Su kalitesi izlemede bilgisayarlı görüyü keşfetme

Temiz su, halk sağlığı ve günlük yaşam için esastır. Yine de dünya çapında yaklaşık 4 milyar insan, güvenli içme suyuna erişimden yoksundur veya ek işlem olmaksızın suyun güvenli olduğundan şüphe duymaktadır.

Aynı zamanda, küresel evsel atık suyun yalnızca %56'sı güvenli bir şekilde arıtılmaktadır. Bu rakamlar, daha iyi su kalitesi izleme ihtiyacına işaret etmektedir.

Basitçe ifade etmek gerekirse, izleme güvenli su yönetimi için esastır. Kontaminasyon, su kirliliği veya artan bulanıklık seviyeleri erken tespit edilmediğinde, birçok insan güvenli olmayan içme suyuna maruz kalabilir, endüstriler aksamalarla karşılaşabilir ve sucul ekosistemler zarar görebilir.

Ancak, mevcut birçok su kalitesi izleme yöntemi hâlâ birbirinden kopuktur. Çoğu sistem; periyodik manuel örneklemeye, laboratuvar analizine veya yalnızca tek bir noktadaki koşulları ölçen sabit sensörlere bağımlıdır. Büyük nehirlerde, rezervuarlarda ve diğer su kütlelerinde bu durum görünürlüğü düşürür ve gerçek zamanlı içgörüleri sınırlar.

Son yıllarda, yapay zeka (AI) alanındaki gelişmeler yeni olasılıklar açmıştır. Örneğin, makinelerin görüntü ve video verilerini yorumlamasını ve analiz etmesini sağlayan bir yapay zeka dalı olan bilgisayarlı görü, artık yüzey sularından, atık su sistemlerinden ve uzaktan algılama platformlarından gelen görselleri analiz etmek için kullanılmaktadır.

Şekil 1. Yüzen plastik atıkları tespit etmek için görü tabanlı yapay zeka kullanımına bir örnek (Kaynak)

Aslında, su yönetiminde yapay zeka pazarının 2032 yılına kadar 53,85 milyar dolara ulaşması bekleniyor ve bu durum, akıllı, uyarlanabilir izleme sistemlerine yönelik artan ivmeyi yansıtıyor. Bu makalede, bilgisayarlı görünün su kalitesi izlemeyi nasıl yeniden şekillendirdiğini inceleyeceğiz.

Link to this sectionGeleneksel su kalitesi izlemenin sınırları#

On yıllardır su kalitesi ve çevresel izleme, manuel örnekleme ve sabit enstrümanlara dayalı geleneksel izleme metodolojilerine güvenmiştir. Tipik olarak saha ekipleri; nehirlerden, göllerden ve atık su tesislerinden örnekler toplar, ardından bunları analiz için laboratuvarlara gönderir.

Bu yöntem doğru sonuçlar üretebilse de, emek yoğun bir süreçtir ve periyodik güncellemeler gerektirir. Örnekleme aralıkları arasında su kalitesindeki değişimler fark edilmeden kalabilir.

Sensör tabanlı izleme sistemleri bu boşlukların bir kısmını doldurmaya yardımcı olur. Bu sistemler; bulanıklık, pH, çözünmüş oksijen ve su seviyesi gibi metrikleri ölçer.

Ancak, bu sistemlerin genellikle sınırlı bir uzamsal kapsama alanı vardır. Örneğin, tek bir sensör, çok daha büyük bir yüzey suyu kütlesi içindeki tek bir noktayı temsil eder. Büyük ölçekli su kütlelerinde veya dağıtık su kaynaklarında bu durum kör noktalar yaratır.

Bakım bir diğer zorluktur. Sensörler, doğruluğu korumak için kalibrasyon, temizlik ve doğrulama gerektirir.

Çamur, birikinti, alg oluşumu veya sert hava koşulları zamanla ölçümleri etkileyebilir. Sonuç olarak, birçok sistem sorunları tahmin edip erken uyarı vermek yerine sorunlara tepki vermek durumunda kalır. Kontaminasyon veya su kirliliği tespit edildiğinde, kirlilik çoktan aşağı yöne yayılmış olabilir.

Çevresel değişkenlik ek bir karmaşıklık katar. İklim değişikliği, sel ve mevsimsel değişimler gibi faktörler sucul ekosistemleri hızla değiştirebilir. Statik izleme yöntemleri bu dinamik koşullara uyum sağlamakta zorlanır. Bu durum, nehirler, rezervuarlar ve kıyı bölgelerinde gerçek zamanlı izlemeyi zorlaştırır.

Link to this sectionSu kalitesi izlemede bilgisayarlı görünün rolü#

Bilgisayarlı görü, görüntüleri ve videoları genellikle gerçek zamanlı olarak analiz etmek için kameraları ve yapay zeka modellerini bir araya getirir. Bu sistemler görsel kalıpları yorumlar. Evrişimli sinir ağları (CNN) ve diğer yapay sinir ağları gibi derin öğrenme modellerini kullanarak bu görsellerin ne anlama geldiğini kavrarlar.

Özellikle, görüntü işleme ve nesne tespiti ile örnek bölümleme gibi bilgisayarlı görü görevleri sayesinde bu modeller, su koşullarındaki görünür değişimleri tanımlayabilir.

Sıra dışı renk değişimlerini, berraklıktaki sapmaları, yüzen birikintileri, alg patlamalarını, köpük oluşumunu veya taşma olaylarını tespit edebilirler. Bazı durumlarda, ince piksel seviyesindeki değişimler, kontaminasyon veya kirliliğin ilk görünür belirtilerini gösterebilir.

Link to this sectionGörü tabanlı yapay zekanın su altyapısına entegrasyonu#

Vision-based systems offer broader coverage, can monitor large surface water areas without physical contact, and often leverage existing camera infrastructure. State-of-the-art vision AI models such as Ultralytics YOLO26 are designed for fast, real-time detection, making them suitable for adaptive water quality monitoring systems.

YOLO modelleri; nesne tespiti, örnek bölümleme ve görüntü sınıflandırma dahil olmak üzere bir dizi bilgisayarlı görü görevini destekler. Bu, sistemlerin su kütlelerindeki yüzen birikintileri, köpük oluşumunu, alg patlamalarını, yüzey renk bozulmalarını veya diğer görünür anormallikleri tanımlamasını sağlar.

Bu tür bilgisayarlı görü çözümleri ayrıca dronlar, uydu uzaktan algılama platformları, IoT ağları ve atık su arıtma tesisleri ile entegre edilebilir. Bu, sürekli izleme, otomatik uyarılar ve çeşitli su kütlelerinde daha hızlı müdahaleyi mümkün kılan eyleme dönüştürülebilir içgörüler sağlamaya yardımcı olur.

Link to this sectionSu izlemede görü tabanlı yapay zeka kullanım örnekleri#

Bilgisayarlı görünün su kalitesi izlemede nasıl çalıştığını keşfettiğimize göre, gelişimini yönlendiren ana araştırma alanlarına bir göz atalım.

Link to this sectionGerçek zamanlı sel ve yüzey suyu izleme#

Sel, yüzey suyu sistemleri ve kentsel altyapı için en acil tehditlerden biridir. Nehirler hızla yükselebilir, drenaj ağları taşabilir ve birikintiler kritik kanalları tıkayabilir.

Geleneksel yaklaşımlar genellikle verileri aralıklarla rapor eden sabit su seviyesi göstergelerine ve telemetri sistemlerine güvenir, bu da büyük veya dağıtık su kütlelerinde sınırlı kapsam sağlar. İklim değişikliğiyle bağlantılı aşırı hava olayları sırasında, tespitteki kısa gecikmeler bile altyapı hasarı ve su kirliliği riskini artırabilir.

Su kalitesi uzmanları, bilgisayarlı görü kullanarak bu boşlukları nasıl giderebileceklerini araştırıyorlar. Derin öğrenme algoritmalarını ve YOLO26 gibi nesne tespiti modellerini canlı kamera beslemelerine uygulayarak, yüzey suyu koşullarını sürekli analiz eden sistemler inşa ediyorlar.

İyi bir örnek, yükselen su seviyelerini izlemek, taşma olaylarını tespit etmek ve ek donanıma ihtiyaç duymadan birikinti birikimini gerçek zamanlı olarak tanımlamak için mevcut CCTV altyapısının kullanılmasıdır.

Şekil 2. Bilgisayarlı görü, nehir suyu seviyelerini ölçmeye yardımcı olabilir. (Kaynak)

Link to this sectionRezervuar ve nehir izleme için su altı araçları ve dronlar#

Büyük rezervuarları ve nehir sistemlerini izlemek, kendine özgü bir dizi zorluk sunar. Bu dinamik su kütlelerinde kontaminasyon, berraklıktaki değişimler veya alg büyümesi bir noktadan diğerine büyük ölçüde değişebilir, bu da sabit izleme istasyonlarını eksiksiz bir değerlendirme için daha az etkili hale getirir.

Bunu yönetmek için araştırmacılar ve çevresel koruma ekipleri, hareketliliği akıllı algılama ile birleştiren ağa bağlı dronlar ve otonom su altı araçları geliştiriyorlar. Bu hibrit sistemler yüzeyin hem üzerinde hem de altında çalışarak; çözünmüş oksijen, pH, bulanıklık, sıcaklık ve alg konsantrasyonu hakkında gerçek zamanlı veriler topluyor.

Genellikle derin öğrenme ve uyarlanabilir algoritmalarla desteklenen entegre bilgisayarlı görü modelleri ve yönlendirme sistemleri, doğrudan dronlar veya otonom araçlar üzerinde çalışabilir. Örneğin, bir kamera ve görü tabanlı yapay zeka modeliyle donatılmış bir otonom izleme aracı, bir rezervuar boyunca hareket ederken yüzen plastik atık kümelerini gerçek zamanlı olarak tanımlayabilir.

Bu görsel analize dayanarak araç, etkilenen bölgeyi daha yakından incelemek için rotasını otonom olarak ayarlayabilir veya operatörlere uyarılar iletebilir. Robotik, yapay zeka ve büyük ölçekli uzamsal veri toplamayı birleştiren bu yaklaşım, daha hızlı düzeltici eylem ve daha bilinçli su yönetimi kararları sağlar.

Şekil 3. Görü tabanlı yapay zeka kullanarak bir su kütlesini izleyen otonom bir yüzey aracı (Kaynak)

Link to this sectionAkıllı atık su arıtma tesisi izleme#

Nehirler ve rezervuarlar geniş çaplı çevresel izleme gerektirirken, atık su arıtma tesisleri operasyonel verimlilik sorunlarıyla karşı karşıyadır. Bu tesisler her gün büyük hacimlerde atık suyu işlemek zorundadır ve su kalitesi için sıkı düzenleyici standartları korumalıdır.

Atık su arıtmadaki geleneksel izleme yöntemleri, büyük ölçüde kimyasal sensörlere ve periyodik denetimlere dayanır; bunlar köpük birikmesi, çamur çökeltme sorunları, pislik birikimi, anormal renklenme veya mekanik tıkanmalar gibi görünür süreç düzensizliklerini her zaman yakalayamaz. Bilgisayarlı görü, ek bir gözetim katmanı ekleyebilir.

Yüzeyinde köpük oluşmaya başlayan bir havalandırma tankını düşünün. Sensör okumaları normal görünebilir ancak köpük, arıtma sürecindeki bir dengesizliğe işaret edebilir. Bir görü sistemi tankı sürekli olarak izleyebilir, sıra dışı köpük büyümesini tespit edebilir ve operatörleri erkenden uyarabilir.

Ayrıca plastikler, katı atıklar ve yüzen birikintiler atık su arıtma süreçlerini aksatabilir ve genel sistem verimliliğini düşürebilir. Atık kanallarda veya havzalarda biriktiğinde, akışı engelleyebilir, ekipmana zarar verebilir ve su kalitesi uyumluluğunu etkileyebilir.

Burada görü tabanlı yapay zeka; arıtma kanalları ve havzaları içindeki yüzen plastikleri, birikintileri ve diğer katı atıkları tespit ederek ek görünürlük sağlar. Kamera sistemleri, bu alanları sürekli izleyerek operatörlerin tıkanıklıkları erkenden belirlemesine ve atıkların nerede biriktiğini anlamasına yardımcı olabilir.

Şekil 4. Yüzen atıkları tespit etme ve takip etmeye bir bakış (Kaynak)

Kimyasal sensör verileriyle birleştirildiğinde görsel izleme, tesis koşullarının daha eksiksiz bir görünümünü sunarak zamanında bakımı, daha hedeflenmiş müdahaleleri ve daha kararlı atık su operasyonlarını destekler.

Link to this sectionSu kalitesi izlemede bilgisayarlı görünün avantajları ve dezavantajları#

İşte su kalitesi izleme sistemlerinde görü tabanlı yapay zeka kullanmanın temel faydalarından bazıları:

• Temassız izleme: Görü sistemleri, suyla doğrudan temas etmeden yüzey koşullarını değerlendirir, bu da belirli uygulamalarda bakım ihtiyaçlarını ve ekipman aşınmasını azaltır.
• Operasyonel optimizasyon: Arıtma tesislerinde görü sistemleri; köpük birikmesini, tıkanıklıkları veya çamur sorunlarını erkenden tespit etmek için uygun maliyetli bir yol sunarak kesinti sürelerini ve manuel denetimlere olan bağımlılığı azaltmaya yardımcı olur.
• Veri entegrasyonu ve analitik: Makine öğrenimi modelleri ve mevcut bilgi sistemleriyle birleştirildiğinde, görsel veriler eğilim analizini, anomali tespitini ve daha uyarlanabilir izleme stratejilerini destekleyebilir.

Bu avantajlara rağmen, su kalitesi izlemede bilgisayarlı görünün akılda tutulması gereken bazı sınırlamaları da vardır. İşte dikkate alınması gereken birkaç faktör:

• Çevresel değişkenlik: Işık değişiklikleri, yansımalar ve hava koşulları görüntü işleme doğruluğunu ve sistem sağlamlığını etkileyebilir.
• Entegrasyon karmaşıklığı: Görü sistemlerini eski altyapıyla, denetleyici kontrol ve veri toplama (SCADA) sistemleriyle veya veri platformlarıyla bağlamak teknik olarak zorlayıcı olabilir.
• Bakım ve kalibrasyon: Kameralar, güvenilir performansı korumak için temizlik, konum ayarlamaları ve periyodik yeniden kalibrasyon gerektirir.

Link to this sectionÖne çıkanlar#

Su kalitesi izleme, halk sağlığı ve sürdürülebilir su kaynakları için hayati önem taşır, ancak yalnızca geleneksel yöntemler günümüzün küresel zorluklarına ölçeklenemez. Bilgisayarlı görü, su kütleleri genelinde sürekli ve gerçek zamanlı içgörü sağlayarak daha hızlı tespit ve daha akıllı su yönetimini destekler. Çevresel baskılar arttıkça, görü tabanlı yapay zeka uyarlanabilir su izleme sistemleri oluşturmada merkezi bir rol oynayacaktır.

Projelerine vision AI dahil etmek mi istiyorsun? Aktif topluluğumuza katıl ve üretimde vision AI ile robotikte bilgisayarlı görü hakkında bilgi edin. Daha fazlasını öğrenmek için GitHub depomuza göz at. Başlamak için lisanslama seçeneklerimizi incele!