41 YANGIN VE GÜVENLİK • MAYIS - HAZİRAN / 2026 MAKALE DCB) modülü oluşturulmuştur (Şekil 3). Bu şekilde güncellenen backbone ağı, klasik evrişimin algı alanı sınırlamalarını aşarak duman ve yangının statik morfolojik özelliklerini daha etkin şekilde yakalar ve tespit doğruluğunu artırır. 3.2. YOLOv10m Head’in SEAM ile Geliştirilmesi Gerçek dünya tespit senaryolarında, özellikle orman yangınları veya kentsel yangınlar gibi karmaşık ortamlarda; ağaçlar, binalar ve diğer nesneler duman ve yangını kısmen örtebilir. Bu durum tespit performansını olumsuz etkileyerek müdahalenin gecikmesine neden olabilir. Bu sorunu çözmek amacıyla bu çalışmada, orijinal algoritmanın tespit başlığını geliştirmek için SEAM kullanılmıştır. SEAM, Yu ve ark. [15] tarafından YOLO-FaceV2’de çok ölçekli yüz tespiti ve arka plan kaynaklı örtülme problemlerini çözmek amacıyla önerilmiştir. Temelde bir kanal dikkat (attention) mekanizması olan SEAM; evrişim, artık (residual) ve doğrusal katmanlardan oluşan bir dizi işlemle ağırlıklar üretir ve bu sayede uzamsal bilgiyi ağırlıklandırarak algoritmanın örtülme durumlarını daha etkili şekilde ele almasını sağlar. Geliştirilen tespit başlığı, Separated and Enhancement Attention Module Fused Head (SEAMFHead) olarak adlandırılmıştır ve yapısı Şekil 4’te gösterilmektedir. Bu yaklaşımda, orijinal sınıflandırma başlığındaki ayrılabilir evrişim ve regresyon başlığındaki 3×3 evrişim, SEAM ile değiştirilmiştir. Uzamsal bilginin ağırlıklarının dinamik olarak ayarlanması sayesinde, geliştirilmiş tespit başlığı karmaşık sahnelerde duman ve yangın tespitini daha hassas hâle getirir, örtülme ve arka plan gürültüsünü azaltır ve doğruluk ile dayanıklılığı önemli ölçüde artırır. 3.3. BoT-SORT’un MSE ile Geliştirilmesi Nesne tespit algoritmaları kullanılarak yangın tespiti yapılırken doğruluk yüksek olsa da hâlâ yanlış pozitifler oluşabilmektedir. Bunun nedeni, özellikle kentsel alanlarda sokak lambaları ve araç farları gibi yangına benzer renk ve parlaklığa sahip arka plan unsurlarının algoritma tarafından yangın olarak algılanabilmesidir. Yangın; titreşim (flicker) ve yayılma gibi dinamik özelliklere sahipken, parazit unsurlar genellikle sabit şekil ve sabit renk özellikleri gösterir. Bu nedenle, ardışık video kareleri arasındaki hareket farkları kullanılarak yangın ile parazitler ayırt edilebilir. Bu çalışmada, bu problemi çözmek için geliştirilmiş bir BoT-SORT algoritması kullanılarak video içerisindeki tespit sonuçları izlenmiş ve parazitler filtrelenmiştir. Ortalama Kare Hatası (MSE), matematiksel istatistikte yaygın olarak kullanılan bir hata ölçütüdür ve genellikle yeniden oluşturulan görüntü ile orijinal görüntü arasındaki piksel düzeyindeki farkı değerlendirmek için kullanılır. MSE değerinin küçük olması, iki görüntü arasındaki benzerliğin yüksek olduğunu gösterir. Hesaplama açısından hızlı ve piksel düzeyinde hatalara duyarlı olması nedeniyle, titreşimli veya hareketli hedeflerin bulunduğu ve gerçek zamanlı performansın kritik olduğu duman ve yangın tespiti gibi uygulamalar için oldukça uygundur. Bu çalışmada MSE, BoT-SORT’un hedef eşleştirme aşamasına entegre edilmiştir. Algoritma, ardışık karelerde şüpheli yangın hedeflerini izlerken, aynı kimliğe (ID) sahip sınırlayıcı kutular içindeki görüntüler arasındaki farkı MSE ile ölçer. Kutuların boyutları farklı olabileceğinden, ölçüm öncesinde gri tonlama dolgu (padding) uygulanarak görüntüler aynı boyuta getirilir. Yapılan deneyler sonucunda MSE eşik değeri 35 olarak belirlenmiştir. MSE değeri 35’ten küçükse hedefler aşırı benzer kabul edilerek parazit olarak sınıflandırılır; aksi durumda yangın olarak doğrulanır. Bu yöntem, tespit aşamasında oluşan yanlış yangın alarmlarını etkili biçimde azaltarak algoritmanın dayanıklılığını artırır. Ayrıca, algoritma yangının hareket yörüngesine bakarak potansiyel yayılma yönlerini tahmin edebilir ve riskli bölgelerde önleyici tedbirlerin alınmasına katkı sağlar. 4. DENEYSEL SONUÇLAR VE TESPIT ANALIZI Deneysel donanım ortamı şu şekildedir: GPU olarak NVIDIA GeForce RTX3060, CPU olarak i5-13400F kullanılmıştır. İşletim sistemi Windows 10, geliştirme ortamı PyCharm’dır. Yazılım ortamında Python 3.8, PyTorch 2.2.2 ve CUDA 12.1 kullanılmıştır. Eğitim aşamasında batch size 8, başlangıç öğrenme oranı 0.01, IoU eşik değeri 0.5 ve epoch sayısı 150 olarak belirlenmiştir. 4.1. Veri Seti Bu çalışmada kullanılan veri seti şu şekilde oluşturulmuştur: Toplam 9.041 görüntü içermekte olup, 9.477 duman ve 8.614 yangın örneği bulunmaktadır. Veri seti; eğitim, doğrulama ve test olarak 8:1:1 oranında ayrılmıştır. Görüntülerin bir kısmı internet üzerinden farklı senaryolarda elde edilen açık kaynak yangın görüntülerinden, geri kalanı ise laboratuvar ortamında yapılan deneylerden sağlanmıştır. Bu çeşitlilik, algoritmanın genelleme yeteneğini artırarak dinamik ve karmaşık gerçek dünya koşullarına uyum sağlamasını mümkün kılar. Farklı örnekler sayesinde
RkJQdWJsaXNoZXIy MTcyMTY=