YOLOv11-SRA modeline dayanan yeraltında baret tespiti yöntemi

Neden yeraltında daha akıllı baret kontrolleri önemli

Madenlerin ve tünellerin derinliklerinde çalışanlar, kaya düşmesi, makineler ve alçak tavanlara karşı son savunma hattı olarak güvenlik baretlerine güvenirler. Ancak karanlık, tozlu ve sıkışık geçitlerde denetleyiciler —hatta geleneksel kameralar— kimin uygun şekilde korunup korunmadığını anlamakta zorlanır. Bu makale, ışığın zayıf olduğu, görüşün engellendiği ve insanların kameradan uzakta olduğu durumlarda bile baretleri ve açıkta kalan başları gerçek zamanlı olarak otomatik tespit edebilen, geliştirilmiş YOLOv11-SRA modeline dayalı yeni bir bilgisayarlı görü sistemini tanıtıyor.

İnsan kontrollerine dayanmaktaki tehlikeler

Madenlerdeki geleneksel baret denetimleri hâlâ tünellerde yürüyen kişilerin ihlalleri aramasına ya da işçilerin geçmek zorunda olduğu turnikeler ve kontrol noktalarına yaslanıyor. Bu yöntemler yavaştır, sadece birkaç konumu kapsar ve insanlar daha derinlere gittikçe riskli davranışları kaçırabilir. Etiketli veya yerleşik elektroniğe sahip sensörlü baretler bir miktar otomasyon sağlasa da maliyetlidir, zorlu koşullarda bakım gerektirir ve her bareti değiştirmeyi zorunlu kılar. Madencilik genişledikçe ve vardiyalar uzadıkça bu eski yaklaşımlar kazaları önlemek için gerekli olan 7/24, maden çapında gözetimi sağlamada yetersiz kalır.

Kameralara zorlu koşullarda baretleri görmeyi öğretmek

Derin öğrenmedeki son ilerlemeler, bilgisayarların görüntüleri yorumlama biçimini özellikle otomobil ya da yayalar gibi nesneleri tespit etmede dönüştürdü. YOLO algoritma ailesi, tek hızlı geçişte bir görüntüyü tarayıp nesnelerin yerini belirleyebilmesi nedeniyle canlı video için idealdir ve yaygın olarak kullanılır. Ancak yeraltı sahneleri bu sistemleri sınırlarına kadar zorlar. Baretler uzaktaki baş üzerinde küçük renkli lekeler olarak görünebilir, borular veya makinelerin arkasına kısmen gizlenebilir veya loş, düzensiz aydınlatmada arka plana karışabilir. Yazarlar, maden kameralarının korunmuş ve korumasız işçileri güvenilir şekilde ayırt edebilmesi için YOLOv11-SRA'yı özellikle bu problemlere dayanacak şekilde tasarladı.

Popüler bir görsel motor için üç parçalı yükseltme

Yeni model, giriş, omurga (backbone), boyun (neck) ve tespit başlığı yapısını koruyor ancak üç uzmanlaşmış modül ekliyor. Birincisi, SAConv bloğu ağın her görüntüyü aynı anda birkaç "yakınlaştırma seviyesi" ile incelemesine olanak tanır; böylece hem uzak, küçük baretleri hem de yakın, büyük baretleri ekstra maliyet olmadan yakalayabilir. İkincisi, RCM bloğu modeli tünelde tipik olarak görülen kişinin baş ve omuzlarının uzun dikdörtgen bölgelerine odaklanmaya yönlendirir; bu, ekipman veya diğer işçiler görüşü kısıtladığında bile baret kenarlarını takip etmeye yardımcı olur. Üçüncüsü, ASFF bloğu birden çok görüntü ölçeğinden gelen bilgileri harmanlar ve sistemin sahnenin her bir parçası için piksel piksel hangi ölçeğin en iyi tanımlama yaptığını seçmesine izin verir. Bu yükseltmeler bir araya geldiğinde, baretlerle arka plan karmaşası arasındaki karışıklığı azaltır ve küçük ya da kısmen görünür baretlerin sınırlarını netleştirir.

Sistemi teste koymak

Bu fikirlerin pratikte işe yarayıp yaramadığını görmek için araştırmacılar modeli CUMT-HelmeT üzerinde eğitti ve test etti; bu veri seti yeraltı gözetim görüntülerinden oluşan, "baret" ve "baret yok" vakaları ile diğer yaygın nesnelerin etiketlendiği halka açık bir koleksiyondur. Ham veri seti nispeten küçük olduğundan, farklı kamera açılarını ve aydınlatmaları taklit etmek için görüntüleri kırparak, döndürerek ve parlaklığını artırarak veri beş katına çıkartıldı. Bu zorlu ölçüt üzerinde YOLOv11-SRA yaklaşık %84 ortalama hassasiyet (mAP) ve %80 civarında bir geri çağırma (recall) elde ederek daha yeni YOLO sürümleri, RetinaNet, SSD ve Faster R-CNN dahil olmak üzere birkaç tanınmış dedektörü açıkça geride bıraktı. İyileştirilmiş doğruluğuna rağmen model kompakt ve verimli kalıyor: çoğu rakibe göre daha az parametre ve hesaplama kullanıyor ve modern bir grafik kartında neredeyse saniyede 100 görüntü analiz edebiliyor; gerçek zamanlı uyarılar için yeterince hızlı.

Karanlığı, tozu ve parlamayı görmek

Görsel örnekler sistemin eski yöntemleri sıkça yanıltan durumlarda nasıl davrandığını vurguluyor: yarı örtülü baretler, sadece zayıf lambalarla aydınlatılmış sahneler, kameradan uzakta çalışanlar ve parlak yüzeylerden gelen sert yansımalar. Her durumda YOLOv11-SRA rakip modellere göre daha güvenli ve tutarlı tespitler üretiyor. Küçük veya sönük baretleri kaçırma olasılığı daha düşük ve parlak lekeler veya borular baret renklerini taklit ettiğinde yanlış alarmlardan kaçınmada daha başarılı. Yazarların bireysel modülleri açıp kapattığı yoklama (ablation) çalışmaları her parçanın yardımcı olduğunu, ancak en büyük kazançların üçü bir arada çalıştığında elde edildiğini gösteriyor; bu da tasarımın izole numaraların koleksiyonu değil, entegre bir bütün olarak işlediğini doğruluyor.

Araştırma prototipinden daha güvenli vardiyalara

Ulaşılabilir bir dille, bu çalışma maden kameralarına temel koruyucu ekipman için daha keskin, daha uyumlu bir "göz" kazandırmak anlamına geliyor. Gürültülü, az ışıklı video akışlarında bile bareti olmayan işçileri daha güvenilir biçimde işaretleyerek YOLOv11-SRA sistemi denetleyicilerin daha erken müdahale etmesine ve kafa yaralanması riskini azaltmasına yardımcı olabilir. Model nispeten hafif olduğundan yalnızca uzak veri merkezlerinde değil, kameraların yakınındaki gömülü cihazlara da dağıtılabilir. Yazarlar daha geniş eğitim verilerinin ve ek sadeleştirmenin yaklaşımı daha da sağlam hale getirebileceğine dikkat çekiyor, fakat elde ettikleri sonuçlar zaten modern yeraltı madenciliğinin zorlu koşullarında daha akıllı ve ölçeklenebilir güvenlik izlemesine işaret ediyor.

Atıf: Wang, L., Wan, X., Shi, X. et al. A method for detecting safety helmets underground based on the YOLOv11-SRA model. Sci Rep 16, 6194 (2026). https://doi.org/10.1038/s41598-026-37148-z

Anahtar kelimeler: yeraltı madenciliği güvenliği, baret tespiti, bilgisayarlı görü, gerçek zamanlı izleme, derin öğrenme