Orman yangını tespiti ve sınıflandırmasında güvenilirlik için dikkat mekanizmalı MobileNetV2 modelleri

Daha Hızlı Yangın Uyarılarının Neden Önemi Var

Dünya genelinde orman yangınları daha sıcak, daha geniş ve söndürülmesi daha maliyetli hale geliyor. Dakikalar, küçük, kontrol edilebilir bir alev ile ekosistemlere zarar veren, şehirleri dumanla dolduran ve milyarlarca dolara mal olabilecek bölgesel bir felaket arasındaki farkı yaratabilir. Bu çalışma, drone’lar, güvenlik kameraları ve savunmasız bölgelerdeki düşük güçlü sensörler üzerinde çalışabilecek kadar hızlı olan, sıradan görüntü ve videolarda orman yangınlarının ilk belirtilerini tespit edebilen kompakt yapay zeka (YZ) modellerinin nasıl kullanılabileceğini inceliyor.

Akıllı Kameralarla Ormanları İzlemek

Geleneksel yangın gözetleme kuleleri ve canlı video akışlarını izleyen insan operatörler, özellikle gece veya dumanlı, puslu koşullarda geniş ormanlık alanlarla başa çıkmakta zorlanıyor. Yazarlar bu sorunu orman yangını tespitini basit bir evet-hayır sorusuna indirgeyerek ele alıyor: bu görüntüde yangın var mı yok mu? Ormanlardan, şehirlerden ve endüstriyel alanlardan alınmış; gündüz, gece ve duman veya sis içindeki çekimleri kapsayan, yangın ve yangın olmayan sahneleri dengeli şekilde içeren 5.121 fotoğraftan oluşan bir koleksiyon derliyorlar. Veri setini dikkatle dengeleyip etiketleri elle kontrol ederek YZ sistemlerine gerçek dünyadaki alevlerin nasıl göründüğünü—sadece ideal laboratuvar örneklerini değil—öğretmeyi hedefliyorlar.

Saha İçin İnce ve Verimli YZ

Birçok güçlü görüntü tanıma sistemi, drone’ların veya düşük maliyetli gözetim kameralarının içindeki küçük bilgisayarlarda çalışmayacak kadar ağırdır. Bu sorunu önlemek için çalışma, bellek ve hız açısından ekonomik olacak şekilde tasarlanmış bir sinir ağı ailesi olan MobileNetV2 üzerine inşa ediliyor. İlk model olan Att-MobileNetV2, ağın belirleyici alev renklerine, dokularına ve kenarlara odaklanmasına yardımcı olan bir "dikkat" mekanizması ekliyor; böylece güneş ışığına tutulmuş bulutlar veya parlak bina ışıkları gibi karmaşa görmezden geliniyor. İkinci model MobileNetV2-TL ise transfer öğrenmeye dayanıyor: milyonlarca genel fotoğraftan öğrenilmiş görsel becerileri yeniden kullanıyor ve yangın/yangın değil ayrımı için yalnızca küçük, göreve özgü bir başlık eğiterek işlem süresi ve enerji tüketimini düşük tutuyor.

Zorlu Gerçek Dünya Koşulları İçin Eğitim

Araştırmacılar gerçek yangın izleme koşullarındaki karışıklığı taklit etmek için sadece çeşitli görüntüler toplamakla kalmıyor; her eğitim görseline kontrollü değişiklikler de uyguluyorlar—küçük döndürmeler, yatay/ dikey çevirmeler ve parlaklık ya da kontrast değişiklikleri gibi—farklı kamera açılarını ve aydınlatma koşullarını simüle etmek için. Her iki model de aynı kurallar altında eğitilip değerlendiriliyor; doğruluk, hassaslık ve çağrı oranı gibi standart ölçütler kullanılıyor ve yangınların ne sıklıkla kaçırıldığı veya yanlış alarm verildiği kontrol ediliyor. Att-MobileNetV2 yaklaşık %99,6 doğruluğa ulaşırken MobileNetV2-TL yaklaşık %98,4’e ulaşıyor. Kritik olarak, bu sonuçlar yalnızca birkaç milyon parametre ve görüntü başına birkaç yüz milyon işlemin bir kesriyle elde ediliyor; tek bir grafik işlemcide kararlar yalnızca 10–12 milisaniyede verilebiliyor.

Daha Azla Daha İyisini Başarmak

Bu iki kompakt model, klasik makine öğrenmesi yöntemleri ve daha karmaşık derin ağlarla karşılaştırılıyor. Aynı eğitim ve test koşulları altında Att-MobileNetV2 doğru yangın tespitleri ile doğru "sorun yok" kararları arasında en iyi genel dengeyi sunuyor; MobileNetV2-TL ise özellikle yüksek çağrı oranı (recall) elde ederek gerçek yangınları nadiren gözardı ediyor—erken uyarı sistemleri için önemli bir özellik. Her iki modeli birleştiren bir topluluk (ensemble) biraz daha iyi performans gösteriyor; bu da onların sahneyi "görme" biçimlerinin tamamlayıcı olduğunu düşündürüyor. Bağımsız bir açık veri seti üzerindeki testler, modellerin yeni görüntüler üzerinde de güçlü performanslarını koruduğunu gösteriyor; bu, modellerin yalnızca eğitildikleri özel resimlere aşırı uyum sağlamadığını işaret ediyor.

Geleceğin Yangın Güvenliği İçin Anlamı

Basitçe söylemek gerekirse, bu çalışma küçük ve verimli YZ modellerinin, drone’lara, kulelere veya yol kenarı kameralara monte edilmiş mütevazı donanım üzerinde çalışırken bile orman yangınlarını erken ve güvenilir şekilde tespit edebileceğini gösteriyor. Görüntünün doğru bölümlerine odaklanmak için dikkat mekanizması kullanmak ve önceki görsel bilgiyi yeniden kullanmak için transfer öğrenme uygulamak, önerilen sistemlerin daha ağır modellerle rekabet eden veya onları geçen doğruluklar elde etmesini sağlıyor. En yoğun duman içindeki zorluklar sürse de bu yaklaşım, daha erken uyarı verebilecek, akıllı ve uygun maliyetli sensör ağlarına doğru bir yol gösteriyor; böylece itfaiyecilerin daha hızlı müdahale etmesine ve küçük kıvılcımların yıkıcı orman yangınlarına dönüşmesini önlemeye yardımcı olabilir.

Atıf: Ul Haq, I., Husnain, G., Iqbal, A. et al. Attention-enhanced MobileNetV2 models for robust forest fire detection and classification. Sci Rep 16, 4805 (2026). https://doi.org/10.1038/s41598-026-35207-z

Anahtar kelimeler: orman yangını tespiti, orman yangını izleme, derin öğrenme, uç AI, bilgisayarla görme