Toplumun en yaygın felaketlerinden biri olan yangın, ani ortaya çıkma, hızlı yayılma ve mücadelede zorluk gibi özelliklere sahiptir. Yangın, insan hayatının ve mülkünün güvenliğini ciddi şekilde tehdit ederek toplumun uyumlu ve istikrarlı gelişimini etkiler. Bu nedenle, yangının zamanında tespiti ve alarm verilmesi, yangınla mücadele ve güvenli tahliye için büyük önem taşır.
Geleneksel yangın tespit teknolojisi genellikle hava sıcaklığı ve duman yoğunluğu gibi fiziksel parametreleri kullanarak yangının olup olmadığını değerlendirir. Geleneksel alev dedektörleri, izleme alanının yüksekliği, toz, hava akış hızı gibi çevresel faktörlere duyarlıdır, bu da yanlış alarm ve kaçırılan alarmlara yol açar.
Son yıllarda Bilgisayar Bilimi'nin hızlı gelişimi ile birlikte, video görüntü işleme teknolojisine dayalı yangın tespit teknolojisi de hızla gelişmiştir. Görüntü tabanlı yangın tespit teknolojisi, kamerayı kullanarak izleme yapar ve ardından video görüntüsünü bilgisayara aktararak yangın görüntü özelliklerini çıkarır. Daha sonra ilgili makine öğrenimi veya derin öğrenme algoritmalarını kullanarak değerlendirme yapar ve alarm verir. Görüntü tabanlı yangın alev tespit teknolojisi, geleneksel yangın tespit teknolojisinin eksikliklerini aşabilir ve hızlı tepki, doğru tespit ve zengin bilgi avantajlarına sahiptir.
HIS renk uzayı modelinde çalışmalar yapan W. B. Horng, Peng ve ekip arkadaşları, hareketli bölgeyi alevin şüpheli bölgesi olarak elde etmek için kare farkı yöntemini kullanmışlardır. Ardından Chen, Wu ve diğerleri, RGB ve HIS renk kriterini birleştirerek şüpheli yangın bölgesini çıkarmış ve şüpheli bölgenin ağırlık merkezinin alan büyümesini ve stabilitesini değerlendirerek alev olup olmadığını belirlemişlerdir.
W. Phillips ve çalışma arkadaşları, renk özelliği ve hareket özelliğine dayalı bir yangın tespit yöntemi önermişlerdir. Bir sonraki araştırmada P. Jenifer, alev bölgesinin sınır konturunun çarpıklık, alan değişimi, renk ve pürüzlülüğünün özellik vektörlerini araştırmış ve ardından makine öğrenimi modelinde Bayesian sınıflandırıcıyı kullanarak sınıflandırma ve tanıma yapmıştır. L.Jin, alev bölgesini bölümlendirmek için renk modelini kullanmış, ardından şüpheli yangın bölgesindeki dinamik, şekil, doku ve çarpıklık gibi görsel özellikleri çıkarmıştır. Son olarak, makine öğrenimi modelinde Fisher lineer diskriminant yöntemi ve Bayesian sınıflandırıcı kullanarak yangını tespit etmek için uygulamıştır. Han Xianfeng ve çalışma ekibi, alev şüpheli bölgelerini bölümlendirmek için RGB, HSI, YUV üç renk modelini birleştirmiş ve ardından yangını tespit etmek için Gauss karışım modelini kullanmıştır. Yukarıdaki tüm algoritmalar, şüpheli yangın bölgelerini çıkarmak için renk modelini kullanır, ancak renk modelini bölümlendirmek için kullanıldığında bazı eksiklikler vardır, örneğin arka plan tamamen filtrelenemez ve alev bölgelerinde delikler bulunabilir, bu da yangın özelliklerinin çıkarılmasını etkiler ve sonraki yangın tespiti için uygun değildir.
Alev bölgesindeki deliklerin eksikliklerini aşmak için algoritma, uzaktan algılama alanında sahne sınıflandırma yöntemini kullanarak alev bölgesine bir miktar arka plan ekler, ardından alevin RGB özelliği, doku özelliği ve renk anı özelliklerini çıkararak özellik vektörlerini elde eder ve son olarak eğitilmiş olan destek vektör makinesi (Support Vector Machine) modelini yangın değerlendirmesi için kullanır. Simülasyon sonuçları, algoritmanın renk modeli segmentasyonunun zayıflıklarını aşabildiğini ve tespit doğruluğunu artırabildiğini göstermektedir.
ŞÜPHELİ YANGIN ALANININ BELİRLENMESİ
A. Renk Model Alanına göre Segmentasyon
Operasyonların karmaşıklığını azaltmak ve tespit verimliliğini artırmak amacıyla, genellikle alev bölgeleri önce ayrıştırılır. Bazı simülasyon deneyleri üzerinden, RGB renk uzayı modelinde, alev bölgesinin R, G ve B bileşenlerinin aşağıdaki ilişkiyi sağladığını bulmuştur.
R≥G≥B
Bu nedenle, görüntüdeki her pikselin R, G ve B bileşenlerini çıkaran ve piksellerin orijinal piksel değerlerini yukarıda belirtilen ilişkiyi karşılayan RGB renk uzayı modeline dayalı bir yangından şüphelenilen bölge bölümleme algoritması önerilmektedir. Yukarıdaki eksikliklere dayanarak, birçok bilim adamı ayrıştırma algoritmasını iyileştirmek amacıyla çalışmıştır. RGB renk uzayı modelinin R, G, B bileşenleri ile HSV renk uzayı modelinin S bileşenlerini birleştiren bir tür geliştirilmiş ayrıştırma algoritması önerilmiştir.
B. Sahne Tabanlı Sınıflandırma
Renk modelinin kullanılmasıyla alev bölgesinin boşluklar içerebileceği olgusunu göz önüne alarak, alev bölgesinin dış dikdörtgeni elde edilir ve bir Şüpheli Yangın Alanı olarak kullanılır. Ardından, uzaktan algılama alanındaki sahne sınıflandırma yöntemini kullanarak alev bölgesine bir miktar arka plan eklenir. Son olarak, uniform görüntü boyutu tekrar örneklenir. Bu ise şüpheli yangın alanlarını segmente etmek için renk modelinin kullanılmasının sorununu aşar.
ALEV GÖRÜNTÜSÜ ÖZELLİKLERİNİN ÇIKARILMASI
RGB Özellik
Alev görüntüsünde, alevle çevre nesneler arasındaki renk farkı belirgindir. Alev rengi en temel özelliktir. Bu nedenle, yangın görüntüsünün renk bilgisi, görüntü yangın tanıma sürecinde önemli bir rol oynar. RGB, HSI, HSV, YCbCr, YUV ve Lab gibi birçok farklı renk uzayı modeli önerilmektedir.
Alev bölgesinde elde ettiğimiz dikdörtgen bölgedeki her pikselin R, G ve B bileşenler hesaplanmakta ve normalize edilmektedir, ardından saçılım grafiği oluşturulur. R bileşeninin değeri G bileşeninden büyük ve G bileşeninin değeri B bileşeninden büyüktür.
Renk Momenti
Renk momenti, araştırmacılar A. Stricker ve M. Orengo tarafından önerilen, renk özelliklerini temsil etmek için etkili ve basit bir yöntemdir. Bir görüntüde herhangi bir rengin dağılımı, renk momenti tarafından açıklanabilir. Düşük dereceli renk momentleri, renk dağılım bilgisini doğru bir şekilde ifade edebilir. Genellikle, birinci derece, ikinci derece ve üçüncü derece moment, görüntülerdeki renk dağılım bilgisini ifade etmek için kullanılabilir ve matematiksel formüllerle hesaplanabilmektedir.
Ateş görüntülerinin düşük dereceli renk momentleri (birinci, ikinci ve üçüncü derece renk momentleri), birbirlerinden belirgin bir şekilde farklıdır ve ateşi diğer girişimlerden ayırt edebilir. Bu nedenle, renk momenti, yangın tespiti için bir kriter olarak kullanılabilir.
RGB renk uzayı HSV renk uzayına dönüştürülür. H bileşeninin ilk momenti aynı zamanda alevin renk özelliklerini de temsil edebilir. H bileşeninin birinci momenti, yangınları tanımlamak ve tespit etmek için kullanılabilir.
Doku Özelliği
Doku, yaygın bir görsel olgudur ve görüntü analizindeki önemli özelliklerden biridir. Her nesne yüzeyinin kendi doku özellikleri vardır. Doku özelliklerini açıklamak için birçok yöntem bulunmaktadır; bu yazıda, doku özelliklerini tanımlamak için klasik bir yöntem olan gri seviye eşolay (co-occurence) matrisi seçilmiştir.
Görüntüdeki herhangi bir (x, y) noktasını alın ve belirli bir adım ve yönde başka bir (x + a, y + b) noktasını alarak bil nokta çifti oluşturun. Nokta çiftinin gri değeri (f1, f2) olursa ve (x, y) noktası görüntünün tamamı üzerinde hareket ettirilirse farklı (f1, f2) değerleri elde edilecektir. Her (f1, f2) değerinin oluşum sayısı sayılır ve daha sonra bir kare matris halinde düzenlenir. (f1, f2)'nin toplam oluşum sayısı, bunları P (f1, f2) olasılığına göre normalleştirmek İçin kullanılır. Elde edilen matris, bir gri seviye eşolay (co-occurence) matrisidir. Genellikle, tipik adım boyutları -1, 0, 1 ve açı 0 derece, 45 derece, 90 derece ve 135 derecedir.
Gri seviye eşolay matrisinin (co-occurence matrix) büyük boyutu nedeniyle, dokuyu doğrudan ayırt etmek için bir özellik olarak kullanılmaz, ancak gri seviye eşolay matrisi (co-occurence matrix) tarafından oluşturulan bazı istatistiklere dayanarak doku sınıflandırmak için bir özellik olarak kullanılır. Haralick, gri seviye eşolay matrisine dayanan korelasyon, diferansiyel moment ve ters fark momenti gibi 14 istatistik önermiştir. Baraldi ve arkadaşları altısını inceleyerek kontrast ve enerjiyi en etkili özellikler olarak düşünmüştür. İşte bu istatistiklerden ikisi açıklanmaktadır.
Açısal İkinci Moment: Enerji, gri seviye eşolay matrisinin elemanlarının karelerinin toplamıdır ve aynı zamanda açısal ikinci moment olarak adlandırılır. Açısal ikinci moment, görüntü dokusunun gri seviye değişiminin homojenliğini ölçen, gri seviye dağılımının düzenliliğini ve doku kalınlığını yansıtan bir ölçüdür.
Kontrast: Kontrast, gri seviye eşolay matrisinin (co-occurence matrix) ana diyagonal çizgisine yakın olan momentidir. Matrisin değerlerinin nasıl dağıldığını yansıtır ve görüntünün netliğini ve doku oluklarının derinliğini yansıtır.
Gri seviye eşolay matrisi (co-occurence matrix) tarafından oluşturulan istatistiklerin (enerji ve korelasyon), yangını müdahaleden ayırt edebildiğini ve yangın bölgesinin doku özelliklerini açıklayabilmektedir. Bu nedenle, doku özellikleri, yangın görüntüsü tanıma için etkili bir kriter olarak kullanılabilir.
SVM TABANLI YANGIN TESPİT ALGORİTMASI
A. SVM Temel İlkesi
Destek Vektör Makinesi (Support Vector Machine-SVM), Vapnik ve arkadaşları tarafından 1995 yılında istatistiksel öğrenme teorisinin temelinde önerilmiştir. Özellikle doğrusal ayrılabilir optimal sınıflandırma yüzeyi ile ilgili sorunları çözmede belirgin avantajlara sahiptir. Destek vektör makinesi sınıflandırma algoritmasının temel fikri, tüm veri örneklerini ayıran ve örnek veri noktaları ile hiper düzlem arasındaki mesafeyi maksimize eden bir hiper düzlem bulmaktır.
B. Algılama Süreci
Bu makalede benimsenen destek vektör makinesi tabanlı görüntü yangın tespit algoritmasının temel adımları şunlardır:
Görüntüler okunur.
Hareket bölgesi, Kare farkı yöntemi ile çıkartılır ve yangından şüphelenilen alan olarak kullanılır, ardından önişleme yapılır.
Aynı boyutta örnekleme yapılır, H bileşeni birinci moment özelliği, doku özelliği, renk moment özelliği vb. dahil olmak üzere alev özellikleri çıkartılır.
Özvektör elde etmek için çıkan veriler normalize edilir.
Daha önce eğitilmiş destek vektör makinesi modelini kullanarak değerlendirilir.
C. Veri Setini Ayarlama
Farklı kaynaklardan ve sitelerden elde edilen görüntü örnekleri eğitim setine (80%) ve test setine (20%) göre bölünür.
D. Simülasyon Sonuçları
Önerilen destek vektör makinesi (SVM) temelli görüntü yangın tespit algoritmasının akış şemalarına göre, Python dili kullanılarak bir yangın tespit programını programlamak ve gerçeklemek için kullanılmıştır.
V. SONUÇ
Destek Vektör Makinesine dayalı bir görüntü işleme teknikleri ile yangın tespit algoritması gerçekleştirilmesinden bahsedilmiştir. İlk olarak, hareket bölgesi kare farkı yöntemiyle tespit edilir ve yangın şüpheli bölge olarak kabul edilir. Daha sonra, yangın şüpheli bölgesi sahne sınıflandırma yöntemiyle yeniden örneklenir. Ardından, alevin tekstür özelliği ve renk momenti özelliği çıkarılır ve son olarak çıkarılan özellikler destek vektör makinesi modeline giriş yapmak üzere sınıflandırma ve tanıma yapılır.
Not: Bu yazı IEEE Xplore üzerinden yayınlanan “Research on Image Fire Detection Based on Support Vector Machine” makalesi kullanılarak hazırlanmıştır.
KAYNAKÇA: K. Chen, Y. Cheng, H. Bai, C. Mou and Y. Zhang, "Research on Image Fire Detection Based on Support Vector Machine," 2019 9th International Conference on Fire Science and Fire Protection Engineering (ICFSFPE), Chengdu, China, 2019.