BGC-LiteNet: Gerçek zamanlı İHA yangın tespiti ve konumlandırma için BeiDou ızgara kodu gömülü hafif sinir mimarisi

Ormanı Yukarıdan İzlemek

Orman yangınları küçük bir kıvılcımdan dakikalar içinde bir felakete dönüşebilir. Isı algılayan kameralarla donatılmış insansız hava araçları (İHA) bu yangınları erken aşamada tespit etme sözü verir, ancak bugünün sistemleri zorlu bir ödünleşme ile karşılaşıyor: hızlı ve hafif yazılımlar genellikle küçük, başlangıç alevlerini kaçırırken; daha ağır, daha doğru programlar ise acil bir durumda kullanışlı olamayacak kadar yavaş yanıt veriyor. Bu makale, hem küçük yangınları hızla tespit etmeyi hem de bunların yerlerini neredeyse gerçek zamanlı olarak haritada belirlemeyi hedefleyen BGC‑LiteNet adlı yeni bir yaklaşımı tanıtıyor; üstelik bu, mütevazı yerleşik bilgisayarlarda bile çalışabiliyor.

Erken Aşama Yangın Tespitinin Zorluğu

Erken aşama orman yangınları, İHA görüntülerinde genellikle birkaç parlayan piksel olarak görünür; çoğu zaman duman, düşük ışık veya karmaşık arazinin arkasına gizlenirler. Basit eşiklere veya elle tasarlanmış görüntü özelliklerine dayanan geleneksel yöntemler hızlıdır ancak diğer ısı kaynakları ve değişen koşullar karşısında kolayca yanıltılabilir. Yeni derin öğrenme sistemleri yangınları tanımada daha başarılıdır, ancak genellikle yalnızca görüntü içi konumlar verir; gerçek dünya koordinatları sağlamazlar. Bu görüntü konumlarını gerçek dünyadaki yerlere dönüştürmek, kamera geometrisi, uydu konumlandırması ve çevrimiçi harita hizmetleri gibi ek adımlar gerektirir. Her ek adım süreye mal olur — yüzlerce milisaniye veya daha fazlası — ve güvenilir iletişime bağlıdır ki uzak dağlık bölgelerde bu sıklıkla mevcut değildir.

Haritayı Sinir Ağına Dahil Etmek

Haritayı bir sonradan düşünülmüş işlem olarak ele almak yerine, BGC‑LiteNet coğrafyayı doğrudan tespit sürecine dahil ediyor. Sistem, dünyayı yaklaşık 100 metre çapındaki düzenli hücrelere bölen ulusal bir standart olan Çin’in BeiDou Izgara Kodu (BGC) kullanıyor. Bir İHA’nın kızılötesi görüntüsündeki her piksel için, sistem onun yerde hangi ızgara hücresine karşılık geldiğini hesaplıyor ve eşleyen bir ızgara haritası oluşturuyor. Bu ızgara haritası daha sonra öğrenilebilir sayısal kodlara dönüştürülerek görüntüyle birlikte sinir ağına gönderiliyor. Etkili olarak, her piksel hem görsel bir ipucu hem de coğrafi bir işaret taşıyor; bu da modelin yangınların nerede görünme eğiliminde olduğunu öğrenmesine ve dış harita hizmetlerini çağırmadan standartlaştırılmış ızgara tanımlayıcılarını doğrudan çıktılamasına olanak tanıyor.

Hızlı Düşünen Bir Beyin Tasarlamak

Coğrafyayı gömmek hikâyenin yalnızca yarısı; geri kalan kısmı bunu küçük bir yerleşik bilgisayarda hızlı çalıştırmak. Yazarlar, doğruluk ile hız arasında denge sağlayan ağ tasarımlarını otomatik olarak test eden bir teknik olan sinir mimarisi araması kullanıyor. Gömülü bir cihazda çalıştırıldığında temel yapı bloklarının — kompakt evrişimler ve dikkat modülleri gibi — ne kadar zaman aldığını ölçüyorlar ve aramayı yavaş kombinasyonların caydırılacağı şekilde yönlendiriyorlar. Son BGC‑LiteNet tasarımı bir milyondan az parametre kullanıyor, verimli evrişimlere güçlü şekilde dayanıyor ve gereksiz yolları buduyor; bunun sonucunda bir İHA tarafından taşınan NVIDIA Jetson Xavier NX modülünde standart çözünürlükte görüntü başına ortalama yaklaşık 38 milisaniye işlem süresi elde ediliyor.

Sistemi Teste Sokmak

Bu yaklaşımın gerçek dünyada işe yarayıp yaramadığını görmek için ekip, birkaç Çin eyaletinde dağlar, ovalar, orman kenarları ve karışık arazilerde toplanmış yaklaşık 13.000 İHA görüntüsünden oluşan bir veri seti oluşturdu. Her görüntü, son derece doğru İHA konum verileri ve BeiDou ızgara hücrelerine bağlanmış yangın anotasyonlarıyla eşleştirildi. Gündüz, gece, dumanlı ve açık sahalardan oluşan bu çeşitli koleksiyonda BGC‑LiteNet yangınları yaklaşık %89 ortalama doğrulukla (mean average precision) tespit ediyor ve 50 metre içinde konumlandırmada %92’nin üzerinde doğruluk sağlıyor. Özellikle yangınlar küçük, aydınlatma zayıf veya duman yoğunsa, sistem hem geleneksel yöntemleri hem de popüler kompakt derin öğrenme modellerini geride bırakıyor. Sistem ayrıca farklı görüntü boyutlarında iyi ölçekleniyor ve daha yüksek çözünürlüklerde bile tepki vermeye devam ediyor.

Tek İHA'dan İtfaiye Ağlarına

Doğru, standartlaştırılmış konumlar, birden fazla İHA ve yer ekiplerinin birlikte çalışması gerektiğinde kritik öneme sahip. BGC‑LiteNet konumları doğrudan ulusal ızgara sisteminde çıktıladığı için farklı İHA’lar otomatik olarak “aynı dili konuşur,” bu da bildirilen konumlardaki tutarsızlıkları azaltır. Simüle edilmiş çoklu İHA devriyeleriyle yapılan testler, aynı yangın için yaptığı konum tahminlerinin ayrı haritalama adımlarına dayanan yöntemlere göre çok daha sıkı kümelendiğini gösteriyor. Araştırmacılar ayrıca sistemin zorlu aydınlatma, duman, yağmur ve sis koşullarında çalışmaya devam ettiğini ve mevcut harita araçları için standart GPS tarzı koordinatlara hızlıca dönüştürülebileceğini gösteriyorlar.

İtfaiyecilik İçin Anlamı

BGC‑LiteNet, haritayı bir eklenti olarak değil, zekânın bir parçası olarak ele alarak hem hızlı hem de hassas bir İHA tabanlı yangın tespit sistemi geliştirmenin mümkün olduğunu gösteriyor. Ulusal bir ızgara referansını doğrudan sinir ağına gömerek ve modeli düşük güçlü donanım için otomatik olarak tasarlayarak, yazarlar müdahale ekiplerini yeni bir alevin yanına birkaç on metre hassasiyetle yönlendirebilecek hızlı, doğru yangın uyarıları elde ediyorlar. Orman yangınlarının ötesinde, aynı fikir — sinir ağlarına ne olduğunu olduğu kadar nerede olduğunu da öğretmek — vahşi yaşam envanterleri, afet değerlendirmesi ve hassas tarım gibi diğer görevlerde de yardımcı olabilir.

Atıf: Yin, H., Yu, Y., Hong, A. et al. BGC-LiteNet: BeiDou grid code embedded lightweight neural architecture for real-time UAV fire detection and localization. Sci Rep 16, 14456 (2026). https://doi.org/10.1038/s41598-026-44728-6

Anahtar kelimeler: İHA yangın tespiti, coğrafi derin öğrenme, uç birim AI, BeiDou Izgara Kodu, gerçek zamanlı konumlandırma