51 YANGIN VE GÜVENLİK • KASIM - ARALIK / 2025 ÇEVİRİ uzamsal bilgiyi ağırlıklandırarak algoritmanın örtüşmeleri daha etkili biçimde işlemesini sağlar. Bu çalışmada, SEAM modülünün entegre edildiği geliştirilmiş tespit başlığına SEAMFHead (Separated and Enhancement Attention Module Fused Head) adı verilmiştir (Şekil 4). Bu yapı, orijinal sınıflandırma başlığındaki ayrılabilir bir evrişimi ve regresyon başlığındaki 3×3 evrişimi SEAM ile değiştirmektedir. Uzamsal bilgilerin ağırlıklarını dinamik olarak ayarlayarak, geliştirilen tespit başlığı algoritmanın karmaşık sahnelerde duman ve yangını daha doğru tespit etmesini sağlar, örtüşme ve arka plan gürültüsü etkilerini azaltır ve genel tespit doğruluğu ile dayanıklılığını önemli ölçüde artırır. 3.3. BoT-SORT algoritmasının MSE ile geliştirilmesi Yangın tespiti için nesne algılama algoritmaları kullanıldığında doğruluk yüksek olsa da, yanlış pozitif sonuçlar hâlâ görülebilmektedir. Bunun nedeni, özellikle şehir ortamlarında sokak lambaları veya araç farları gibi birçok arka plan unsurunun, renk, parlaklık ve diğer görsel özellikler açısından yangına çok benzemesidir. Bu tür nesneler, algoritma tarafından yanlışlıkla yangın olarak algılanabilmektedir. Yangınlar genellikle titreme (flickering) ve yayılma (spreading) özellikleri gösterirken, bu tür parazitler sabit şekil ve sabit renklere sahiptir. Bu nedenle, yangın ile parazitler arasındaki hareket farklılıklarından yararlanarak ardışık video karelerindeki tespit sonuçları analiz edilebilir ve gerçek yangın parazitlerden ayırt edilebilir. Bu amaçla, bu çalışmada geliştirilmiş bir BoT-SORT algoritması benimsenmiş ve videolardaki tespit sonuçlarını izleyerek parazitleri filtrelemesi sağlanmıştır. Matematiksel istatistikte yaygın olarak kullanılan hata ölçütlerinden biri olan Ortalama Kare Hatası (MSE), genellikle yeniden oluşturulan görüntü ile orijinal görüntü arasındaki piksel düzeyindeki hatayı değerlendirmek için kullanılır. Düşük MSE değeri, iki görüntü arasındaki yüksek benzerliği gösterir. MSE, hesaplama açısından hızlı ve piksel seviyesindeki hatalara karşı oldukça duyarlıdır; bu da hedefin titreyebildiği veya yer değiştirebildiği, ayrıca gerçek zamanlı performansın kritik olduğu duman ve yangın tanıma görevleri için özellikle uygundur. Bu çalışmada MSE, BoT-SORT algoritmasının hedef eşleştirme aşamasına entegre edilmiştir. Algoritma ardışık karelerde aynı kimliğe sahip şüpheli yangınları izlerken, MSE değeri bu karelerdeki sınırlayıcı kutular (bounding box) içindeki görüntüler arasındaki benzerliği ölçmek için kullanılır. Kutu boyutları genellikle farklı olduğundan, ölçüm öncesinde gri dolgu uygulanarak tüm görüntüler aynı boyuta getirilir. Kapsamlı deneyler sonucunda MSE eşik değeri 35 olarak belirlenmiştir. MSE < 35 ise, kareler arasındaki görüntüler fazla benzer kabul edilir ve hedef parazit olarak sınıflandırılır. MSE ≥ 35 ise, hedef yangın olarak onaylanır. Bu yöntem, hedef tespiti aşamasındaki yanlış yangın tespitlerini etkili biçimde azaltır ve algoritmanın sağlamlığını artırır. Ayrıca, algoritma yangın hareket yörüngelerine dayanarak olası yangın yayılma yönlerini de tahmin edebilir. Bu sayede riskli bölgelerde önleyici tedbirler alınabilir, can ve mal kayıpları azaltılabilir. 4. DENEYSEL SONUÇLAR VE TESPİT ANALİZİ Deneysel donanım ortamının yapılandırması: GPU: NVIDIA GeForce RTX3060, CPU: i5-13400F. İşletim sistemi Windows 10; yazılım ortamı Pycharm; kullanılan yazılım ortamları Python 3.8, PyTorch 2.2.2 ve CUDA 12.1’dir. Eğitim aşamasında batch boyutu 8, başlangıç öğrenme oranı 0,01, IOU eşiği 0,5 ve epoch sayısı 150 olarak belirlenmiştir. 4.1. Veri Seti Bu çalışmada kullanılan veri seti şu şekilde oluşturulmuştur: Veri seti toplam 9.041 görüntü içermektedir; bunlar 9.477 duman ve 8.614 yangın örneğini kapsamaktadır. Eğitim, doğrulama ve test setleri 8:1:1 oranında ayrılmıştır. Veri setinin bir kısmı, internette farklı senaryolarda elde edilen kamuya açık yangın görüntülerinden toplanmıştır. Geri kalan görüntüler laboratuvar ortamında yapılan deneylerle elde edilmiştir. Bu çeşitli veri seti, algoritmanın genelleme kabiliyetini artırarak dinamik ortamlara ve karmaşık gerçek dünya senaryolarına uyum sağlamasına olanak tanır. Farklı örneklerin sağlanması, algoritmanın daha kapsamlı özellikler öğrenmesini, aşırı uyum (overfitting) riskinin azalmasını, tespit doğruluğu ve dayanıklılığının artmasını sağlar. Ayrıca veri seti, duman ve yangın hedeflerini büyük, orta ve küçük boyutlarda kapsayacak biçimde tasarlanmıştır. Bu ölçek çeşitliliği, algoritmanın farklı boyutlardaki hedeflere karşı yüksek tespit performansını sürdürmesine yardımcı olur. 4.2. Değerlendirme Kriterleri Ortalama Ortalama Doğruluk (mean Average Precision
RkJQdWJsaXNoZXIy MTcyMTY=