Çok Ölçekli Öznitelik Çıkarımına Dayalı Orman Yangını Görüntüleri İçin Hedef Algılama Algoritması Araştırması

Erken Yangın Tespitinin Önemi

Orman yangınları genellikle ağaçların, bulutların veya gece göğünün içinde zar zor fark edilen küçük alevler veya ince duman kümeleri olarak başlar. Yine de bu küçük işaretleri erken yakalamak, hızla kontrol altına alınan bir alevle ekosistemleri yok eden ve yerleşimleri tehdit eden bir felaket arasındaki farkı yaratabilir. Bu çalışma, karmaşık ve değişken orman ortamlarında bile dronlar ve diğer cihazlardaki kameralara gerçek zamanlı olarak küçük, zor görülen yangın belirtilerini tespit etmede yardımcı olan yeni bir bilgisayarla görme yöntemi sunuyor.

Devriyeden Akıllı Gözetime

Geleneksel orman yangını izleme, gözetleme kuleleri, devriyeler veya yavaş tepki veren basit sensörlere dayanmaktaydı ve uzak yangınları kolayca kaçırabiliyordu. Son yıllarda, çok büyük veri kümelerinden desenler öğrenen bir yapay zeka türü olan derin öğrenme, görüntü analizini dönüştürdü. Ormanlar için bu, algoritmaları alevlerin ve dumanın ayırt edici şekillerini ve renklerini tanıyacak şekilde eğitmek anlamına geliyor. Ancak gerçek ormanlar düzensizdir: duman bulutlar veya sis ile karışabilir, alevler geniş bir manzarada çok küçük lekeler halinde olabilir ve sahnedeki nesneler boyut olarak büyük ölçüde değişir. Mevcut sistemler genellikle yakalanması en önemli olan bu erken, küçük yangınlarla en çok zorlanır.

Aynı Anda Büyük ve Küçüğü Görmek

Araştırmacılar, görüntüleri tarayıp ilgi alanındaki nesnelerin etrafına kutular çizen popüler gerçek zamanlı bir algılama çerçevesi olan YOLO üzerine inşa ediyor. YOLOv9c tabanlı geliştirilmiş sürümleri özellikle hava ve yer tabanlı orman görüntülerinde bulunan geniş yangın boyutu çeşitliliğini ele almak üzere tasarlandı. Öncelikle modelin görsel öznitelikleri çıkaran “omurga” kısmını, EGI adlı yeni bir modül kullanarak yeniden tasarladılar. Bu modül gelen görüntüyü ince ayrıntılara ve daha geniş şekillere paralel olarak bakan birkaç işleme akışına böler, ardından en bilgilendirici desenleri otomatik olarak vurgularken ağaçlar veya bulutlar gibi kafa karıştırıcı arka plan öğelerini bastırarak bunları yeniden birleştirir. Amaç, dronlardaki veya uzak istasyonlardaki cihazlar için modeli hafif tutarken yangının ince belirtilerini fark etme yeteneğini keskinleştirmektir.

Minik Alevlere ve İnce Dumana Yakınlaşma

Erken tespiti daha da iyileştirmek için ekip, çok küçük hedeflere odaklanan P2 başı olarak bilinen özel bir ek çıktı katmanı ekliyor. Bu katman, modelin aksi halde düzleşecek olan ince kenarları ve dokuları korumasını sağlayan CARAFE adlı akıllı bir “yukarı örnekleme” bileşeniyle birlikte çalışıyor. Bu eklemeler bir araya geldiğinde sistem, bir kameranın görüş alanında uzakta görünen minik alevleri ve ince duman çizgilerini vurgulamaya yardımcı oluyor. Ayrıca araştırmacılar, modelin yangınların etrafına kutu çizmesini öğrenme biçimini daha hassas hale getiriyor; tahmini kutuları gerçek olanlarla karşılaştırmanın daha nüanslı bir yolunu benimseyerek eğitim sürecini daha kesin sınırlar ve daha az konum hatası yönünde yönlendiriyorlar.

Sistemi Sahada Test Etmek

Yeni yaklaşım, farklı hava koşulları, günün saatleri, orman türleri, arazi ve kamera görüş açılarını (dahil olmak üzere drone çekimleri de içeren) kapsayan büyük bir kamu orman yangını görüntü veri kümesi üzerinde değerlendirildi. Geliştirilmiş model, yalnızca temel YOLOv9c sisteminden daha doğru yangın ve duman tespiti yapmakla kalmıyor, aynı zamanda birkaç diğer bilinen nesne algılama modelini de geride bırakıyor. İç parametre sayısını neredeyse üçte bir oranında azaltırken tespit doğruluğunu birkaç yüzde puan artırıyor ve tüm bunları kenar seviyesi grafik donanımında saniyede 25 karenin üzerinde gerçek zamanlı işlem hızlarını koruyarak başarıyor. Önemli olarak, gece sahneleri, yoğun bitki örtüsü ve dumanın bulutlara benzediği arka planlar gibi zor durumlarda da güçlü performans gösteriyor.

Daha Güvenli Ormanlar İçin Anlamı

Uzman olmayanlar için çıkarım açık: bu çalışma orman koruması için daha akıllı bir “göz” sunuyor. Çok ölçekli görme, önemli ayrıntılara dikkat ve modelin örneklerden öğrenme biçiminin dikkatli ince ayarı bir araya gelerek sistemi küçük yangınları ve ince dumanı daha erken ve daha güvenilir şekilde, daha az yanlış alarmla tespit edebilir hale getiriyor. Verimli çalıştığı için hafif donanıma entegre edilebilir; böylece geniş orman alanlarını sürekli izleyen dronlar ve uzak istasyonlara kurulabilir. Pratik anlamda bu, daha hızlı uyarılar, itfaiyecilerin müdahale etmesi için daha fazla zaman ve küçük kıvılcımların yıkıcı orman yangınlarına dönüşmesini önleme şansının artması demektir.

Atıf: Wu, W., Zhou, X., Qin, J. et al. Research on target detection algorithm for forest fire images based on multi-scale feature extraction. Sci Rep 16, 12759 (2026). https://doi.org/10.1038/s41598-026-41994-2

Anahtar kelimeler: orman yangını tespiti, derin öğrenme, nesne algılama, insansız hava aracı izleme, erken uyarı