39 YANGIN VE GÜVENLİK • MAYIS - HAZİRAN / 2026 MAKALE ve ark. [7], YOLOv8’in PAN yapısını Efficient Multi-scale Attention (EMA) mekanizmasıyla geliştirerek, duman ve yangın gibi heterojen özellik dağılımına ve değişken morfolojiye sahip nesnelerin daha hassas tespitini sağlamıştır. Ayrıca, büyük ölçekli duman ve yangınların tanınmasını güçlendirmek için büyük nesne tespit başlığı eklenmiştir. Bununla birlikte, görüntüler üzerinde doğrudan yapılan tespitler, özellikle yangına benzer renk ve parlaklığa sahip arka plan unsurlarından etkilenmeye açıktır ve bu durum hâlâ kaçırılan tespitlere ve yanlış alarmlara yol açabilmektedir. Yangın içerdiğinden şüphelenilen videoların temel evrişimsel sinir ağlarıyla tespiti [8], yangının dinamik özelliklerini tam olarak kullanamaz ve yangın ile parazitleri etkin biçimde ayırt edemez. Bu sorunu çözmek için mevcut yaklaşımlar genellikle, video karelerinde yangının konum ve boyutunu belirlemek için tespit algoritmalarını, yangının dinamik özelliklerini yakalamak için ise hareket tespit algoritmalarını birlikte kullanır. Zhao ve ark. [9], videolarda yangın tespiti için geliştirilmiş bir YOLOv4 kullanarak yangın içeren kareleri belirlemiş, ardından değiştirilmiş ViBe ön plan tespit algoritmasıyla yangın bölgelerini vurgulamış ve görüntüleri ikili (binary) hâle getirmiştir. Sonrasında kare sınıflandırması, yangının dinamik özelliklerine göre yapılmıştır. Khan ve ark. [10] ise Level Set Segmentation (LSS) tabanlı kesirli dereceli varyasyonel bir algoritma kullanarak yangın optik akışını tahmin etmiş ve dört boyutlu hareket özellikleri çıkarmıştır. Bu özellikler, CNN-LSTM hibrit modelinin eğitimi ve testinde kullanılarak hem dinamik hem de statik yangın özelliklerinin birlikte öğrenilmesi sağlanmıştır. Mevcut duman ve yangın tanıma algoritmalarının, özellikle yetersiz özellik temsil kabiliyeti ve dinamik özelliklerin yeterince kullanılmaması gibi sınırlamalarını gidermek amacıyla bu çalışma, YOLOv10m [11] ve BoT-SORT [12] tabanlı bir duman ve yangın tespit ve izleme algoritması önermektedir. Başlıca katkılar şu şekilde özetlenebilir: (1) Tespit Aşaması: YOLOv10m tabanlı geliştirilmiş bir tespit algoritması önerilmektedir. İlk olarak, orijinal backbone’daki CIB modülleri, düzensiz yangın şekillerine geometrik uyum sağlamak amacıyla Deformable Convolutional Networks v3 (DCNv3) ile değiştirilmiştir. İkinci olarak, örtülme etkilerini azaltmak ve çok ölçekli özellik füzyonunu optimize etmek için Head kısmına Separated and Enhancement Attention Module (SEAM) entegre edilmiştir. Bu iyileştirmeler, tespit doğruluğunu artırmaktadır. (2) İzleme Aşaması: Yangının yayılma ve titreşim gibi dinamik özelliklerini kullanarak statik parazitleri filtreleyen geliştirilmiş bir BoT-SORT algoritması sunulmaktadır. Ortalama Kare Hatası (MSE) algoritmaya entegre edilerek, videonun ardışık karelerinde aynı hedefin benzerliği ölçülmektedir. Düşük benzerlik (MSE > eşik) gösteren hedefler dinamik yangın olarak sınıflandırılırken, yüksek benzerlik gösterenler statik parazit (örneğin sabit ışık kaynakları) olarak tanımlanmakta ve bastırılmaktadır. Bu yaklaşım, yanlış alarm problemlerinin büyük çoğunluğunu etkili biçimde çözmektedir. 2. İLGILI ÇALIŞMALAR 2.1. YOLOv10m’e Genel Bakış YOLOv10, maksimum olmayan bastırma (NMS) adımını ortadan kaldıran ve birçok bileşeni optimize ederek yüksek verimlilik ve doğruluk sağlayan, yaygın olarak kullanılan bir nesne tespit algoritmasıdır. Bu özellikleri sayesinde pek çok alanda uygulanmaktadır. Bu çalışmada, gerçek zamanlı performans ile doğruluk arasında denge kuran orta ölçekli bir versiyon olan YOLOv10m kullanılmıştır ve duman ile yangın tespiti senaryolarında güçlü bir uygulanabilirlik göstermektedir. YOLOv10m’in mimarisi Şekil 1’de gösterilmektedir. Şekil 1. YOLOv10m ağı. Omurga Boyun çerçeve dedektör Kafa Şekil 2. BoT-SORT'un akış şeması. kamera hareketini tahmin etme izlekler parçacıklar parçacıklar derin görünüm özelliği çıkarıcı KF'ye dayalı olarak tahmin edilen BB İlk Dernek birleştirilmiş IoU ve ReID'ye dayalı İkinci Dernek temelli IoU işlenmiş parçacıklar düşük puanlı tespitler Parçacık Yönetimi: Kalman filtresini güncelle Görünümü güncelle Yeni tracklet'ler oluştur Aktif olmayan tracklet’leri sonlandır yüksek puan tespitler eşleşmeyen ray parçaları
RkJQdWJsaXNoZXIy MTcyMTY=