Miras galeride uç noktaya konuşlandırma için YOLOv11-SEFA kullanan yorumlanabilir ve hafif düşme algılama

Galerİ güvenliğinin önemi

Toplumlar yaşlandıkça, daha çok yaşlı yetişkin müzeleri ve miras galerilerini ziyaret ediyor—modern güvenlik izleme gözetimi düşünülerek tasarlanmamış, estetik açıdan özenli mekânlar. Bu tür ortamlarda basit bir düşme ciddi yaralanmalara yol açabilir; ancak binalara yeni sensörler döşemek veya sürekli kamera görüntülerini izlemek hem maliyetli hem müdahaleci hem de çoğu zaman pratik değildir. Bu makale, ziyaretçilerin mahremiyetini ihlal etmeden veya ağı internetle doldurmadan kameraların yakınında çalışabilecek, kompakt yapay zekâ kullanarak bu tür alanlarda düşmeleri otomatik ve hızlı biçimde tespit etmenin yeni bir yolunu araştırıyor.

Gözetlemesi zor bir mekân

Bu çalışmanın deneme alanı olarak Kuzey Sydney’deki Rochfort Gallery seçildi; 1920’lerden restore edilmiş yüksek tavanlı, süslü detaylı, parlak zeminli ve cam vitrini olan bir bina. Bu özellikler ziyaretçiler için görsel açıdan zengin olsa da makineler için zorluk yaratıyor: ışık camlardan yansıyor, gölgeler gün içinde değişiyor ve kalabalıklar akıp gidiyor. Koruma kuralları ayrıca delme, kablolama ve büyük ekipman kullanımını sınırlıyor. Yazarlar, burada kurulacak herhangi bir düşme algılama sisteminin kompakt, enerji verimli ve mahremiyete saygılı olurken yine de hassas ziyaretçilere yardımcı olacak kadar güvenilir olması gerektiğini savunuyor.

Bilgisayarlara düşmeyi öğretmek

Sistemi eğitmek için ekip küçük, sahnelenmiş bir veri kümesine güvenmedi. Bunun yerine mevcut bir görüntü koleksiyonunu müzeler, galeriler ve toplum merkezlerinde çekilmiş binlerce ek fotoğrafla genişlettiler. Her görüntü ya normal bir duruş (ayakta durma veya yürüme gibi) ya da düşme duruşu (farklı yönlerde zeminde yatma) olarak etiketlendi ve tavan monteli, yan ve göz hizası görünümleri gibi çeşitli açılardan; gün ışığından loş, spot aydınlatmalı odalara kadar değişen koşullarda kaydedildi. Ayrıca sahteleme amacıyla mobilya veya başka ziyaretçiler tarafından kısmen örtülen sahneler ve kalabalık odalar bilinçli olarak dahil edildi; böylece gerçek kamusal alanlardaki karmaşa ve karışıklık yansıtılmış oldu.

Kent uç noktasında hafif bir akıllı gözlemci

Sistemin çekirdeği, her kamera karesini analiz ederek birinin düşüp düşmediğine karar veren YOLOv11‑SEFA adlı sadeleştirilmiş bir nesne algılama ağıdır. Daha ağır ve daha karmaşık bir model inşa etmek yerine, yazarlar hızlı bir dedektöre iki odaklı iyileştirme ekleyerek küçüğün veya kısmen gizlenmiş bedenlerin ve bir kişinin yere temas ettiği bölgelerin özel olarak daha fazla dikkat çekmesini sağlıyor. Bu hem gerçek düşmelerin yakalanma payını hem de sınırlayıcı kutuların doğruluğunu artırırken, hesaplamayı binada kurulan mütevazı "edge" bilgisayarlarda çalışabilecek kadar düşük tutuyor. Birkaç popüler alternatife karşı yapılan testler, bu ayarlı modelin doğruluk ile hız arasında en iyi ödünleşmelerden birini sunduğunu; başlangıç noktasına kıyasla yalnızca küçük bir işlem gücü artışıyla çalıştığını gösteriyor.

Basit alarmlardan dereceli riske

Sistem yalnızca "düşme" veya "düşme yok" diye bağırmakla kalmıyor; tespit edilen her olaya 0 ile 3 arasında bir risk düzeyi atıyor. Bunu yapmak için görsel tespiti altı basit sayıya dönüştürüyor: kişinin görüntüde ne kadar yer kapladığı, ne kadar eğik olduğu, kameradan ne kadar uzakta göründüğü, dış hatının ne kadar uzamış veya yassılaştığı, çevrenin görsel olarak ne kadar kalabalık olduğu ve kaç kişinin mevcut olduğu. Uzman güvenlik görüşlerinden esinlenen ayrı bir karar modeli bu değerleri dört banda —normal aktivite, düşük riskli sıra dışı duruş, orta‑yüksek risk ve açık, yüksek riskli düşmeler— birleştiriyor. Önemli olarak, yazarlar açıklama aracını kullanarak modelin gerçekten de arka planın ilgisiz ayrıntıları yerine beden eğimi ve şekli gibi duruşla ilgili ipuçlarına en çok dayandığını doğruluyor.

Gerçek galeride test

Tam sistem kameraları, yerel edge bilgisayarları ve bir bulut hizmetini dört katmanlı bir boru hattında bağlıyor. Kameralar azaltılmış oranlı videoyu aynı katta bulunan kompakt makinelere aktarıyor; bu makineler düşme algılayıcısını çalıştırıp uyarılar üretiyor; gerektiğinde yalnızca kısa kesitler veya ısı‑haritası bindirmeleri buluta gönderiliyor, böylece hem bant genişliği hem de gizlilik maruziyeti sınırlanıyor. Rochfort Gallery’de gerçekleştirilen 72 saatlik pilot uygulamada sistem, kalabalık sahnelerde bile yaklaşık çeyrek saniyelik tepki sürelerini korudu ve yoğun zamanlarda saatte yarımın altında yanlış alarm üretti—çoğunlukla fotoğraf çekmek için çöken ziyaretçilerden kaynaklanan—aynı zamanda sahnelenmiş deneme düşmeleri tümüyle tespit edildi. Yazarlar bu sayıların nispeten kısa, kontrollü bir denemeden geldiğini vurgularken, yaklaşımın zorlu gerçek dünya koşullarında teknik olarak uygulanabilir olduğunu gösteriyorlar.

Gelecekteki kamusal alanlar için anlamı

Uzman olmayanlar için kilit sonuç, tarihî galeriler ve benzeri kamu binalarındaki mevcut kamera sistemlerine büyük yeniden yapılandırmalar veya sürekli insan gözetimi olmadan otomatik, dereceli bir düşme‑uyarı katmanı eklemenin artık mümkün olmasıdır. Verimli bir dedektörü küçük yerinde bilgisayarlarda çalıştırarak ve sonuçların nasıl yorumlanıp paylaşıldığını dikkatle yapılandırarak sistem, teknolojinin sakin bir şekilde arka planda nöbet tutabileceğine—muhtemel düşmeleri tespit edip bunların ciddiyeti hakkında ipucu vererek, mütevazı donanımla ve mahremiyete dikkat ederek—erken kanıt sunuyor. Şehir ölçeğinde bir güvenlik standardı olarak kabul edilmeden önce daha geniş ve uzun süreli denemeler ile diğer bina türlerine genişletmeler gerekecek, ancak bu çalışma bu yönde açık ve pratik bir yol çiziyor.

Atıf: Wu, S., Yang, H., Hu, Y. et al. Interpretable and lightweight fall detection in a heritage gallery using YOLOv11-SEFA for edge deployment. Sci Rep 16, 7795 (2026). https://doi.org/10.1038/s41598-026-39527-y

Anahtar kelimeler: düşme algılama, akıllı galeriler, edge AI, yaşlı güvenliği, bilgisayarla görme