Tehdit tespiti ve akıllı öneri sistemleri için Nesnelerin İnterneti destekli derin öğrenme yöntemleriyle havaalanı güvenliğinin iyileştirilmesi

Neden Daha Akıllı Havaalanları Yolcular İçin Önemli

Hava yolculuğu her zamankinden daha yoğun ve çoğu yolcu güvenliği yalnızca yavaş veya stresli olduğunda fark ediyor. Bu çalışma, akıllı sensörler ve yapay zekanın yeni bir bileşiminin havaalanlarını hem daha güvenli hem de geçiş için daha akıcı hâle nasıl getirebileceğini inceliyor. Bilgisayarlara sıradışı davranışları ve gerçek zamanlı olarak riskli nesneleri tanımayı öğreterek, araştırmacılar uzun kuyrukları azaltmayı, yanlış alarmları kısmayı ve güvenlik personelinin gerçekten önemli olan durumlara odaklanmasına yardımcı olmayı amaçlıyor.

Kameralardan ve Sensörlerden Canlı Bir Sinir Sistemi Oluşumuna

Yazarlar, terminali bağlı bir sinir sistemi gibi ele alan ISODI adlı bir havaalanı güvenlik çerçevesi öneriyor. Kameralar, hareket dedektörleri, erişim kartları ve çevresel sensörlerin tümü tek bir dijital hattı besliyor. Bu bilgi akışı temizlenip senkronize edilerek bir kişinin çanta bırakması, kalabalığın birikmesi veya yasaklı bir kapının açılması gibi olaylar izole olaylar olarak değil birlikte anlaşılabiliyor. Birçok kaynağı birleştirerek sistem, geniş alanları insan güvenlik görevlilerinden daha güvenilir şekilde izleyebiliyor.

Dijital Bekçinin Sıradışı Olanı Nasıl Öğrendiği

ISODI’nin merkezinde beyin ilhamlı bir bilgisayar programları ailesi olan derin öğrenme modelleri bulunuyor. Bir bölüm görüntülere uzmanlaşıyor ve vücut tarama resimlerini ve video karelerini silahlar veya diğer gizli nesneler için tarıyor. Diğer bölüm, değişen sensör okumaları veya zaman içindeki yolcu akışı gibi sayısal dizilere odaklanıyor. Çalışma, çoklu görünümlü öğrenme adı verilen bir tekniği yaratıcı şekilde kullanıyor: üç boyutlu vücut taramaları, iyi test edilmiş görüntü ağlarının verimli şekilde analiz edebilmesi için birkaç iki boyutlu görünüm halinde dönüştürülüyor.

Sistemi Gerçek Havaalanı Verileriyle Eğitmek

Bu yaklaşımın ne kadar iyi çalıştığını görmek için araştırmacılar modellerini iki büyük, kamuya açık veri kümesi üzerinde eğitip test etti. Birinde, birçok havaalanında kullanılanlara benzer tam vücut taramaları bulunuyor; bu taramalarda giysilerin altındaki gizli tehditler olabilir. Ekip, mevcut görüntü kütüphanelerinden bilgi yeniden kullanan transfer öğrenme modeliyle, yeni ve görülmemiş taramalardaki tehditleri ana ölçütlerde %99’un üzerinde doğrulukla doğru şekilde saptadı. İkinci veri kümesi ise gecikmeler ve sapmalar da dahil olmak üzere milyonlarca ticari uçuşu kaydediyor. Burada ISODI, güvenlikle ilişkili gecikmeler gibi problemlere bağlı olağan dışı desenleri işaretlemek için kullanıldı ve karar ağaçları ile en yakın komşu algoritmaları gibi yaygın yöntemlerden daha iyi performans gösterdi.

Uyarıları Akıllı Kararlara Dönüştürmek

Bir problemi tespit etmek işin sadece yarısı; akıllıca tepki vermek de aynı derecede önemli. ISODI, riskleri sıralayan ve güvenlik personelinin nasıl konuşlandırılacağını öneren akıllı bir öneri modülü içeriyor. Sistem bir olağan dışılık fark ettiğinde alanı vurgulayabilir, görevlilerin gönderilmesini önerebilir ve daha sakin bölgelerde dikkati azaltabilir. Geri bildirimden öğrenmeye devam ediyor: terk edilmiş bir çanta zararsız çıktığında, bu desen kaydedilip benzer vakalar bir dahaki sefere daha sorunsuz ele alınıyor. Bu kapalı döngü, yolcuları yavaşlatan yanlış alarmları azaltmayı ve gerçek tehlikelerin gözden kaçmamasını sağlamayı hedefliyor.

Güvenlik, Hız ve Mahremiyet Arasında Denge Kurmak

Çerçeve pratik kaygular gözetilerek tasarlanmış. Yöntemler gerçek zamanlı kullanım için yeterince hızlı çalışacak ve gürültülü kameralar, değişen aydınlatma ve aralıklı sensör arızalarıyla başa çıkacak şekilde seçildi. Yazarlar ayrıca mahremiyete vurgu yapıyor: kişisel ayrıntılar kaldırılıyor veya soyut özelliklere dönüştürülüyor ve veri işlemi, bireylerin kolayca tanımlanamayacağı sıkı kurallara uyuyor. Yine de, gerçek havaalanlarında yapılacak saha denemelerinin performansı doğrulamak, nadir ama ciddi tehdit senaryolarını ele almak ve laboratuvar dışındaki mahremiyet korumalarının işe yaradığından emin olmak için elzem olduğunu belirtiyorlar.

Bu, Bir Sonraki Uçuşunuz İçin Ne Anlama Geliyor

Basitçe söylemek gerekirse, bu araştırma havaalanlarının nokta nokta kontrol noktalarından ziyade dikkatli, iyi eğitilmiş bir ekip gibi davranmasını sağlayacak akıllı teknolojilerin nasıl kullanılabileceğini gösteriyor. Çoklu sensörleri, gelişmiş desen tanımayı ve karar verme araçlarını birleştirerek ISODI çerçevesi, gerçek güvenlik risklerini tespit etme yeteneğini belirgin şekilde artırırken yanlış alarmları düşük tutuyor. Tam olarak test edilip dikkatle uygulandığında, bu tür sistemler uçuşları güvende tutmaya, güvenlikle ilgili gecikmeleri kısaltmaya ve kaldırımdan kapıya olan yolculuğu darboğaz yerine iyi organize edilmiş bir akış gibi hissettirmeye yardımcı olabilir.

Atıf: Basem, M., Zaki, J., Saraya, M.S. et al. Improving airport security with IoT-powered deep learning methods for threat detection and intelligent recommendation systems. Sci Rep 16, 16591 (2026). https://doi.org/10.1038/s41598-026-54104-z

Anahtar kelimeler: havaalanı güvenliği, yapay zeka, IoT sensörleri, anormali tespiti, derin öğrenme