MmodalFire: İç Mekan Yangınlarını Tespit Etmek İçin Video ve Fiziksel Sensör Verilerini İçeren Sürekli Çok Modlu Bir Veri Kümesi

Neden daha iyi yangın alarmları önemlidir

Büyük ofislerde, veri merkezlerinde veya apartman binalarında, birkaç dakika küçük bir olay ile ölümcül bir yangın arasındaki farkı yaratabilir. Geleneksel tavana monte duman veya ısı dedektörleri çoğu zaman duman yükseldikten veya oda ısındıktan sonra tepki verir; bu da değerli zaman alabilir. Bu arada modern güvenlik kameraları aynı alanları sürekli izler, ancak sis, buhar veya parlak yansımalar tarafından yanıltılabilir. Bu makale, her iki kaynağı birleştiren özenle tasarlanmış yeni bir kaynağı tanıtıyor: kamera videoları ile fiziksel sensör okumalarını birlikte içeren bir veri kümesi, böylece yapay zeka sistemleri iç mekan yangınlarını tek bir yöntemden daha hızlı ve güvenilir şekilde öğrenebilir.

İç mekan yangınlarına bakmanın yeni bir yolu

Yazarlar, iç mekan yangın tespiti araştırmaları için özel olarak oluşturulmuş halka açık bir veri kümesi olan MmodalFire’i sunuyor. Yalnızca video veya ayrı sensörlere güvenmek yerine, MmodalFire ikisini aynı anda kaydediyor. Her deney yüksek çözünürlüklü video ile duman yoğunluğu, sıcaklık ve birkaç kızılötesi ve morötesi banttaki radyasyon dahil olmak üzere altı tür sensör çıktısını birlikte yakalıyor. Her kısa dizi basitçe “yangın” veya “yangın değil” olarak etiketleniyor; bu sayede bilgisayar modelleri tehlikeli olayları zararsız benzerlerinden ayırt etmeyi öğrenebiliyor. Bu veri kümesini ücretsiz erişime açarak ekip, araştırmacılara yangın tespit algoritmalarını karşılaştırabilecekleri ortak ve gerçekçi bir test zemini sağlamayı amaçlıyor.

Deneylerin nasıl kurulduğu

MmodalFire’i kurmak için araştırmacılar Çin’deki iki laboratuvarda birbirinin aynı test odaları kurdular. Her oda küçük bir ofis büyüklüğündeydi; sabit duvarlar, tavana monte dedektörler ve tam görüş için bir köşeye yerleştirilmiş bir kamera bulunuyordu. Ahşap, pamuk halat, poliüretan köpük (mobilya dolgusuna benzer) ve n-heptan (bazı yakıtlara benzeyen temiz yanan bir sıvı) olmak üzere dört yaygın iç mekan malzemesinin kontrollü yanmaları gerçekleştirildi. Sistemin neyin yangın olmadığını da öğrenebilmesi için iki girişim koşulu oluşturuldu: kuru buzdan yapılan teatral duman ve ev tipi bir nemlendiriciden çıkan su spreyi. Her denemede kamera ve sensörler sürekli olarak çalıştı; video kareleri ve sayısal okumalar hassas zaman damgalarıyla kaydedildi.

Gerçek dünya çeşitliliğini yakalamak

Gerçek binalar aydınlatma, hava hareketi ve bir yangının her bir dedektöre ne kadar yakın olabileceği açısından farklılık gösterdiğinden ekip bu faktörleri kasıtlı olarak çeşitlendirdi. Rüzgârı hareketsiz havadan hafif esintilere kadar ayarladılar, parlak ve loş aydınlatma arasında geçiş yaptılar, yakıt miktarını değiştirdiler ve yangını sensörlere ve duvarlara daha yakın veya daha uzak konumlandırdılar. Bazı çalışmalarda yangın yoğun siyah duman ve hızlı ısınma üretti; diğerlerinde, n-heptan gibi, alevler belirgin ama duman azdı. Negatif vakalarda su spreyi ve kuru buz buharı kamera görüntüsünde dumanla çok benzer görünüyordu, ancak fiziksel sensörleri neredeyse hiç etkilemiyordu. Toplamda 65 video dizisi—700 dakikadan fazla görüntü—ile senkronize sensör verileri toplandı ve bunlar, her biri tek bir eğitim örneği olarak kullanılabilecek birçok örtüşen beş saniyelik kliplere bölündü.

Makinelere duyuları birleştirmeyi öğretmek

MmodalFire kullanılarak yazarlar birkaç bilgisayar modeli kurup test ettiler. Bazı modeller sadece videoyu, bazıları yalnızca sensör okumalarını kullandı; en gelişmiş olanlar ise ikisini birleştirdi. Video dalı, kısa kliplerde hareket ve görünüme uygun hafif bir derin öğrenme ağına dayanıyordu. Sensör dalı, altı sayısal akışı zaman içinde değişen küçük bir ızgara gibi ele aldı ve kalıplarını anlamak için dönüştürücüler (transformerlar) gibi modern teknikler kullandı. Bir füzyon modülü daha sonra bu iki akışı bir araya getirerek modelin farklı koşullar altında her kaynağa ne kadar ağırlık vereceğine “karar” vermesini sağladı. Ayrı test verileri üzerinde değerlendirildiğinde, birleşik model özellikle tavan sensörlerine henüz ulaşmamış duman veya kamerada dumana benzeyen zararsız buhar gibi zor durumlarda, tek kaynaklı yaklaşımlardan açıkça daha iyi performans gösterdi.

Karmaşık alanlar için sağlam alarmlar

Çalışma, dikkatle senkronize edilmiş video ve fiziksel sensör verilerinin iç mekan yangın alarmlarını hem daha hızlı hem de daha güvenilir hale getirebileceği sonucuna varıyor. Birleşik bir modelin kamera engellendiğinde veya sensörler yavaş tepki verdiğinde bile çalışmaya devam edebileceğini göstererek, çalışma elektrik santralleri, sunucu odaları ve yüksek doluluklu binalar gibi kritik tesisler için daha akıllı sistemlere işaret ediyor. MmodalFire, araştırmacılara bu tür sistemleri tasarlamak ve karşılaştırmak için paylaşılan, gerçekçi bir veri kümesi sunuyor; böylece birden çok “duyu”yu kullanarak gerçek tehlikeyi tanıyan, gündelik buhar ve sahne dumanı karşısında sessiz kalan yeni nesil alarmların yolunu açıyor.

Atıf: Jia, Y., Guo, Y., Chen, Y. et al. MmodalFire: A Continuous Multimodal Dataset Comprising Video and Physical Sensing Data for Detecting Indoor Fires. Sci Data 13, 489 (2026). https://doi.org/10.1038/s41597-026-06810-6

Anahtar kelimeler: iç mekan yangın tespiti, çok modlu sensörler, video gözetimi, yangın güvenliği veri kümesi, derin öğrenme alarmları