Yangın algılama ve önlemede bilgisayarlı görü

Kentsel ve endüstriyel alanlar genişledikçe yangın kaynaklı afetlerin riski artıyor; yalnız ABD'deki endüstriyel veya manufacturing tesislerinde 36,784 fires occurring annually tahmin ediliyor. Bu olaylar can, mal ve çevre güvenliğine ciddi tehditler oluşturur; ancak duman dedektörleri, ısı dedektörleri ve manuel alarm sistemleri gibi geleneksel yangın algılama yöntemleri bazen bu tür felaket niteliğindeki olayları önlemede yetersiz kalabilir.

Yapay zeka (YZ) işte tam bu noktada devreye girerek güvenliği artırmak ve riskleri azaltmak için yenilikçi çözümler sunuyor. YZ destekli termal görüntüleme ve bilgisayarlı görü sistemleri, bu mücadelede güçlü araçlar olarak öne çıkıyor. Anormal sıcaklık artışları veya duman varlığı gibi potansiyel yangınların erken belirtilerini tanımlayan bu YZ yangın önleme sistemleri, güvenliğe proaktif bir yaklaşım sunarak ilk müdahale ekiplerine küçük bir olay büyük bir felakete dönüşmeden önce hareket etmeleri için zaman kazandırıyor.

Yangın algılama ve önlemede YZ'nin rolü#

En son teknoloji bilgisayarlı görü modelleri, termal görüntüleme ve duman algılama gibi gelişmiş teknolojileri entegre ederek yangın algılama ve önleme süreçlerini dönüştürüyor. Bu YZ sistemlerinin merkezinde, insan zekasını taklit etme yeteneği yatar ve bu sayede makineler, normalde insan algısı ve karar verme süreci gerektiren görevleri yerine getirebilir hale gelir.

Yangın güvenliği bağlamında yapay zeka sistemleri büyük ölçüde computer vision teknolojisine dayanır; bu, makinelerin resim ve video gibi görsel verileri yorumlayıp analiz etmesini sağlayan özel bir yapay zeka dalıdır. Bu sistemler geniş datasets üzerinde eğitilerek dumanın şekli ve hareketi ya da termal kameralar tarafından algılanan belirli ısı imzaları gibi potansiyel yangın tehlikelerinin göstergesi olan örüntüleri ve özellikleri tanımalarını sağlar.

Potansiyel bir tehdit tanımlandığında, YZ sistemi verileri algoritmaları ve modelleri aracılığıyla işleyerek hızla bir yangın tehlikesi oluşturup oluşturmadığını belirler. Eğer bir risk tespit edilirse, sistem otomatik olarak alarmları tetikleyebilir, acil durum ekiplerine bildirim gönderebilir veya hatta yangın söndürme sistemlerini devreye sokabilir. Bu hızlı ve doğru yanıt, hasarı en aza indirmek ve güvenliği sağlamak için hayati önem taşır.

Termal görüntüleme kameraları#

Termal görüntüleme kameraları, olası bir yangına işaret edebilecek sıcaklık anomalilerini belirleyerek erken aşamadaki yangın tehlikelerinin tespitine yardımcı olabilir. AI ile entegre edildiğinde bu kameralar, normal ısı değişimleri ile tehlikeli ısı kaynakları arasında ayrım yapmak için termal verileri gerçek zamanlı olarak işleyebilir. Computer vision modelleri burada, çevre ortamından ayrılan sıcak noktaları detect etmek üzere termal görüntü verilerini analiz ederek kilit bir rol oynayabilir. Bu sıcak noktalar aşırı ısınmış bir makine parçasını veya yangının erken aşamalarını yansıtıyor olabilir. Model daha sonra tespit edilen bu alanların etrafına bir bounding box çizerek bunları vurgular. Bu tehlikeler belirlendikten sonra görüntüler, hızlı ve etkili bir müdahale sağlayacak şekilde alarları tetikleyebilen veya ilk yardım ekiplerine haber verebilen yapay zeka algoritmaları tarafından işlenir.

Buna ek olarak, termal verilerin renk kodlu görsel bir temsilini sunmak için heatmaps kullanılabilir. Bu renk kullanımı, güvenli ve potansiyel olarak tehlikeli alanlar arasında hızla ayrım yapmaya yardımcı olarak yangın algılama sisteminin etkinliğini artırır. Bununla birlikte, computer vision modelleri için ısı haritaları kullanılırken, ham termal verileri ısı haritalarına dönüştürme sürecinin farklı renkler için belirli eşiklerin belirlenmesini içerdiğini göz önünde bulundurmak önemlidir. Bu eşikler dikkatle kalibre edilmezse, ortaya çıkan ısı haritaları modelin yangınları doğru bir şekilde tespit etme yeteneğini etkileyebilecek yanlışlıklar içerebilir.

Şekil 1. YZ tabanlı radyometrik termal kamera, sıcaklık anomalilerini tespit etmek için bilgisayarlı görü kullanır (Kaynak: hanwhavision.com).

Duman algılama#

Yangın algılamada termal görüntülemeyi tamamlayan YZ destekli duman dedektörleri, genellikle yangının erken bir işareti olan dumanı tespit etmeye odaklanarak fazladan bir güvenlik katmanı ekler. Geleneksel duman dedektörleri genellikle iyonizasyon veya ışık sensörleri kullanarak havadaki parçacıkları algılayarak çalışır. Bu dedektörler etkilidir ancak özellikle duman parçacıklarının yavaş yayıldığı durumlarda tepki vermeleri daha uzun sürebilir.

Ancak daha yeni modeller, etkinliklerini büyük ölçüde artıran computer vision özellikleri içerir. Yapay zeka destekli duman dedektörleri, dumanın şekli, hareketi, rengi ve yoğunluğu gibi görsel örüntüleri yakalamak üzere veri kümeleri üzerinde özel olarak eğitilmiş computer vision modellerine sahip olabilir. Yalnızca parçacık tespitine güvenen geleneksel dedektörlerin aksine, bu gelişmiş sistemler görsel verileri gerçek zamanlı olarak analiz etmek, object detection ve segmentasyon gibi tasks aracılığıyla duman örüntülerini, kalınlıktaki değişiklikleri ve diğer görsel ipuçlarını belirlemek için Ultralytics YOLOv8 gibi modelleri kullanabilir.

Segmentation, özellikle dumanın dağılabileceği forests gibi zorlu ortamlarda bu sistemlerde büyük önem taşır. Segmentasyon kullanarak model, çevre ortamındaki dumanı tespit edip vurgulayabilir, görüş mesafesi düşük olduğunda veya ortam yoğun yapraklarla kaplı olduğunda bile etkilenen alanları net bir şekilde işaretleyip belirleyebilir.

Ultralytics YOLOv8 gibi en son teknoloji bilgisayarlı görü modelleri, görsel verileri net segmentlere ayırmak için harika bir araçtır ve modelin dumanın boyutunu ve şiddetini doğru bir şekilde değerlendirmesini sağlar. Yapay zeka algoritmaları, alarmların çalınıp çalınmayacağına veya acil durum ekiplerine haber verilip verilmeyeceğine karar vermek için bu bilgiyi tespit edilen dumanın zaman içindeki yoğunluğuna, boyutuna, yayılımına ve tutarlılığına göre işleyerek zamanında ve doğru müdahale sağlar.

Şekil 2. Ultralytics YOLOv8 kullanarak duman tespiti ve segmentasyonu.

Yangın önleme için tahmine dayalı analitik#

Yapay zeka sadece yangınları tespit etmekle kalmaz, aynı zamanda aktif olarak önlenmelerini de sağlar. Geçmiş verileri analiz ederek ve hava koşulları, bitki örtüsü yoğunluğu ve insan faaliyetleri gibi çevresel faktörleri göz önünde bulundurarak yapay zeka modelleri predict fire risks yapabilir. Bu öngörü yeteneği, riskin yüksek olduğu oil and gas, manufacturing ve ormancılık gibi yüksek riskli endüstrilerde özellikle değerlidir. Bu ortamlarda computer vision, görsel verileri sürekli olarak izleyip analiz ederek kritik bir rol oynar ve artan yangın riskine işaret edebilecek erken uyarı işaretlerinin belirlenmesine yardımcı olur. Bu, yangınlar başlamadan önce önlenmesine yardımcı olabilecek proaktif önlemlere olanak tanır.

YZ ile yangın algılamanın faydaları#

YZ, yangın tehlikelerini tespit etme ve bunlara yanıt verme şeklimizi önemli ölçüde iyileştirerek geleneksel yangın güvenliği yöntemlerini geliştiren birkaç temel fayda sunmaktadır. Bunlardan bazıları şunlardır:

Doğru tehdit algılama#

Geleneksel yangın algılama sistemleri bazen yanlış alarmları tetikleyebilir; bu durum sadece kaynak israfına yol açmakla kalmaz, aynı zamanda gereksiz bir paniğe de neden olur. Bu yanlış alarmlar genellikle, geleneksel sistemlerdeki temel sensör teknolojilerinin gerçek yangın tehlikeleri ile buhar, toz, sigara dumanı veya yemek kokusu gibi tehdit oluşturmayan çevresel faktörleri ayırt etme yeteneğinden yoksun olmaları nedeniyle meydana gelir.

Örneğin, iyonizasyon duman dedektörleri zararsız buharı duman parçacıklarıyla karıştırabilir veya ısı dedektörleri endüstriyel ortamlardaki normal sıcaklık dalgalanmaları nedeniyle tetiklenebilir. Bu aşırı duyarlılık sık sık yanlış alarmlara yol açarak operasyonları aksatır ve acil durum kaynaklarının gereksiz yere yönlendirilmesine neden olur.

Bununla birlikte, computer vision based fire detection models gerçek tehditleri belirlemek için daha doğru bir yaklaşım sunar. Bu modeller, duman, alevler veya diğer yangınla ilgili anomalilerle ilişkili belirgin görsel örüntüleri tanımalarını sağlayan görsel verileri analiz etmek üzere eğitilmiştir. Yalnızca belirli parçacıklara veya sıcaklık değişikliklerine yanıt verebilen geleneksel sensörlerin aksine computer vision modelleri; dumanın şekli, rengi ve hareketi veya alevlerin görünümü gibi birden fazla görsel ipucunu gerçek zamanlı olarak değerlendirir. Bunu yaparak, gerçek yangın tehlikeleri ile buhar veya gölge gibi zararsız durumlar arasında etkili bir şekilde ayrım yapabilir ve yanlış alarm olasılığını önemli ölçüde azaltabilir.

Yüksek riskli ortamlarda gelişmiş güvenlik#

Endüstriyel tesisler, rafineriler ve kimyasal fabrikalar gibi yüksek riskli ortamlarda, yanıcı maddelerin varlığı ve karmaşık makineler nedeniyle yangın potansiyeli önemli ölçüde daha yüksektir. Bilgisayarlı görü destekli sistemler, aşırı ısınma, gaz sızıntıları veya ekipman arızaları gibi yangın tehlikelerinin erken belirtilerini tespit edebilen, 7/24 sürekli izleme sağlar. Bu sürekli tetikte olma durumu, hızlı müdahaleye izin vererek yangın çıkma riskini azaltır ve hem personelin hem de değerli varlıkların güvenliğini sağlar.

Maliyet tasarrufu#

Yangınlar; maliyetli onarımlara, üretkenlik kaybına ve olası legal liabilities durumlarına yol açarak büyük zararlara neden olabilir. Yangınları erken tespit ederek ve yanlış alarmları azaltarak computer vision, kuruluşların maliyetten tasarruf etmesine yardımcı olabilir. Bu proaktif yaklaşım büyük ölçekli yangın olaylarını önler, gereksiz acil durum müdahalelerini en aza indirir ve yangın hasarı, yasal sorunlar ve sigorta talepleriyle ilişkili yüksek masrafları azaltırken yatırımları da korur.

Esneklik ve ölçeklenebilirlik#

YZ tabanlı yangın algılama sistemleri, küçük işletmelerden büyük endüstriyel tesislere kadar çeşitli ortamlara uyarlanabilmelerini sağlayan önemli bir esneklik ve ölçeklenebilirlik sunar.

Örneğin, Ultralytics YOLOv8 gibi modeller, endüstriyel ortamlardaki kimyasal sızıntılar, imalatta aşırı ısınan makineler, petrol ve gaz yangınları ile orman yangınları gibi farklı endüstrilere özgü belirli yangın tehlikelerini tanımak için eğitilebilir. Bu uzmanlaşma düzeyine ulaşmak için modelin, bu tehlikeleri çeşitli senaryolarda tasvir eden çok çeşitli görüntü setlerine ihtiyacı olacaktır. Bu görüntülerin dikkatlice sınıflandırılması ve etiketlenmesi gerekecektir; örneğin, kimyasal sızıntı görüntüleri sızıntının türünü belirten özel etiketlerle etiketlenirken, aşırı ısınan makinelerin görüntüleri makine türüne ve görünür aşırı ısınma belirtilerine göre etiketlenecektir. Bu sınıflandırma süreci, modelin bu tehlikeleri gerçek dünya durumlarında doğru bir şekilde nasıl tanıyacağını öğrenmesi ve farklı ortamlardaki potansiyel yangın risklerini etkili bir şekilde tespit edip bunlara yanıt verebilmesini sağlaması açısından çok önemlidir.

Zorluklar ve dezavantajlar#

YZ yangın algılama ve önlemede birçok avantaj sunsa da, dikkate alınması gereken birkaç zorluk ve dezavantaj da bulunmaktadır.

• Yüksek Başlangıç Maliyeti: YZ destekli yangın algılama sistemlerini uygulamak, özellikle küçük işletmeler veya finansal kaynakları sınırlı tesisler için maliyetli bir girişim olabilir. Bu gelişmiş yangın algılama teknolojisi için gereken önemli ön yatırım, genellikle büyük bir engel teşkil ederek bazı kurumların bu teknolojiyi benimsemesini zorlaştırır.

• Yüksek Kaliteli Verilere Bağımlılık: Yapay zekanın yangın tehlikelerini tespit etmedeki doğruluğu, yüksek kaliteli ve labeled data mevcudiyetine büyük ölçüde bağlıdır. Veriler eksik veya zayıf etiketlenmişse sistemin performansı düşebilir ve yangın risklerini tespit etmede potansiyel yanlışlıklara yol açabilir.

• Ekstrem Koşullarda Arıza Potansiyeli: YZ sistemleri, herhangi bir teknoloji gibi, arızalara karşı bağışık değildir. Aşırı sıcaklık, nem veya toz gibi ekstrem çevresel koşullarda, bu sistemlerin doğruluğu ve güvenilirliği etkilenebilir ve yangın güvenliğine yönelik riskler oluşturabilir.

• Sürekli Bakım ve Güncellemeler: Etkili kalabilmeleri için YZ destekli yangın önleme çözümleri düzenli bakım ve güncellemeler gerektirir. Teknik destek için süregelen bu ihtiyaç, kaynak yoğun olabilir ve yangın algılamada YZ kullanımının uzun vadeli maliyetlerini artırabilir.

Yangın algılama ve önlemede YZ'nin geleceği#

YZ gelişmeye devam ettikçe, yangın söndürme robotları ve uç bilişim gibi gelişmekte olan teknolojilerle entegrasyonu, yangın algılama ve önleme çalışmalarını önemli ölçüde artıracaktır.

YZ destekli yangın söndürme robotları#

YZ destekli yangın söndürme robotları, insan müdahalesi için çok tehlikeli ortamlarda yeni bir koruma düzeyi sunarak yangın güvenliğinde çığır açan bir yenilik olarak ortaya çıkıyor. Gelişmiş sensörler, bilgisayarlı görü ve YZ algoritmalarıyla donatılmış bu robotlar, karmaşık ve tehlikeli arazilerde otonom olarak gezinebilir, termal görüntüleme yoluyla yangın kaynaklarını tespit edebilir ve en etkili yangın söndürme tekniklerini uygulayabilir. Yüksek ısı ve toksik ortamlar gibi ekstrem koşullarda çalışma yetenekleri, insan itfaiyecilerin karşılaştığı riskleri azaltır.

Bu robotlar dronlar ve diğer yangın söndürme teknolojileriyle koordinasyon içinde çalışarak gerçek zamanlı veriler sağlayabilir ve yangın müdahale çalışmalarının genel etkinliğini artırabilir. Yapay zeka ve robotics alanlarının yangın söndürme süreçlerine entegrasyonu, bu alanda devrim yaratmaya hazırlanarak yangın önleme ve kontrolü daha güvenli ve daha verimli hale getiriyor.

Fig 3. Otonom yapay zeka destekli yangın söndürme robotu.

Daha hızlı yangın algılama için uç bilişim entegrasyonu#

Bilgisayarlı görü destekli kameralar, duman dedektörleri ve ısı dedektörleri gibi geleneksel yangın algılama sistemlerinde, sensörler veya kameralar tarafından yakalanan veriler genellikle YZ modelleri tarafından işlendikleri merkezi bir sunucuya gönderilir. Bu modeller, anormal sıcaklık artışları veya duman varlığı gibi potansiyel yangın tehlikelerini tanımlamak için verileri analiz eder. Ancak, bu süreç verilerin sunucuya gidip gelmesi için gereken süre nedeniyle gecikmeye yol açabilir.

Edge computing for fire detection, veri işleme sürecinin uzak bir sunucuya güvenmek yerine doğrudan kaynağında (kameraların veya sensörlerin kendi içinde) gerçekleşmesini sağlayarak yenilikçi bir çözüm sunar. Bu yerel işleme gecikmeyi önemli ölçüde azaltarak termal ve görsel verilerin daha hızlı analiz edilmesine ve olası yangın tehlikelerinin daha çabuk tespit edilmesine olanak tanır. Edge computing, verileri üretildikleri yere daha yakın bir yerde işleyerek alarm tetikleme veya müdahale ekiplerine haber verme gibi kritik kararların neredeyse anında gerçekleşmesini sağlar. Bu yetenek, yangınların büyümesini ve yayılmasını önlemede, yangın algılama sistemlerini daha duyarlı ve etkili hale getirmede çok önemlidir.

Öne çıkanlar#

YZ destekli termal görüntüleme ve nesne algılama, yangınları tespit etme ve önleme biçimimizi önemli ölçüde ilerleterek daha erken uyarılar ve yangın tehlikelerinin daha doğru tanımlanmasını sağlıyor. Bu teknolojiler, daha hızlı müdahale süreleri, azaltılmış yanlış alarmlar ve yüksek riskli ortamlarda artırılmış güvenlik gibi sayısız fayda getiriyor.

Bununla birlikte, yüksek uygulama maliyetleri ve sürekli bakım ihtiyacı gibi zorlukları da beraberinde getiriyorlar. İleriye bakıldığında, yangın güvenliği için YZ ve bilgisayarlı görünün geleceği umut verici görünüyor; yangın söndürme robotları ve uç bilişim gibi gelişmekte olan teknolojilerle daha da büyük entegrasyon potansiyeli taşıyor ve çeşitli endüstrilerde yangın önleme ve müdahaleyi daha da iyileştiriyor.

Ultralytics olarak yapay zeka inovasyonunu yeni zirvelere taşıyoruz. Gelişmiş yapay zeka çözümlerimizi keşfetmek ve GitHub repository adresimizi ziyaret ederek en son gelişmelerimizi takip etmek için bize katılın. Aktif community ile etkileşim kurun ve healthcare ile manufacturing gibi sektörlerde nasıl devrim yarattığımızı görün.