54 YANGIN VE GÜVENLİK • KASIM - ARALIK / 2025 ÇEVIRI 5. TAKIP DENEYLERI VE ANALIZI Zaman ve hesaplama kaynaklarındaki sınırlamalar nedeniyle, bu çalışmada BoT-SORT yeniden eğitilmemiş, bunun yerine doğrudan MSE metriği ile geliştirilmiştir. Önerilen yöntem, bu metriği algoritmanın hedef eşleştirme aşamasına entegre eder ve eşik değeri 30 olarak belirlenmiştir. Geliştirilmiş BoT-SORT’un, yangın tespit ve takip performansını korurken parazitleri bastırma yeteneğini değerlendirmek amacıyla 50’si yangın içeren ve 50’si parazit içeren toplam 100 video hazırlanmıştır. Orijinal ve geliştirilmiş algoritmalar bu veri setlerinde test edilmiştir. Değerlendirme metrikleri şu şekilde tanımlanmıştır: Burada NTF, toplam yangın videosu sayısını; ND, algoritmanın başarıyla tespit ettiği yangın videosu sayısını; NTI, toplam parazit videosu sayısını; NF ise yangın olarak yanlış raporlanan parazit videoların sayısını ifade eder. Sonuçlar Tablo 3’te sunulmuştur. Şekil 7, takip sonuçlarını göstermektedir. Sol tarafta BoT-SORT’un, sağ tarafta geliştirilen algoritmanın takip sonuçları; üst ve alt kısımlarda ise aynı videonun farklı kareleri yer almaktadır. Sonuçlar, MSE ile geliştirilen BoT-SORT’un, renk ve parlaklık açısından yangına benzeyen parazitlerden kaynaklanan yanlış pozitifleri büyük ölçüde ortadan kaldırdığını göstermektedir. Ayrıca, geliştirilen BoT-SORT’un yangın takibine uygulanması, yangın ölçeğinin belirlenmesine, yayılma eğilimi ve yönünün tahmin edilmesine de yardımcı olmakta, böylece algoritmanın genellenebilirlik ve sağlamlık düzeyini artırmaktadır. 6. SONUÇ Bu çalışma, YOLOv10m ve BoT-SORT’un birleşimine dayalı bir duman ve yangın tespit ve takip algoritması önermektedir. Çalışma iki ana aşamadan oluşmaktadır: Tespit aşamasında, omurga ağındaki C2f/CIB modülleri, yangın ve dumanın statik biçim özelliklerini daha güçlü yakalayabilmek için DCNv3 ile geliştirilmiştir. Ayrıca, tespit başlığı SEAM ile iyileştirilerek çevresel örtülme (occlusion) etkileri azaltılmış ve özellik birleştirme kabiliyeti artırılmıştır. Bu sayede, temel modele kıyasla %1,6 doğruluk artışı sağlanmıştır. Takip aşamasında, MSE metriği BoT-SORT’a entegre edilerek takip sürecinde hedeflerin dinamik özelliklerine dayalı değerlendirme yapılmış, olası yangınların yanlış tespit edilme sorunları büyük ölçüde giderilmiştir. Ayrıca, takip edilen yangınların hareket yörüngeleri, yangının yayılma yönü ve hızı hakkında öngörüler sağlayarak, potansiyel tehlike bölgelerinde zamanında müdahale önlemleri alınmasına olanak tanımaktadır. n Tablo 3. Karşılaştırmalı deneylerin izlenmesi Algoritma Detection Rate/% Misreport Rate/% BoT-SORT 100 100 BoT-SORT + MSE 100 12 KAYNAKLAR [1] NASA FIRMS 2025 Nrt viirs 375 m active fire product vnp14imgt near RealTime (NRT) product, Version 002 URL https://earthdata.nasa.gov/firms [2] Tyukavina A, Potapov P, Hansen M C, Pickens A H, Stehman S V, Turubanova S, Parker D, Zalles V, Lima A, Kommareddy I, Song X P, Wang L and Harris N 2022 Frontiers in Remote Sensing 3 825190 URL https://doi.org/10.3389/ frsen.2022.825190 [3] Global Forest Watch 2023 Global annual tree cover loss from fires accessed on 08/02/2025 URL https://www.globalforestwatch.org/dashboards/global/ [4] LeCun Y, Bengio Y and Hinton G 2015 Nature 521 436–444 [5] Jandhyala S S, Jalleda R R and Ravuri D M 2023 Forest fire classification and detection in aerial images using inception-v3 and ssd models 2023 International Conference on Intelligent Data Communication Technologies and Internet of Things (IDCIoT) pp 320–325 [6] Hu J, He Y, Zeng M, Qian Y and Zhang R 2024 IEEE Sensors Letters 8 1–4 [7] Zhang T, Wang F, Wang W, Zhao Q, Ning W and Wu H 2024 IEEE Access 12 117354–117362 [8] Frizzi S, Kaabi R, Bouchouicha M, Ginoux J M, Moreau E and Fnaiech F 2016 Convolutional neural network for video fire and smoke detection IECON 2016 - 42nd Annual Conference of the IEEE Industrial Electronics Society pp 877–882 [9] Zhao S, Liu B, Chi Z, Li T and Li S 2022 IEEE Access 10 81899–81909 [10] Khan M and Kumar P 2023 Fire detection using level set segmentation based fractional order optical flow and 4d fire features with mixed data cnn-lstm model TENCON 2023 - 2023 IEEE Region 10 Conference (TENCON) pp 152–157 [11] Wang A, Chen H, Liu L, Chen K, Lin Z, Han J and Ding G 2024 Yolov10: Realtime end-to-end object detection (Preprint 2405.14458) URL https://arxiv.org/ abs/2405.14458 [12] Aharon N, Orfaig R and Bobrovsky B Z 2022 Bot-sort: Robust associations multi-pedestrian tracking (Preprint 2206.14651) URL https://arxiv.org/ abs/2206.14651 [13] Dai J, Qi H, Xiong Y, Li Y, Zhang G, Hu H and Wei Y 2017 Deformable convolutional networks 2017 IEEE International Conference on Computer Vision (ICCV) pp 764–773 [14] Wang W, Dai J, Chen Z, Huang Z, Li Z, Zhu X, Hu X, Lu T, Lu L, Li H, Wang X and Qiao Y 2023 Internimage: Exploring large-scale vision foundation models with deformable convolutions 2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) pp 14408–14419 [15] Yu Z, Huang H, Chen W, Su Y, Liu Y and Wang X 2022 Yolo-facev2: A scale and occlusion aware face detector (Preprint 2208.02019) URL https://arxiv.org/ abs/2208.02019
RkJQdWJsaXNoZXIy MTcyMTY=