48 YANGIN VE GÜVENLİK • KASIM - ARALIK / 2025 ÇEVİRİ DERIN ÖĞRENMEYE DAYALI İZLEME ILE DUMAN VE YANGIN ALGILAMA ARAŞTIRMASI 1. GİRİŞ Yangınlar, insan yaşamı, mülkiyet güvenliği ve doğal ekosistemler için en önemli tehditlerden birini oluşturmaktadır. İstatistiksel analizlere göre [1–3], Ocak–Aralık 2024 döneminde dünya genelinde 1,2 milyondan fazla yüksek güvenilirliğe sahip VIIRS yangın alarmı kaydedilmiştir. En yüksek alarm sayısı ağustos ayında gerçekleşmiş, 240.000’in üzerinde alarm bildirilmiş ve bu sayı bir önceki yılın aynı dönemine kıyasla %30 artış göstermiştir. 2001–2023 yılları arasında orman yangınları, küresel ağaç örtüsü kaybının 138 milyon hektarına neden olmuş ve toplam ormansızlaşmanın %28’ini oluşturmuştur. Yangınların erken tespiti, yayılmayı önlemede ve neden olunan zararı en aza indirmede kritik bir rol oynar. Bu nedenle, görüntü ve video tabanlı duman ve yangın algılama teknolojileri üzerine yapılan araştırmalar, hızlı acil durum müdahaleleri ve akıllı izleme sistemleri için daha etkili çözümler sunmaları bakımından büyük pratik öneme sahiptir. Son yıllarda derin öğrenme teknikleri, birçok alanda geleneksel manuel yaklaşımlara göre üstün performans göstermiştir. El ile çıkarılan özelliklere dayanan klasik bilgisayarlı görü yöntemleriyle karşılaştırıldığında, derin öğrenme daha derin ve soyut özellikler çıkarabilir, böylece algoritmaların genelleme yeteneğini önemli ölçüde artırır [4]. Jandhyala ve arkadaşları [5], iki aşamalı bir çerçeve önermiştir: İlk aşamada Inception-V3 modeli kullanılarak hava görüntülerinde duman ve yangın varlığına göre sınıflandırma yapılmış, ardından SSD modeli ile duman ve yangın bölgeleri yerelleştirilmiştir. Hu ve arkadaşları [6], YOLOv7 modelini hafifletilmiş bir biçimde yeniden tasarlayarak, IoU yerine Normalize Edilmiş Wasserstein Mesafesi’ni (NWD) kullanmış ve bu sayede küçük ölçekli duman ve yangın tespiti doğruluğunu artırmıştır. Zhang ve arkadaşları [7], YOLOv8’in PAN yapısını Gelişmiş Çok Ölçekli Dikkat (EMA) mekanizmasıyla iyileştirerek, duman ve yangın gibi farklı özellik dağılımlarına ve değişken şekillere sahip nesnelerin daha doğru tespit edilmesini sağlamıştır. Ayrıca büyük ölçekli duman ve yangınların tanınmasını güçlendirmek için büyük nesne tespit katmanı eklenmiştir. Ancak, doğrudan görüntü üzerinden yapılan tespitler, özellikle renk ve parlaklığı ateşe benzeyen arka plan unsurlarından etkilenmeye açık olup, bu durum eksik tespitlere ve yanlış alarmlara yol açmaktadır. Temel evrişimli sinir ağları kullanarak videolarda yangın tespiti yapmak [8], yangının dinamik özelliklerinden tam olarak yararlanamaz ve ateş ile parazit kaynakları arasında etkili bir ayrım yapamaz. Bu sorunu çözmek için mevcut yöntemlerin çoğu, video karelerinde yangının konumunu ve boyutunu belirleyen tespit algoritmalarını, hareket algılama algoritmalarıyla birleştirerek yangının dinamik özelliklerini yakalamaya ve parazitleri bastırmaya çalışır. Zhao ve arkadaşları [9], videolarda yangın tespiti için geliştirilmiş bir YOLOv4 modeli kullanmış, yangın içeren kareleri tespit ettikten sonra ViBe ön plan algılama algoritmasının değiştirilmiş bir versiyonuyla yangın bölgelerini vurgulamış ve görüntüleri ikili forma dönüştürmüştür. Daha sonra kareler, yangının dinamik özelliklerine göre sınıflandırılmıştır. Khan ve arkaLIYUAN LIU - YING HU - HENGXU ZANG COLLEGE OF MARINE ELECTRICAL ENGINEERING, DALIAN MARITIME UNIVERSITY
RkJQdWJsaXNoZXIy MTcyMTY=