49 YANGIN VE GÜVENLİK • KASIM - ARALIK / 2025 ÇEVİRİ daşları [10], yangının optik akış tahmini için Seviye Küme Segmentasyonu (LSS) tabanlı kesirli dereceli varyasyon algoritması kullanarak dört boyutlu hareketle ilişkili özellikler çıkarmıştır. Bu özellikler, hem dinamik hem de statik yangın özelliklerini öğrenmek üzere bir CNN-LSTM karma modelini eğitmek ve test etmek için kullanılmıştır. Mevcut duman ve yangın tanıma algoritmalarının sınırlamalarını — özellikle yetersiz özellik temsil gücü ve dinamik özelliklerin yeterince kullanılmaması — gidermek amacıyla, bu çalışma YOLOv10m [11] ve BoT-SORT [12] tabanlı bir duman ve yangın tespit ve takip algoritması önermektedir. Başlıca katkılar şu şekilde özetlenebilir: (1) Tespit Aşaması: YOLOv10m tabanlı geliştirilmiş bir tespit algoritması önerilmektedir. İlk olarak, orijinal omurgadaki CIB modülleri, düzensiz yangın şekillerine geometrik uyum sağlamak amacıyla Deformable Convolutional Networks v3 (DCNv3) ile değiştirilmiştir. İkinci olarak, çok ölçekli özellik birleşimini optimize etmek ve örtüşme etkilerini azaltmak için Head kısmına Ayrık ve Geliştirilmiş Dikkat Modülü (SEAM) entegre edilmiştir. Bu değişiklikler birlikte tespit doğruluğunu artırmaktadır. (2) Takip Aşaması: Geliştirilmiş BoT-SORT algoritması, yangının yayılma ve titreme gibi dinamik özelliklerinden yararlanarak sabit parazitleri filtrelemektedir. Ortalama Kare Hatası (MSE) kullanılarak, videodaki ardışık karelerde aynı hedefin benzerliği ölçülmektedir. Düşük benzerlik (MSE > eşik değeri) gösteren hedefler dinamik yangın olarak, yüksek benzerlik gösterenler ise sabit parazit (örneğin sabit ışık kaynakları) olarak sınıflandırılıp bastırılmaktadır. Bu sayede yanlış alarm oranı önemli ölçüde azaltılmaktadır. 2. İLGİLİ ÇALIŞMALAR 2.1. YOLOv10m Genel Bakış YOLOv10, maksimum olmayan bastırmayı (NMS) ortadan kaldıran ve çeşitli bileşenleri optimize ederek yüksek verimlilik ve doğruluk sağlayan, geniş ölçekte benimsenmiş bir nesne tespit algoritmasıdır. Bu çalışma kapsamında, gerçek zamanlı performans ile hassasiyet arasında denge kuran orta ölçekli YOLOv10m modeli kullanılmıştır. YOLOv10m, duman ve yangın tespit senaryolarında güçlü bir uygulanabilirlik göstermektedir. YOLOv10m tespit akışı şu adımlardan oluşur: İlk olarak, giriş görüntüsü algoritmanın kabul ettiği standart boyutlara yeniden ölçeklendirilir ve normalize edilir. İşlenen görüntü, özellik çıkarımı için omurgaya (Backbone) gönderilir ve burada çok ölçekli derin özellik haritaları üretilir. Bu haritalar “Neck” yapısında birleştirilir. Son olarak “Head”, bu çok ölçekli özellikleri analiz ederek sınıf tahminleri ve sınırlayıcı kutu konumları üretir, böylece nihai tespit sonuçları elde edilir. 2.2. BoT-SORT Genel Bakış BoT-SORT, ByteTrack ve SORT algoritmalarından türetilmiş gelişmiş bir çoklu nesne takip algoritmasıdır. Yüksek güvenilirlikli ve düşük güvenilirlikli tespitleri ayıran iki aşamalı eşleştirme stratejisini kullanarak kaçırılan tespitler ve örtüşme problemlerini etkili biçimde ele alır. Ayrıca algoritma, Yeniden Tanımlama (ReID) modeliyle çıkarılan görünüm özellikleri ile Kalman filtrelemesiyle elde edilen hareket özelliklerini birleştirerek hedef eşleştirme doğruluğunu artırır. BoT-SORT ayrıca Kalman filtresinin durum vektörünü optimize eder ve kamera hareketi telafisini entegre ederek yörünge tahmin doğruluğunu önemli ölçüde artırır. Temel iş akışı şöyledir: Algoritma önce yüksek güveniŞekil 2. BoT-SORT akış şeması Şekil 1. YOLOv10m ağ
RkJQdWJsaXNoZXIy MTcyMTY=