43 YANGIN VE GÜVENLİK • MAYIS - HAZİRAN / 2026 MAKALE masının, yangına benzer renk ve parlaklığa sahip parazitlerden kaynaklanan yanlış pozitif problemlerini büyük ölçüde çözdüğünü göstermektedir. Bununla birlikte, geliştirilmiş BoT-SORT’un yangın izleme sürecine uygulanması; yangının ölçeğinin belirlenmesine, yayılma eğilimlerinin ve yönünün tahmin edilmesine katkı sağlamakta, böylece algoritmanın gerçek dünya uygulamalarındaki genellenebilirliğini ve dayanıklılığını artırmaktadır. 6. SONUÇ Bu çalışma, YOLOv10m ve BoT-SORT’u birleştiren bir duman ve yangın tespit ve izleme algoritması önermektedir ve çalışma iki temel aşamadan oluşmaktadır: Tespit aşamasında, backbone ağındaki C2f/CIB modülleri DCNv3 ile geliştirilerek algoritmanın duman ve yangının statik şekil özelliklerini çıkarma kabiliyeti güçlendirilmiştir. Ayrıca, orijinal tespit başlığı SEAM ile iyileştirilerek çevresel örtülme problemleri azaltılmış ve özellik füzyonu yeteneği artırılmıştır. Bu sayede, temel modele kıyasla duman ve yangın tespitinde %1,6 oranında doğruluk artışı elde edilmiştir. İzleme aşamasında ise BoT-SORT algoritması MSE ile geliştirilmiş ve bu metrik izleme sürecine entegre edilerek takip edilen hedeflerin değerlendirilmesi sağlanmıştır. Böylece, tespit aşamasında belirlenen şüpheli yangınlar dinamik özelliklerine göre sınıflandırılmış ve yanlış pozitif problemleri önemli ölçüde giderilmiştir. Ayrıca, izlenen yangınların hareket yörüngeleri sayesinde yangının yayılma analizi yapılabilmekte, potansiyel risk bölgelerinde zamanında müdahale imkânı sağlanarak can ve mal kayıplarının önüne geçilmesine katkıda bulunulmaktadır. n Tablo 2. Kapsamlı karşılaştırmalı deneyler Algoritma mAP@0.75/% mAP@0.5- 0.95/% Parametreler/ MB YOLOv10m 71.5 65.4 15.4 YOLOv10m + SEAMFHead 71.9 65.5 15.3 YOLOv10m + C2f/DCB 72.5 66.1 16.5 YOLOv10m + SEAMFHead + C2f/DCB 73.1 66.4 16.4 Tablo 3. Karşılaştırmalı deneylerin izlenmesi Algorithm Detection Rate/% Misreport Rate/% BoT-SORT 100 100 BoT-SORT + MSE 100 12 [1] NASA FIRMS 2025 Nrt viirs 375 m active fire product vnp14imgt near Real-Time (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/ KAYNAKLAR 5. İZLEME SONUÇLARI VE ANALIZI Zaman ve hesaplama kaynaklarındaki kısıtlar nedeniyle bu çalışmada BoT-SORT yeniden eğitilmemiş, bunun yerine MSE doğrudan entegrasyon yoluyla geliştirilmiştir. Önerilen yöntem, bu metriği algoritmanın hedef eşleştirme aşamasına dahil etmekte ve eşik değeri 30 olarak belirlenmektedir. Geliştirilmiş BoT-SORT algoritmasının, yangın tespiti ve izleme performansını düşürmeden parazitleri bastırma yeteneğini değerlendirmek amacıyla; 50 yangın içeren video ve 50 parazit içeren video hazırlanmıştır. Orijinal ve geliştirilmiş algoritmalar bu veri setleri üzerinde test edilmiştir. Değerlendirme için Tespit Oranı (yangın videoları için) ve Yanlış Bildirim Oranı (parazit videoları için) metrikleri kullanılmıştır. Bu metriklerde; NTF toplam yangın videosu sayısını, ND algoritma tarafından başarıyla tespit edilen yangın videoları sayısını, NTI toplam parazit videosu sayısını ve NF ise yanlış şekilde yangın olarak raporlanan parazit video sayısını ifade etmektedir. Deneysel sonuçlar Tablo 3’te sunulmaktadır. İzleme sonuçları Şekil 7’de gösterilmektedir. Sol tarafta BoT-SORT’un izleme sonuçları, sağ tarafta ise geliştirilmiş algoritmanın sonuçları yer almaktadır. Üst ve alt bölümler, aynı video içindeki farklı kareleri temsil etmektedir. Deneysel sonuçlar, MSE ile geliştirilmiş BoT-SORT algoritTespit Oranı Yanlış Bildirim Oranı
RkJQdWJsaXNoZXIy MTcyMTY=