Geliştirilmiş YOLOv7 tabanlı nehir kanallarında yüzen nesnelerin küçük hedef tespiti

Nehirlerdeki küçük çöplerin tespitinin önemi

Nehirler ve kanallar sıklıkla şişe parçaları, yapraklar, plastik kırıntıları gibi zor görülen küçük atıkları taşır — bunlar ekosistemler, taşkın güvenliği ve insan altyapısı için büyük sorunlar yaratabilir. İHA’lar ve sabit kameralar sürekli izleme vaat etse de, gelişmiş bilgisayar programları bile bu küçük, hızla hareket eden nesneleri parlak, sürekli değişen su yüzeyinden ayırmakta zorlanır. Bu çalışma, bilgisayarlara nehir sahnelerinde böyle küçük yüzen öğeleri daha doğru ve hızlı bulmayı öğreten yeni bir yaklaşım sunuyor; bu, daha temiz su yolları ve daha güvenli operasyonlar için kapılar açıyor.

Hareketli suyun içinden görmenin zorluğu

Videoda bir nehri izlerken gözünüz, yüzeyden yansıyan güneş ışığı ve öngörülemez dalgalanmalar arasında bile yüzen döküntüleri hızla fark eder. Bir bilgisayar için bu çok daha zordur. Küçük hedeflerin şekilleri su üzerinde sallanırken değişir, yansımalar parlak nesnelere benzer ve gölgeler sönük olanları gizleyebilir. Standart algılama sistemleri her video karesinde bir nesne olabileceği düşünülen her şeyi kutularla çizer; ancak bu kutular kareden kareye kayar ve titrer. Bu kararsızlık hesaplama çabasını boşa harcar ve küçük öğelerin tamamen kaybolmasını kolaylaştırır. Sonuç, gerçek zamanlı olarak binlerce kare analiz edilmesi gerektiğinde kaçırılan tespitler, yanlış alarmlar ve yavaş işlem karışımıdır.

Gerçekte ne olduğunu uzlaşma yoluyla daha akıllıca belirlemek

Yazarlar, Kısım-Çakışma Tespiti (Region-Overlap Detection) ile popüler bir dedektörün sadeleştirilmiş bir versiyonunu birleştiren yeni bir çerçeve öneriyor. Her kareyi ayrı ele almak yerine sistem birkaç ardışık kareye bakıyor ve basit bir soru soruyor: kutular zaman içinde nerede hizalanıyor? Kutuların tutarlı şekilde üst üste geldiği alanlar, yalnızca kısa süre görünen veya sıçrayan alanlardan daha güvenilir kabul ediliyor. Önce bu stabil çakışma bölgesine odaklanarak yöntem, bir nesnenin nerede olabileceğine dair birçok gürültülü ve kararsız tahmini filtreliyor. Sadece en güvenilir kutular daha derin analize gönderiliyor; bu da sistemin ağır hesaplama yapmadan önce sahnenin temiz ve sabit bir görünümünü elde etmesini sağlıyor.

Daha az ağ adımıyla daha fazlasını yapma

Modern görme sistemleri sıklıkla şekilleri, kenarları ve dokuları tanımayı öğrenen derin işlem katmanlarına dayanır. Güçlü olmalarına karşın bu katmanlar çalıştırılması pahalıdır ve küçük nesnelerin hassas sinyallerini bastırabilir. Yeni yöntem genel YOLOv7 fikrini koruyor ancak bu işlem adımlarından daha azını kasıtlı olarak kullanıyor; yalnızca çakışma tabanlı analiz gerçek bir nesnenin varlığını işaret ettiğinde bu adımlar etkinleştiriliyor. Çoğunlukla arka plan suyu veya rastgele gürültü görecek katmanlar atlanıyor. Bu “minimum evrişim” stratejisi, küçük yüzen öğelerin keskin sınırlarını korurken toplam hesaplama miktarını azaltıyor. Fiilen ağ, her pikseli eşit şekilde işlemek yerine çabanın en çok anlamlı olduğu yerlere yoğunlaşıyor.

Yöntemi gerçek nehirlerde test etmek

Bu yaklaşımın pratikte ne kadar iyi çalıştığını görmek için ekip, gerçek nehirlerin drone videoları üzerinde eğitip test etti; farklı boyutlarda yaklaşık kırk bine yakın yüzen nesne içeren binlerce etiketli görüntüden oluşan geniş bir veri seti kullandılar. Ayrıca performansı ek kamu veri setlerinde ve değişen ışık, su akışı ve görüş açılarına sahip uzun nehir video dizilerinde de kontrol ettiler. Orijinal YOLOv7 ve birkaç daha yeni dedektör ile karşılaştırıldığında yeni sistem daha fazla gerçek nesne buldu, daha az kaçırdı ve kareleri daha hızlı analiz etti. Çalışma, küçük yüzen nesneler için ortalama doğruluk (mAP) yüzde 73’ün üzerinde ve geri çağırma (recall) yüzde 70’in üzerinde olduğunu; ayrıca işlem hızında belirgin bir artış ve gereken ağ parametreleri ile işlemlerde azalma rapor ediyor.

Daha temiz ve daha güvenli su yolları için anlamı

Basitçe söylemek gerekirse, makale, bilgisayarın “gördüğünü” kareler arasında stabilize etmenin ve ardından gereksiz işlemeyi budamanın, canlı su yüzeylerinde hareket eden küçük döküntü parçalarını tespit etmeyi önemli ölçüde iyileştirdiğini gösteriyor. Yöntemin daha geniş bir nehir ve koşul yelpazesinde test edilmeye ihtiyacı olsa da, zorlu nehir sahnelerinde birkaç tanınmış modeli şimdiden geride bırakıyor. Bu da onu İHA’lara, köprülere veya nehir kıyısı istasyonlarına monte edilebilecek gerçek zamanlı izleme sistemleri için umut verici bir yapı taşı yapıyor. Böyle sistemler şehirlerin ve çevre ajanslarının çöp takibini yapmasına, taşkın risklerini yönetmesine ve kirlilik olaylarına hızlı yanıt vermesine yardımcı olabilir; ham video akışlarını güvenilir, eyleme dönüştürülebilir bilgilere çevirebilir.

Atıf: Yang, W., Zhang, B., Guo, S. et al. Small target detection of floating objects in river channels based on improved YOLOv7. Sci Rep 16, 11423 (2026). https://doi.org/10.1038/s41598-026-40688-z

Anahtar kelimeler: nehir çöp tespiti, insansız hava aracı nehir izleme, küçük nesne tespiti, su için bilgisayarla görme, YOLOv7 iyileştirmeleri