ve koordinatlarını göstermektedir. Algılama yöntemlerinin performans ölçümü için, CNN-RCNN ağının sınıflandırma etkinliği, YOLOv8 modeli tarafından

elde edilen sonuçlarla karşılaştırmalı bir değerlendirmeye tabi tutulmuştur. Deneysel sonuçlar, çeşitli algılama yöntemlerinde yüksek derecede doğruluk göstermiştir. CNN-RCNN ağı için %96, YOLOv8 tabanlı sınıflandırma için %96, YOLOv5 tabanlı nesne algılama için %89 ve YOLOv8 tabanlı nesne algılama için %89’dur. Genel olarak, bu araştırma orman yangınlarının erken tespiti için derin öğrenme teknolojilerinin uygulanmasına katkı sağlamakta ve bu tür doğal felaketlerin yıkıcı etkilerini hafifletebilecek kapsamlı bir sistem sunmaktadır.

ABSTRACT

In this study, an aerial surveillance system was developed using deep learning networks for the early detection of forest fires. This system encompasses an unmanned aerial vehicle and a ground station application developed for visualizing data transmitted during flight. The performance of YOLOv8 and YOLOv5 in detecting forest fires was examined, and a CNN-RCNN network was designed to classify whether the images contained fires or not, with the results compared to the YOLOv8 network's classification. The NVIDIA Jetson Nano was integrated into the unmanned aerial vehicle to enable real-time analysis of these deep learning networks. Additionally, a ground station software developed within the scope of this study was used to receive and display data related to fires. This program displays images and coordinates of the detected fire area. For performance evaluation of the detection methods, the classification effectiveness of the CNN-RCNN network was subjected to a comparative assessment with the results obtained by the YOLOv8 model. Experimental results demonstrated a high degree of accuracy across various detection methods, with 96% for the CNN-RCNN network, 96% for YOLOv8-based classification, 89% for YOLOv5-based object detection, and 89% for YOLOv8-based object detection. Overall, this research contributes to the application of deep learning technologies for the early detection of forest fires, offering a comprehensive system that could mitigate the destructive effects of such natural disasters.