Su kalitesi izlemede bilgisayarlı görü kullanımı

Temiz su, halk sağlığı ve günlük yaşam için vazgeçilmezdir. Buna rağmen dünya genelinde yaklaşık 4 milyar kişi güvenli içme suyuna erişemiyor veya ek arıtma olmadan suyun güvenli olduğundan emin olamıyor.

Aynı zamanda, küresel ölçekte evsel atık suyun yalnızca %56'sı güvenli biçimde arıtılıyor. Bu rakamlar, su kalitesinin daha iyi izlenmesi gerektiğine işaret ediyor.

Basitçe söylemek gerekirse, güvenli su yönetimi için izleme şarttır. Kirlenme, su kirliliği veya artan bulanıklık seviyeleri erkenden tespit edilmezse birçok kişi güvenli olmayan içme suyuna maruz kalabilir, sektörler aksaklıklarla karşılaşabilir ve su ekosistemleri zarar görebilir.

Ancak günümüzdeki birçok su kalitesi izleme yöntemi hâlâ birbirinden kopuk. Sistemlerin çoğu periyodik elle numune almaya, laboratuvar analizine veya koşulları yalnızca tek bir noktada ölçen sabit sensörlere dayanıyor. Büyük nehirlerde, rezervuarlarda ve diğer su kütlelerinde bu durum görünürlüğü azaltıyor ve gerçek zamanlı içgörüleri kısıtlıyor.

Son yıllarda yapay zekâdaki (AI) gelişmeler yeni olanaklar sundu. Örneğin, makinelerin görüntüleri ve video verilerini yorumlayıp analiz etmesini sağlayan bir AI alanı olan bilgisayarlı görü, artık yüzey sularından, atık su sistemlerinden ve uzaktan algılama platformlarından elde edilen görüntüleri analiz etmek için kullanılıyor.

Şekil 1. Yüzen plastik atıkları tespit etmek için görsel yapay zekâ kullanımına bir örnek (Kaynak)

Nitekim su yönetiminde yapay zekâ pazarının 2032'ye kadar 53,85 milyar dolara ulaşacağı öngörülüyor; bu da akıllı ve uyarlanabilir izleme sistemlerine yönelik ivmenin arttığını gösteriyor. Bu makalede, bilgisayarlı görünün su kalitesi izlemeyi nasıl yeniden şekillendirdiğini inceleyeceğiz.

Geleneksel su kalitesi izlemenin sınırları#

On yıllardır su kalitesi ve çevresel izleme, elle numune almaya ve sabit cihazlara dayalı geleneksel izleme yöntemlerine dayanıyor. Saha ekipleri genellikle nehirlerden, göllerden ve atık su tesislerinden numune alıp analiz için laboratuvarlara gönderiyor.

Bu yöntem doğru sonuçlar verebilse de yoğun emek gerektirir ve düzenli aralıklarla güncellenmesi gerekir. Numune alma aralıkları arasında su kalitesindeki değişiklikler fark edilmeyebilir.

Sensör tabanlı izleme sistemleri bu eksikliklerin bazılarını gidermeye yardımcı olur. Bulanıklık, pH, çözünmüş oksijen ve su seviyesi gibi ölçütleri ölçerler.

Ancak bu sistemlerin mekânsal kapsama alanı genellikle sınırlıdır. Örneğin tek bir sensör, çok daha büyük bir yüzey suyu kütlesinin yalnızca bir noktasını temsil eder. Büyük su kütlelerinde veya dağınık su kaynaklarında bu durum kör noktalar oluşturur.

Bakım da başka bir zorluktur. Doğruluğu korumak için sensörlerin kalibrasyonu, temizlenmesi ve doğrulanması gerekir.

Çamur, döküntüler, yosun birikimi veya sert hava koşulları zaman içinde ölçümleri etkileyebilir. Sonuç olarak birçok sistem, sorunları öngörüp erken uyarı vermek yerine sorunlara tepki vermek zorunda kalır. Kirlenme veya su kirliliği tespit edildiğinde, kirlilik nehrin aşağı kesimlerine çoktan yayılmış olabilir.

Çevresel değişkenlik işleri daha da karmaşıklaştırır. İklim değişikliği, seller ve mevsimsel değişimler gibi etkenler su ekosistemlerini hızla değiştirebilir. Statik izleme yöntemleri bu dinamik koşullara uyum sağlamakta zorlanır. Bu nedenle nehirlerde, rezervuarlarda ve kıyı bölgelerinde gerçek zamanlı izleme güçleşir.

Su kalitesi izlemede bilgisayarlı görünün rolü#

Bilgisayarlı görü, genellikle gerçek zamanlı olarak görüntüleri ve videoları analiz etmek için kameraları ve AI modellerini bir araya getirir. Bu sistemler görsel desenleri yorumlar. Görüntülerin neyi temsil ettiğini anlamak için evrişimli sinir ağları (CNN) gibi derin öğrenme modellerinden ve diğer yapay sinir ağlarından yararlanır.

Özellikle nesne algılama ve örnek segmentasyonu gibi görüntü işleme ve bilgisayarlı görü görevleri aracılığıyla bu modeller, su koşullarındaki gözle görülür değişiklikleri belirleyebilir.

Alışılmadık renk farklılıklarını, berraklıktaki değişimleri, yüzen döküntüleri, yosun patlamalarını, köpük oluşumunu veya taşkın olaylarını tespit edebilirler. Bazı durumlarda piksel düzeyindeki küçük değişiklikler, kirlenme veya kirliliğin erken ve görünür işaretlerine işaret edebilir.

Görsel yapay zekânın su altyapısına entegre edilmesi#

Görüntü tabanlı sistemler daha geniş kapsama alanı sunar, yüzey sularının geniş alanlarını fiziksel temas olmadan izleyebilir ve genellikle mevcut kamera altyapısından yararlanır. Ultralytics YOLO26 gibi son teknoloji görsel yapay zekâ modelleri hızlı ve gerçek zamanlı algılama için tasarlanmıştır; bu da onları uyarlanabilir su kalitesi izleme sistemlerine uygun kılar.

YOLO modelleri; nesne algılama, örnek segmentasyonu ve görüntü sınıflandırması da dâhil olmak üzere çeşitli bilgisayarlı görü görevlerini destekler. Böylece sistemler, su kütlelerindeki yüzen döküntüleri, köpük oluşumunu, yosun patlamalarını, yüzey renk değişimlerini veya diğer görünür anormallikleri belirleyebilir.

Bu tür bilgisayarlı görü çözümleri; dronlara, uydu uzaktan algılama platformlarına, IoT ağlarına ve atık su arıtma tesislerine de entegre edilebilir. Bu, sürekli izlemeye, otomatik uyarılara ve farklı su kütlelerinde daha hızlı müdahaleyi mümkün kılan uygulanabilir içgörülere katkı sağlar.

Su izlemede görsel yapay zekâ kullanım alanları#

Bilgisayarlı görünün su kalitesi izlemede nasıl çalıştığını incelediğimize göre, şimdi gelişimini yönlendiren başlıca araştırma alanlarına bakalım.

Gerçek zamanlı taşkın ve yüzey suyu izleme#

Taşkınlar, yüzey suyu sistemleri ve kentsel altyapı için en acil tehditlerden biridir. Nehirlerin seviyesi hızla yükselebilir, drenaj ağları taşabilir ve döküntüler önemli kanalları tıkayabilir.

Geleneksel yaklaşımlar genellikle belirli aralıklarla veri bildiren sabit su seviyesi göstergelerine ve telemetri sistemlerine dayanır; bu sistemler geniş veya dağınık su kütlelerinde sınırlı kapsama alanı sağlar. İklim değişikliğiyle bağlantılı aşırı hava olaylarında, tespitte yaşanacak kısa gecikmeler bile altyapı hasarı ve su kirliliği riskini artırabilir.

Su kalitesi uzmanları, bu eksiklikleri bilgisayarlı görü kullanarak gidermenin yollarını araştırıyor. Derin öğrenme algoritmalarını ve Ultralytics YOLO26 gibi nesne algılama modellerini canlı kamera görüntülerine uygulayarak yüzey suyu koşullarını sürekli analiz eden sistemler geliştiriyorlar.

Buna iyi bir örnek, ek donanım gerektirmeden yükselen su seviyelerini izlemek, taşkın olaylarını tespit etmek ve döküntü birikimini gerçek zamanlı olarak belirlemek için mevcut CCTV altyapısının kullanılmasıdır.

Şekil 2. Bilgisayarlı görü, nehir su seviyelerinin ölçülmesine yardımcı olabilir. (Kaynak)

Rezervuar ve nehir izleme için su altı araçları ve dronlar#

Büyük rezervuarları ve nehir sistemlerini izlemek, kendine özgü bir dizi zorluk barındırır. Bu dinamik su kütlelerinde kirlenme, berraklıktaki değişimler veya yosun oluşumu konuma göre büyük farklılıklar gösterebilir; bu da sabit izleme istasyonlarının kapsamlı değerlendirmedeki etkinliğini azaltır.

Bu sorunu çözmek için araştırmacılar ve çevre koruma ekipleri, hareket kabiliyetini akıllı algılama özellikleriyle birleştiren ağ bağlantılı dronlar ve otonom su altı araçları geliştiriyor. Bu hibrit sistemler hem su üstünde hem de su altında çalışarak çözünmüş oksijen, pH, bulanıklık, sıcaklık ve yosun yoğunluğu hakkında gerçek zamanlı veri topluyor.

Genellikle derin öğrenme ve uyarlanabilir algoritmalarla güçlendirilen entegre bilgisayarlı görü modelleri ve yönlendirme sistemleri, doğrudan dronların veya otonom araçların üzerinde çalışabilir. Örneğin kamera ve görsel yapay zekâ modeliyle donatılmış bir otonom izleme aracı, rezervuar boyunca ilerlerken yüzen plastik atık kümelerini gerçek zamanlı olarak belirleyebilir.

Araç, bu görsel analize dayanarak etkilenen bölgeyi daha yakından incelemek için rotasını otonom biçimde değiştirebilir veya operatörlere uyarı gönderebilir. Bu yaklaşım; robotik, AI ve büyük ölçekli mekânsal veri toplamayı bir araya getirerek daha hızlı düzeltici müdahaleyi ve daha bilinçli su yönetimi kararlarını mümkün kılar.

Şekil 3. Görsel yapay zekâ kullanarak bir su kütlesini izleyen otonom yüzey aracı (Kaynak)

Akıllı atık su arıtma tesisi izleme#

Nehirler ve rezervuarlar geniş kapsamlı çevresel izleme gerektirirken, atık su arıtma tesisleri operasyonel verimlilik sorunlarıyla karşılaşır. Bu tesisler, su kalitesiyle ilgili katı düzenleyici standartları korurken her gün büyük miktarlarda atık suyu işlemek zorundadır.

Atık su arıtmadaki geleneksel izleme yöntemleri büyük ölçüde kimyasal sensörlere ve periyodik denetimlere dayanır; ancak bu yöntemler köpük birikimi, çamurun çökmesiyle ilgili sorunlar, yüzen atık birikimi, anormal renklenme veya mekanik tıkanıklıklar gibi görünür süreç düzensizliklerini her zaman yakalayamaz. Bilgisayarlı görü ek bir denetim katmanı sağlayabilir.

Yüzeyinde köpük birikmeye başlayan bir havalandırma tankını düşün. Sensör ölçümleri hâlâ normal görünebilir; ancak köpük, arıtma sürecindeki bir dengesizliğe işaret edebilir. Bir görü sistemi tankı sürekli izleyerek olağandışı köpük artışını tespit edebilir ve operatörleri erkenden uyarabilir.

Plastikler, katı atıklar ve yüzen döküntüler de atık su arıtma süreçlerini aksatabilir ve genel sistem verimliliğini düşürebilir. Atık kanallarda veya havuzlarda biriktiğinde akışı engelleyebilir, ekipmana zarar verebilir ve su kalitesi mevzuatına uyumu etkileyebilir.

Görsel yapay zekâ burada, arıtma kanallarındaki ve havuzlarındaki yüzen plastikleri, döküntüleri ve diğer katı atıkları tespit ederek görünürlüğü artırır. Kamera sistemleri bu alanları sürekli izleyerek operatörlerin tıkanıklıkları erkenden belirlemesine ve atığın nerede biriktiğini anlamasına yardımcı olabilir.

Şekil 4. Yüzen atıkların tespit edilmesine ve izlenmesine bir bakış (Kaynak)

Görsel izleme, kimyasal sensör verileriyle birleştirildiğinde tesis koşullarına ilişkin daha kapsamlı bir görünüm sunar; böylece zamanında bakım, daha hedefli müdahaleler ve daha istikrarlı atık su operasyonları desteklenir.

Su kalitesi izlemede bilgisayarlı görünün artıları ve eksileri#

Su kalitesi izleme sistemlerinde görsel yapay zekâ kullanmanın başlıca faydalarından bazıları şunlardır:

• Temassız izleme: Görü sistemleri, suyla doğrudan temas etmeden yüzey koşullarını değerlendirir; belirli uygulamalarda bakım ihtiyacını ve ekipman aşınmasını azaltır.
• Operasyonel optimizasyon: Arıtma tesislerinde görü sistemleri, köpük birikimini, tıkanıklıkları veya çamur sorunlarını erken tespit etmenin uygun maliyetli bir yolunu sunarak duruş sürelerini ve elle yapılan denetimlere bağımlılığı azaltmaya yardımcı olur.
• Veri entegrasyonu ve analitik: Görsel veriler, makine öğrenimi modelleri ve mevcut bilgi sistemleriyle birleştirildiğinde eğilim analizini, anomali tespitini ve daha uyarlanabilir izleme stratejilerini destekleyebilir.

Bu avantajlara rağmen, su kalitesi izlemede bilgisayarlı görünün göz önünde bulundurulması gereken bazı sınırlamaları da vardır. Dikkate alman gereken birkaç etken şunlardır:

• Çevresel değişkenlik: Aydınlatma değişiklikleri, yansımalar ve hava koşulları görüntü işleme doğruluğunu ve sistem sağlamlığını etkileyebilir.
• Entegrasyon karmaşıklığı: Görü sistemlerini eski altyapıya, denetleyici kontrol ve veri toplama (SCADA) sistemlerine veya veri platformlarına bağlamak teknik açıdan zorlayıcı olabilir.
• Bakım ve kalibrasyon: Güvenilir performansı korumak için kameraların temizlenmesi, konumlarının ayarlanması ve belirli aralıklarla yeniden kalibre edilmesi gerekir.

Önemli çıkarımlar#

Su kalitesinin izlenmesi, halk sağlığı ve sürdürülebilir su kaynakları açısından hayati önem taşır; ancak geleneksel yöntemler tek başına günümüzün küresel zorluklarına ölçeklenemez. Bilgisayarlı görü, su kütlelerinde sürekli ve gerçek zamanlı içgörü sağlayarak daha hızlı tespiti ve daha akıllı su yönetimini destekler. Çevresel baskılar arttıkça görsel yapay zekâ, uyarlanabilir su izleme sistemlerinin kurulmasında muhtemelen merkezi bir rol oynayacak.

Projelerine görsel yapay zekâ katmak ister misin? Aktif topluluğumuza katıl; üretimde görsel yapay zekâ ve robotikte bilgisayarlı görü hakkında bilgi edin. Daha fazlasını öğrenmek için GitHub depomuzu incele. Başlamak için lisanslama seçeneklerimize göz at!