تصنيف صور حرائق الغابات باستخدام خوارزميات التعلم العميق

محتوى المقالة الرئيسي

بدر نجيب عويدات

الملخص

تعد تقنيات التعلم العميق من بين أهم وأكثر التقنيات تطورًا في مجال الذكاء الاصطناعي خلال العقدين الماضيين. تُظهر هذه التقنيات قدرات استثنائية في تحليل البيانات المعقدة، ومن بين التطبيقات الواعدة للتعلم العميق هي اكتشاف اللهب في الصور بطرق دقيقة وفعّالة. خوارزميات التعلم العميق تعتبر وسيلة قوية وفعالة لتصنيف الصور، بما في ذلك تصنيف صور حرائق الغابات. تمثل هذه الخوارزميات جزءًا مهمًا من مجال تحليل الصور والرؤية الحاسوبية، حيث يمكنها التعامل مع البيانات ذات البعد العالي والتعرف على الأنماط المعقدة في الصور. تستخدم خوارزميات التعلم العميق في تصنيف صور حرائق الغابات لتحديد وتصنيف المناطق المتأثرة بالحرائق بدقة عالية، مما يمكن من اتخاذ إجراءات سريعة وفعالة للحد من أضرار الحرائق وحماية البيئة والممتلكات. من الجدير بالذكر أن خوارزميات التعلم العميق تتطلب كميات كبيرة من البيانات التدريبية لتحقيق أفضل أداء ممكن، بالإضافة إلى تكنولوجيا متقدمة لمعالجة الصور وتحليلها بكفاءة. باستخدام خوارزميات التعلم العميق في تصنيف صور حرائق الغابات، يمكن تحسين دقة التصنيف وتحديد المناطق المتأثرة بالحرائق بدقة أكبر، مما يمكن من توجيه الجهود والموارد بشكل فعال للتعامل مع الحرائق وتقليل الأضرار الناتجة عنها. في هذا البحث تم استخدام ثلاث خوارزميات تعلم عميقة هي الشبكة العصبية التلافيفية العميقة Deep Convolutional Neural Network (DCNN) ونموذج VGG16 العميق ونموذج MobileNet للكشف عن حرائق الغابات في الصور وقد اعطت خوارزمية MobileNet اعلى نسبة دقة بلغت 100%.

تفاصيل المقالة

كيفية الاقتباس
عويدات ب. ن. (2024). تصنيف صور حرائق الغابات باستخدام خوارزميات التعلم العميق . وقائع مؤتمرات جامعة سبها, 3(2), 34–41. https://doi.org/10.51984/sucp.v3i2.3124
القسم
مقالة مؤتمر

المراجع

. Kaggle. (2018). Fire Dataset. Retrieved December 10, 2023, from https://www.kaggle.com/datasets/phylake1337/fire-dataset

. Li, H., & Sun, P. (2023). Image-Based Fire Detection Using Dynamic Threshold Grayscale Segmentation and Residual Network Transfer Learning. Mathematics, 11(18), 3940.

. Sathishkumar, V. E., Cho, J., Subramanian, M., & Naren, O. S. (2023). Forest fire and smoke detection using deep learning-based learning without forgetting. Fire ecology, 19(1), 1-17.

G. S. Tandel, M. Biswas, O. G. Kakde, A. Tiwari, H. S. Suri, M. Turk, J. Laird, C. Asare, A. A. Ankrah, N. N. Khanna, B. K.Madhusudhan, L. Saba, and J. S. Suri, “A Review on a Deep Learning Perspective in Brain Cancer Classification,” Cancers, vol. 11, p. 111, jan 2019.

Hatice Catal Reis,Veysel Turk. "Detection of forest fire using deep convolutional neural networks with transfer learning approach." Applied Soft Computing, vol. [143], Page no. [110362], August 2023.

Süha Berk KUKUK, Zeynep Hilal KİLİMCİ, (2021), Comprehensive Analysis of Forest Fire Detection using Deep Learning Models and Conventional Machine Learning Algorithms, International Journal of Computational and Experimental Science and ENgineering (IJCESEN), Vol. 7-No.2 (2021) pp. 84-94, ISSN: 2149-9144.

Zhang, Z., Guo, Y., Chen, G., & Xu, Z. (2023). Wildfire Detection via a Dual-Channel CNN with Multi-Level Feature Fusion. Forests, 14, 1499. https://doi.org/10.3390/f14071499.

. Al Bataineh, A.; Kaur, D.; Al-khassaweneh, M.; Al-sharoa, E. Automated CNN Architectural Design: A Simple and Efficient Methodology for Computer Vision Tasks. Mathematics 2023, 11, 1141. https://doi.org/10.3390/.

. Varshney, P. (2020). VGGNet-16 Architecture: A Complete Guide. Kaggle. Retrieved from https://www.kaggle.com/code/blurredmachine/vggnet-16-architecture-a-complete-guide (Accessed: January 30, 2024).

. Sharma, N. (2023, December 31). What is MobileNetV2? Features, Architecture, Application and More. Analytics Vidhya. Retrieved from [https://www.analyticsvidhya.com/blog/2023/12/what-is-mobilenetv2/] (Accessed: December 21, 2023).