İçeriğe geç
TeknoShow
RSS
Robotik

Yakın Gerçek Zamanlı İHA Tabanlı Bilgisayarlı Görüş Sistemi: Yangın ve Duman Tespiti ile Konum Belirleme İçin YOLO Nesne Tespiti ve Görünür Işık İletişimi Kullanılıyor

Erken ve güvenilir yangın ile duman tespiti, özellikle değişken aydınlatma, değişen nesne ölçekleri ve duman kaynaklı görsel bozulmaların olduğu insansız…

X’te paylaş Facebook
Yakın Gerçek Zamanlı İHA Tabanlı Bilgisayarlı Görüş Sistemi: Yangın ve Duman Tespiti ile Konum Belirleme İçin YOLO Nesne Tespiti ve Görünür Işık İletişimi Kullanılıyor

Özet

Giriş:

Erken ve güvenilir yangın ile duman tespiti, özellikle değişken aydınlatma, değişen nesne ölçekleri ve duman kaynaklı görsel bozulmaların olduğu insansız hava aracı (İHA) tabanlı ortamlarda etkili acil durum izleme için hayati öneme sahiptir. Bu çalışma, YOLO tabanlı nesne tespiti, geometrik yangın kaynağı yerelleştirmesi ve görünür ışık iletişimini (VLC) entegre eden, neredeyse gerçek zamanlı çalışan bir İHA tabanlı bilgisayarlı görü çerçevesi önermektedir.

Yöntemler:

Manuel olarak etiketlenmiş 4.200 yangın ve duman görüntüsünden oluşan bir veri seti, 80:10:10 oranında eğitim, doğrulama ve test alt kümelerine ayrıldı. YOLOv10, YOLOv11 ve YOLOv12 mimarileri; Hassasiyet, Duyarlılık, mAP50, mAP50-95, çıkarım süresi ve saniye başına kare metrikleri kullanılarak karşılaştırıldı. Yangın kaynağı yerelleştirmesi, İHA konumu ve kamera geometrisine dayalı kamera-ışın projeksiyonu ve zemin düzlemi kesişimi kullanılarak modellendi. RF ve VLC iletişimi analitik modelleme ve simülasyon yoluyla değerlendirildi.

Sonuçlar:

YOLOv10l, tespit doğruluğu ile hesaplama verimliliği arasında olumlu bir denge sergileyerek 0,962 Hassasiyet, 0,968 Duyarlılık, 0,980 mAP50 ve 0,676 mAP50-95 değerlerine ulaştı. Modellenen iletişim koşullarında, VLC destekli iletim %5–10 sinyal kaybı gösterirken, RF iletişimde bu oran %15–25 olarak saptandı ve tahmini gecikme süresi 40 ms’nin altında kaldı. Simüle edilen yangın kaynağı yerelleştirme hataları 0,5 ila 1,2 m arasında değişti ve çoklu bakış açısı üçgenleme varsayımları altında 0,3–0,5 m’ye kadar düştü.

Tartışma:

Bulgular, YOLO tabanlı yangın ve duman tespitinin, geometrik yerelleştirme ve VLC destekli iletişimle entegrasyonunun neredeyse gerçek zamanlı İHA izleme için potansiyelini göstermektedir. Tespit deneyleri iş istasyonu donanımı kullanılarak gerçekleştirilirken, iletişim ve yerelleştirme sonuçları modelleme ve simülasyon yoluyla elde edildi. Gerçek dünya performansı ve genellenebilirliği değerlendirmek için İHA üzerinde daha fazla test ve bağımsız doğrulama gerekmektedir.

Giriş

Yangın olayları insan güvenliği, doğal ekosistemler, endüstriyel tesisler ve kritik altyapılar için ciddi bir tehdit oluşturmaktadır. Yangın kaynaklarının geç tespit edilmesi ve hatalı yerelleştirilmesi, yangının hızla yayılmasına, artan ekonomik kayıplara, çevresel hasara ve acil durum müdahalesinin etkinliğinin azalmasına yol açabilir. Bu nedenle, yangını ve dumana erken aşamada tespit edebilen, tutuşma kaynağını yerelleştirebilen ve bilgiyi gerçek zamanlı olarak güvenilir bir şekilde iletebilen akıllı sistemlerin geliştirilmesi, bilgisayarlı görü, otonom izleme ve acil durum yönetimi alanlarında önemli bir araştırma sorunudur.

Geleneksel yangın tespit sistemleri genellikle duman, sıcaklık, gaz ve kızılötesi sensörler dahil olmak üzere fiziksel sensörlere dayanır. Bu tür sistemler iç mekan ve endüstriyel ortamlarda yaygın olarak kullanılmasına rağmen, tespit menzilleri genellikle yereldir, tepkileri sensör yerleşimine bağlıdır ve açık alanlarda, ormanlarda, büyük endüstriyel bölgelerde ve karmaşık kentsel ortamlarda performansları sınırlı olabilir. Bu sınırlamaları aşmak için görüntü tabanlı yangın tespit yöntemleri aktif olarak incelenmiştir. Erken görsel yaklaşımlar, görüntülerde ve video akışlarında alev ve duman bölgelerini belirlemek için manuel olarak tasarlanmış renk, şekil ve hareket özelliklerini kullanmıştır (Chen ve diğerleri, 2004; Celik ve Demirel, 2009; Foggia ve diğerleri, 2015). Ancak bu yöntemler genellikle aydınlatma değişikliklerine, arka plan benzerliğine, duman yoğunluğuna ve çevresel gürültüye duyarlıdır. Tek görüntü tespitinin ötesinde, video tabanlı tanıma yaklaşımları, görsel olarak karmaşık izleme ortamlarında yangınla ilgili olayları belirlemek için zamansal bilgiden yararlanma fırsatları sunar (Verlekar ve Bernardino, 2020).

Dijital modelleme yaklaşımları ayrıca doğal ve insan kaynaklı kritik durumlarda karar verme risk değerlendirmesine de uygulanmış ve belirsiz koşullar altında acil durum izleme ve müdahalesi için hesapsal desteğin önemini göstermiştir (Yesmagambetova ve diğerleri, 2022).

Derin öğrenmedeki son gelişmeler, görsel yangın ve duman tespit sistemlerinin performansını önemli ölçüde artırmıştır. Evrişimli sinir ağları ve derin nesne tespit modelleri, görsel verilerden ayırt edici özellikleri otomatik olarak çıkarabilir ve bu da manuel olarak tasarlanmış özelliklere olan bağımlılığı azaltır (Muhammad ve diğerleri, 2018; Vasconcelos ve diğerleri, 2024; Elhanashi ve diğerleri, 2025). Özellikle, YOLO ailesinden tek aşamalı nesne tespit ediciler, doğruluk ile çıkarım hızı arasında pratik bir denge sağladıkları için neredeyse gerçek zamanlı tespit görevlerinde yaygın olarak kullanılmaktadır (Qin ve diğerleri, 2021; Ramlee ve diğerleri, 2025). Yoğun bağlantılı evrişimli mimariler de dahil olmak üzere derin öğrenme yaklaşımları, görsel özellik çıkarımında ve yangın tespitinde ilerlemelere katkıda bulunmuştur. Son çalışmalar ayrıca, karmaşık görsel sahnelerin yorumlanmasını iyileştirmek için segmentasyon tabanlı yangın tanımayı ve çok aşamalı yangın tespit sistemlerini de incelemiştir (Huang ve diğerleri, 2017; Kwon ve diğerleri, 2025; Sultan ve diğerleri, 2024). YOLOv10, YOLOv11 ve YOLOv12 dahil olmak üzere son YOLO mimarileri, neredeyse gerçek zamanlı tespit performansını daha da iyileştirmekte ve İHA tabanlı izleme sistemlerinde yangın ve duman tanıma için yeni olanaklar sunmaktadır (Wang ve diğerleri, 2024; Khanam ve Hussain, 2024; Tian ve diğerleri, 2025).

Son çalışmalar ayrıca, modern bilgisayarlı görü sistemlerinin yalnızca tespit doğruluğuyla değil, aynı zamanda hesaplama verimliliği, sağlamlığı ve karmaşık ortamlarda dağıtım için uygunluğuyla da giderek daha fazla değerlendirildiğini göstermektedir. Örneğin, Melan-YOLO, özelleştirilmiş YOLO tabanlı mimarilerin bozulmuş görsel ortamlarda tespit doğruluğu ile hesaplama maliyeti arasındaki dengeyi iyileştirebileceğini göstermektedir (Fındıkçı ve diğerleri, 2026). Benzer şekilde, adaptif özellik öğrenmesine sahip son hibrit bilgisayarlı görü modelleri, derin özellik çıkarımını göreve özgü temsil mekanizmalarıyla birleştirmenin karmaşık görsel tanıma problemlerinde sağlamlığı artırabileceğini göstermektedir (Balcı ve diğerleri, 2026). Bu çalışmalar, yangın ve duman tespit edicilerinin yalnızca genel doğrulukla değil, aynı zamanda çıkarım hızı, yerelleştirme kalitesi ve zorlu görsel koşullar altında kararlılık açısından da değerlendirilmesi gerektiğini desteklemektedir.

Robotik keşif sistemleri üzerine yapılan ilgili çalışmalar ayrıca, doğrudan insan denetiminin riskli olabileceği durumlarda otonom platformların tehlikeli ortamları izlemek ve tehlikeli kaynakları tespit etmek için kullanılabileceğini göstermektedir (Alibekkyzy ve diğerleri, 2026a).

Bilgisayarlı görü açısından, İHA tabanlı yangın izleme sadece ikili bir tespit problemi değil, aynı zamanda bir nesne yerelleştirme problemidir. Yangın ve duman bölgeleri boyut, şekil, renk yoğunluğu, şeffaflık ve arka plan kontrastı açısından önemli ölçüde değişebilir. İHA görüntülerinde, değişen uçuş yüksekliği, kamera açısı, hareket bulanıklığı, ölçek değişimi ve duman veya çevresel nesneler tarafından kısmi örtülme gibi ek zorluklar ortaya çıkar. Bu nedenle, bu görev için uygun bir model yalnızca yüksek sınıflandırma doğruluğu sağlamakla kalmamalı, aynı zamanda güvenilir sınırlayıcı kutu yerelleştirmesi ve neredeyse gerçek zamanlı çalışma için yeterli çıkarım hızı da sunmalıdır.

İnsansız hava araçları yangın izleme için etkili bir platform sunar çünkü geniş alanları hızla kapsayabilir, zor erişimli bölgeleri inceleyebilir ve esnek görsel perspektifler sağlayabilir. İHA tabanlı izleme, özellikle sabit sensörlerin bulunmadığı veya yetersiz olduğu ormanlar, endüstriyel alanlar, açık araziler ve acil durum ortamları için özellikle önemlidir. Otonom yangın izleme sistemleri üzerine yapılan önceki çalışmalar, derin öğrenme, robotik ve IoT teknolojilerini birleştirerek yangın tespiti ve acil durum müdahalesi için potansiyeli göstermiştir (Ibitoye ve diğerleri, 2024; Sucuoglu, 2025; Bonilla-Ormachea ve diğerleri, 2025). Ancak, İHA tabanlı sistemlerin etkinliği yalnızca tespit doğruluğuna değil, aynı zamanda istikrarlı iletişime ve yangın kaynağının doğru bir şekilde yerelleştirilmesine de bağlıdır.

UAV tabanlı yangın izleme sistemlerinin çoğu, video verilerini, telemetriyi ve kontrol bilgilerini iletmek için esas olarak radyo frekanslı (RF) iletişim kanallarına dayanır. Acil durum koşullarında RF bağlantıları elektromanyetik girişimlerden, spektrum yoğunluğundan, bant genişliği sınırlamalarından, sinyal bozulmasından ve güvenlik risklerinden etkilenebilir. Bu sınırlamalar özellikle endüstriyel alanlarda, yoğun kentsel ortamlarda, afet bölgelerinde ve iletişim altyapısının hasar gördüğü veya aşırı yüklendiği yerlerde kritik öneme sahiptir. Bu nedenle, bilgisayarlı görü modeli yüksek tespit doğruluğu sağlasa bile, paket kaybı, iletim gecikmesi veya alınan görsel verilerin kalitesindeki düşüş nedeniyle genel izleme sürecinin güvenilirliği azalabilir.

Görünür ışık iletişimi (VLC), veri iletimi için görünür ışık spektrumunu kullanan umut verici bir tamamlayıcı teknoloji olarak ortaya çıkmıştır. VLC, elektromanyetik girişime karşı direnç, artırılmış fiziksel katman güvenliği ve LED tabanlı altyapının kablosuz iletişim için kullanılabilmesi gibi avantajlar sunabilir (Komine ve Nakagawa, 2004; Pathak ve diğerleri, 2015; Ismail ve Salih, 2020). Bu özellikler, VLC’yi RF iletişiminin istikrarsız veya kısıtlandığı ortamlarda çalışan UAV tabanlı izleme sistemleri için cazip kılar. Bununla birlikte, VLC’nin de görüş hattına bağımlılık, hizalama hassasiyeti ve duman, sis, toz veya olumsuz hava koşullarında sinyal zayıflaması gibi çeşitli sınırlamaları vardır. Bu nedenle VLC, RF iletişiminin tam bir alternatifi olmaktan ziyade, belirli operasyonel koşullar altında iletişim güvenilirliğini artırabilen tamamlayıcı bir kanal olarak değerlendirilmelidir. Son çalışmalar, kablosuz veri iletiminde görünür ışık iletişimi ve Li-Fi teknolojilerinin uygulamalarını inceleyerek, bunların tamamlayıcı optik iletişim çözümleri olarak potansiyelini ve dağıtım kısıtlamalarının değerlendirilmesinin önemini vurgulamıştır (Mamatnabiyev ve Galiyev, 2024; Shende ve Rojatkar, 2025).

Önceki çalışmaların analizi, yangın tespiti, UAV tabanlı izleme ve VLC tabanlı iletişimin çoğunlukla ayrı araştırma alanları olarak ele alındığını göstermektedir. Mevcut çalışmalar genellikle ya yangın ve duman tespit doğruluğunu artırmaya, otonom izleme platformları geliştirmeye ya da optik iletişim kanallarını analiz etmeye odaklanmaktadır. Ancak, nesne tespiti performansı, hesaplama verimliliği, iletişim güvenilirliği ve yangın kaynağının yerini belirlemeyi bir arada ele alan entegre bir uçtan uca çerçeve sunan çalışmalar nispeten azdır.

Ayrıca, mevcut yangın tespiti çalışmaları genellikle tek bir tespit mimarisini değerlendirir veya esas olarak sınıflandırma doğruluğuna odaklanır. Özellikle UAV tabanlı yangın ve duman nesnelerinin yerini belirlemede, tespit doğruluğu, yer belirleme kalitesi ve neredeyse gerçek zamanlı çıkarım hızının birlikte değerlendirildiği son YOLO mimarilerinin karşılaştırmalı analizi yeterince ele alınmamıştır. Bu boşluğu doldurmak için bu çalışma, yangın ve duman tespiti, yangın kaynağının yerini belirleme ve sağlam neredeyse gerçek zamanlı veri iletimi için hibrit bir UAV tabanlı çerçeve önermektedir. Bu çerçeve, YOLO tabanlı nesne tespitini, UAV tabanlı görsel izlemeyi, geometrik yangın kaynağı yer belirlemesini ve VLC tabanlı iletişimi birleşik bir izleme sürecinde entegre eder. Bu çalışmanın amacı, önerilen sistemi yalnızca bir tespit modeli olarak değil, aynı zamanda acil müdahale senaryoları için uçtan uca bir izleme çerçevesi olarak da değerlendirmektir.

Bu çalışmanın temel katkıları şunlardır: Birincisi, bu çalışma yangın ve duman tespiti ile yer belirlemesi için UAV tabanlı neredeyse gerçek zamanlı bir bilgisayarlı görü süreci geliştirmektedir. İkincisi, nesne tespiti deneyleri için 4.200 yangın ve duman görüntüsünden oluşan özel bir veri seti hazırlanmış ve YOLO formatında manuel olarak etiketlenmiştir. Üçüncüsü, YOLOv10, YOLOv11 ve YOLOv12 dahil olmak üzere birkaç son YOLO mimarisi; Tutarlılık, Geri Çağırma, mAP50, mAP50-95, F1 skoru, çıkarım süresi ve FPS ölçütleri kullanılarak deneysel olarak karşılaştırılmış ve neredeyse gerçek zamanlı UAV tabanlı izleme için en uygun model belirlenmiştir. Dördüncüsü, seçilen tespit modelinin sınırlayıcı kutu çıktıları, yangın kaynağının yerini tahmin etmek için UAV konumu ve kamera geometrisiyle entegre edilmiştir. Beşincisi, RF kısıtlı koşullar altında görsel veri iletiminin güvenilirliğini artırmak için VLC tabanlı iletişim, uçtan uca izleme sürecinin destekleyici bir bileşeni olarak dahil edilmiştir.

Materyaller ve yöntemler

Çalışma tasarımı

Bu çalışma, bilgisayarlı görüyü, yangın kaynağı yer belirlemesini ve görünür ışık iletişimini birleşik bir uçtan uca sistemde entegre eden hibrit bir UAV tabanlı yangın izleme çerçevesi önermektedir. Metodolojik tasarım, görsel yangın tespiti, neredeyse gerçek zamanlı nesne tespiti, otonom izleme sistemleri ve VLC tabanlı iletişim alanındaki önceki araştırmalara dayanarak geliştirilmiştir. Klasik görüntü işleme çalışmaları, görsel özellikler kullanılarak yangın tespitinin mümkün olduğunu gösterirken, son derin öğrenme çalışmaları CNN ve YOLO tabanlı modellerin daha yüksek dayanıklılık ve neredeyse gerçek zamanlı performans sağladığını ortaya koymuştur (Celik ve Demirel, 2009; Muhammad ve diğerleri, 2018; Qin ve diğerleri, 2021; Vasconcelos ve diğerleri, 2024). Ayrıca, robotik ve UAV tabanlı yangın izleme üzerine yapılan çalışmalar, acil müdahale uygulamaları için mobil platformların uygunluğunu doğrulamıştır (Ibitoye ve diğerleri, 2024; Sucuoglu, 2025; Bonilla-Ormachea ve diğerleri, 2025). İletişim bileşeni ise, RF kısıtlı ve girişime yatkın ortamlarda görünür ışık iletişiminin potansiyelini vurgulayan VLC araştırmalarından esinlenmiştir (Komine ve Nakagawa, 2004; Pathak ve diğerleri, 2015; Ismail ve Salih, 2020).

Önerilen çerçeve üç ana bileşenden oluşur: insansız hava aracı kullanılarak görsel veri toplama, YOLO tabanlı derin öğrenme modelleriyle yangın ve duman tespiti ve tamamlayıcı bir iletişim kanalı olarak VLC kullanılarak UAV ile yer istasyonu arasında sağlam veri iletimi. Sistem, neredeyse gerçek zamanlı izlemeyi, erken yangın ve duman tespitini, yaklaşık yangın kaynağı yer belirlemesini ve geleneksel RF iletişiminin girişimden, bant genişliği sınırlamalarından veya sinyal bozulmasından etkilenebileceği koşullar altında görsel bilgilerin güvenilir bir şekilde iletilmesini desteklemek üzere tasarlanmıştır.

Önerilen çerçeve, yazarların veri iletim kalitesinin otomatik kontrolüne ilişkin önceki patentli geliştirmelerine dayanmaktadır (Alibekkyzy ve diğerleri, 2026b).

Veri seti hazırlığı

Yangın ve duman tanıma için nesne tespiti modellerini eğitmek, doğrulamak ve test etmek amacıyla özel bir görüntü veri seti hazırlanmıştır. Veri seti, iki hedef sınıfı içeren 4.200 görüntüden oluşmaktadır: yangın ve duman. Görüntüler açık alanlar, kentsel ortamlar ve dumandan etkilenmiş sahneler de dahil olmak üzere farklı izleme koşullarını temsil etmektedir. Bu çeşitlilik, eğitilen modellerin genelleme yeteneğini artırmak ve görsel olarak karmaşık koşullar altında performanslarını değerlendirmek için dahil edilmiştir. Çeşitli eğitim verilerine duyulan ihtiyaç, yangın ve duman tespit modellerinin farklı çevresel koşullar, aydınlatma seviyeleri ve arka plan yapıları altında değerlendirilmesi gerektiğini vurgulayan son çalışmalarla tutarlıdır (Elhanashi ve diğerleri, 2025; He, 2025).

Veri seti, 80:10:10 oranında eğitim, doğrulama ve test alt kümelerine ayrılmıştır. Eğitim alt kümesi 3.360 görüntü içermekte ve model parametrelerini optimize etmek için kullanılmaktadır. Doğrulama alt kümesi 420 görüntü içermekte ve eğitim sürecini izlemek ile aşırı uyum riskini azaltmak için kullanılmaktadır. Test alt kümesi de 420 görüntü içermekte ve model performansının nihai değerlendirmesi için kullanılmaktadır. Modeller arasında adil bir karşılaştırma sağlamak amacıyla tüm YOLO mimarileri için aynı veri bölünmesi kullanılmıştır.

UAV veri yönetimi ortamı, görevle ilgili görsel verilerin, videoların, görüntülerin, koordinatların ve uçuş parametrelerinin depolanmasını ve arşivlenmesini desteklemektedir. Bu çalışmada, bu operasyonel veri yapısı, görüntü meta verilerini, uçuşla ilgili nitelikleri ve uçuş sonrası görsel kayıtları düzenlemek için bir referans olarak kullanılmıştır. Bununla birlikte, YOLO eğitimi için kullanılan nesne tespiti veri seti ayrıca küratörlüğü yapılmış ve yangın ile duman olmak üzere iki hedef sınıf için manuel olarak etiketlenmiştir.

Tekrarlanabilirliği artırmak amacıyla her bir İHA görev kaydı; görev hedefi, uçuş bölgesi, ekipman ataması, toplanan veri hacmi, uçuş durumu, telemetri kayıtları ve uçuş sonrası sonuçlar da dahil olmak üzere yapılandırılmış meta verilerle ilişkilendirilebilir. Bu tür meta veriler, veri setinin izlenebilirliğini, sahne düzeyinde ayrımı ve görüntülerin kökeninin daha sonraki doğrulanmasını destekler.

Veri seti; halka açık yangın ve duman görüntüleri, seçilmiş video kareleri ve İHA ile ilgili izleme senaryoları da dahil olmak üzere çeşitli görsel kaynaklardan derlenmiştir. Görüntüler yalnızca görünür yangın veya duman bölgeleri açıkça etiketlenebiliyorsa dahil edilmiştir. Nihai veri seti iki nesne sınıfı içeriyordu: yangın ve duman. Veri sızıntısını azaltmak için, görsel olarak benzer kareler ve aynı sahneden alınan neredeyse kopya görüntüler, bölmeden önce gruplandırıldı; böylece bir sahneden gelen görüntüler eğitim, doğrulama ve test alt kümeleri arasında dağıtılmadı. Bu sahne düzeyinde ayırma stratejisi, modelin genelleme yeteneğinin daha gerçekçi bir şekilde değerlendirilmesini sağlamak için kullanıldı.

Etiketleme süreci iki etiketleyici tarafından gerçekleştirildi ve ardından üçüncü bir denetleyici tarafından kontrol edildi. YOLO formatında LabelImg kullanılarak görünür yangın ve duman bölgelerinin etrafına sınırlayıcı kutular çizildi. Düşük kontrastlı duman, yapay ışık veya kısmen örtülmüş yangın gibi belirsiz bölgeler, nihai olarak dahil edilmeden önce ortaklaşa incelendi. Etiketleme protokolü yalnızca iki hedef sınıfı, yani yangın ve dumanı tanımladı; diğer tüm nesneler etiketlemeden dışlandı.

Mevcut veri setinin özellikleri Tablo 1’de özetlenmiştir.

Veri seti özelliği Değer
Toplam görüntü sayısı 4.200
Eğitim görüntüleri 3.360
Doğrulama görüntüleri 420
Test görüntüleri 420
Hedef sınıf sayısı 2
Hedef sınıflar Yangın, duman
Yangın içeren görüntüler Korunan kayıtlardan mevcut değil
Duman içeren görüntüler Korunan kayıtlardan mevcut değil
Hem yangın hem de duman içeren görüntüler Korunan kayıtlardan mevcut değil
Yangın sınırlayıcı kutuları Korunan kayıtlardan mevcut değil
Duman sınırlayıcı kutuları Korunan kayıtlardan mevcut değil
Etiketleme formatı YOLO sınırlayıcı kutu formatı
Etiketleme aracı LabelImg
Etiketleme denetimi İki etiketleyici ve bir denetleyici
Veri ayırma stratejisi Sahne düzeyinde ayrım ile 80:10:10
Neredeyse kopya kontrolü Görsel olarak benzer kareler ve neredeyse kopya görüntüler bölmeden önce gruplandırıldı

Görüntü etiketleme ve ön işleme

Tüm görüntüler, görünür yangın ve duman bölgelerinin etrafına sınırlayıcı kutular kullanılarak YOLO formatında manuel olarak etiketlendi. Etiketleme süreci LabelImg aracı kullanılarak gerçekleştirildi. Etiketlenen her nesne iki sınıftan birine atandı: yangın veya duman. Sınırlayıcı kutuların kullanılması, sorunun yalnızca ikili sınıflandırma görevi olarak değil, bir nesne tespiti görevi olarak formüle edilmesini sağladı. Bu yaklaşım, sınırlayıcı kutu tahmininin görsel sahnelerde yangınla ilgili nesneleri tanımlamak ve yerini belirlemek için kullanıldığı önceki YOLO tabanlı yangın tespiti çalışmalarıyla tutarlıdır (Qin vd., 2021; Ramlee vd., 2025).

Eğitilen modellerin sağlamlığını artırmak için eğitim sırasında görüntü artırma teknikleri uygulandı. Bunlar arasında görüntü döndürme, ölçeklendirme, parlaklık ayarlaması, kontrast ayarlaması ve yatay çevirme yer alıyordu. Bu tür artırma yöntemleri, değişken aydınlatma, mesafe ve görüntüleme koşulları altında modelin genelleme yeteneğini artırmak için derin öğrenme tabanlı yangın tespitinde yaygın olarak kullanılmaktadır (Vasconcelos vd., 2024; Elhanashi vd., 2025). Model eğitimi ve değerlendirmesi için girdi görüntüsü çözünürlüğü 640 × 640 piksel olarak ayarlandı.

YOLO tabanlı yangın ve duman tespiti

Yangın ve duman tespiti, YOLO ailesinden nesne tespiti modelleri kullanılarak uygulandı. Farklı konfigürasyonlarda YOLOv10, YOLOv11 ve YOLOv12 dahil olmak üzere birkaç mimari eğitilip karşılaştırıldı. Bu mimarilerin seçimi, gerçek zamanına yakın nesne tespitindeki son gelişmelerden kaynaklandı. YOLOv10, gecikme–doğruluk dengesini iyileştirmek için tasarlanmış uçtan uca bir nesne tespiti yaklaşımı sundu (Wang vd., 2024). YOLOv11, tespit verimliliği ve özellik temsili açısından iyileştirmeler içeren geliştirilmiş bir YOLO mimarisi olarak tanımlandı (Khanam ve Hussain, 2024; Ultralytics, 2024). YOLOv12 ise gerçek zamanına yakın nesne tespiti için dikkat odaklı bir tasarım sunarak görsel olarak karmaşık yangın ve duman tespiti görevlerinde karşılaştırma için uygun hale geldi (Tian vd., 2025).

Model karşılaştırması, genel görüntü sınıflandırmasından ziyade İHA tabanlı görsel izleme için son YOLO mimarilerinin uygunluğunu değerlendirmek üzere tasarlandı. Bu nedenle, değerlendirme yalnızca tespit doğruluğunu değil, aynı zamanda yer belirlemeyle ilgili metrikleri ve çıkarım hızını da dikkate aldı. Bu önemlidir çünkü çıktı sınırlayıcı kutular daha sonra yangın kaynağının yaklaşık konumunu tahmin etmek için görsel ipuçları olarak kullanılır.

Her bir girdi görüntüsü için model, yangın ve duman nesneleri için sınırlayıcı kutular, sınıf etiketleri ve güven skorları tahmin eder. Tahmin çıktısı hem yangınla ilgili nesneleri tespit etmek hem de görüntüdeki konumlarını tahmin etmek için kullanılır; bu da daha sonra yangın kaynağı yer belirleme aşamasında kullanılır. Bu nesne tespiti formülasyonu, İHA tabanlı izleme için özellikle uygundur çünkü sistemin yalnızca yangın veya dumanın varlığını değil, aynı zamanda tespit edilen olayla ilişkili yaklaşık görüntü bölgesini de belirlemesine olanak tanır.

Yer tabanlı bilgi ortamı, müşteri kuruluşu tarafından kullanılan mevcut iletişim ve ağ ekipmanları, yönetilen anahtarlama ve geçit cihazları da dahil olmak üzere, üzerinden çalışacak şekilde tasarlandı. Bu nedenle, bu çalışmadaki RF/VLC karşılaştırması, YOLO dedektörünün doğrudan bir modifikasyonu olarak değil, daha geniş bir İHA izleme altyapısı içinde bir iletişim alt sistemi değerlendirmesi olarak yorumlanmalıdır.

Eğitim konfigürasyonu

Eğitim süreci, NVIDIA GeForce RTX 4060 GPU ile donatılmış bir iş istasyonunda Ultralytics YOLO çerçevesi kullanılarak gerçekleştirildi. Tüm modeller 200 epok boyunca 16’lık bir yığın boyutuyla eğitildi. Başlangıç öğrenme oranı 0,001 olarak ayarlandı ve model optimizasyonu için AdamW optimizatörü kullanıldı. Metodolojik tutarlılığı sağlamak için karşılaştırılan tüm modellere aynı eğitim konfigürasyonu uygulandı.

Modellerin performansı; Hassasiyet, Geri Çağırma, mAP50, mAP50-95, F1 skoru, çıkarım süresi ve saniye başına kare kullanılarak değerlendirildi. Hassasiyet, tahmin edilen tüm nesneler arasında doğru tespit edilen yangın ve duman nesnelerinin oranını değerlendirmek için kullanıldı. Geri Çağırma, modelin gerçek yangın ve duman nesnelerini tespit etme yeteneğini değerlendirmek için kullanıldı. mAP50 metriği, 0,50’lik bir IoU eşiğinde tespit performansını ölçerken, mAP50-95 birden fazla IoU eşiği üzerinde daha katı bir değerlendirme sağladı. Yangın izleme sistemlerinin kaçırılan tespitleri en aza indirmesi gerektiğinden, Geri Çağırma ve mAP50-95 en uygun modeli seçmek için özellikle önemli kabul edildi.

Bu çalışmada bildirilen model performans değerleri, mevcut deneysel karşılaştırmayı temsil etmektedir. Doğrulama için birden fazla rastgele tohumla bağımsız tekrarlanan eğitim çalışmaları mevcut değildi; bu nedenle ortalama ± standart sapma tahminleri bildirilmemiştir.

YOLOv10l ve YOLOv10x, karşılaştırmalı analiz için korundu çünkü mevcut tek çalıştırma sonuçları farklı dengeler göstermektedir: YOLOv10x daha yüksek mAP50-95’e ulaşırken, YOLOv10l daha yüksek Geri Çağırma’yı daha düşük bildirilen çıkarım süresiyle birleştirdi. Rastgele tohumlar arasındaki istatistiksel kararlılık henüz değerlendirilmemiştir.

İHA tabanlı izleme mimarisi

Önerilen sistemin mobil veri toplama platformu olarak İHA değerlendirildi. İzlenen alanlardan görsel veri toplamak için bir RGB kamera ile donatıldığı varsayıldı. Çalışma sırasında İHA, önceden belirlenmiş bir izleme rotasını takip ederek farklı yüksekliklerden ve bakış açılarından görüntü veya video verileri yakalar. İHA tabanlı izlemenin seçilme nedeni, mobil platformların geniş bölgeleri, ormanları, endüstriyel alanları ve erişimi zor ortamları sabit sensör ağlarına göre daha esnek bir şekilde inceleyebilmesidir. Bu tasarım, mobil ve robotik platformların yangın tespiti ile acil durum müdahalesindeki rolünü vurgulayan son otonom izleme çalışmalarıyla tutarlıdır (Ibitoye ve diğerleri, 2024; Sucuoglu, 2025; Bonilla-Ormachea ve diğerleri, 2025).

İHA tabanlı izlemenin önemi, karmaşık ortamlarda güvenli rota planlaması ve otonom çalışmanın gerekliliğini vurgulayan İHA grup navigasyonu ve engellerden kaçınma üzerine yapılan çalışmalarla da desteklenmektedir (Keribayeva ve diğerleri, 2025).

İHA tabanlı izleme mimarisi üç fonksiyonel katmandan oluşur. Birinci katman, izlenen ortamdaki görsel bilgilerin toplandığı veri toplama katmanıdır. İkinci katman, YOLO tabanlı modeller kullanılarak yangın ve duman nesnelerinin tespit edildiği akıllı işleme katmanıdır. Üçüncü katman ise tespit edilen bilgilerin ve görsel verilerin daha ileri analiz, uyarı oluşturma ve acil durum müdahalesinin koordine edilmesi için yer istasyonuna iletildiği iletişim katmanıdır.

İHA tabanlı izleme bileşeni; uçuş talepleri, uçuş görevleri, uçuş kayıtları, ekipman envanteri, pilot etkileşimi, uçuş izleme ve interaktif harita modüllerini içeren operasyonel bir İHA altyapısı referans alınarak tasarlandı. Bu yapı, görev planlamasını, ekipman atamasını, uçuş durumunun takibini, telemetri kaydedilmesini ve uçuş sonrası veri işlenmesini destekler.

Önerilen İHA tabanlı yangın izleme sisteminin genel mimarisi Şekil 1’de sunulmuştur.

Operasyonel İHA izleme ortamı

Önerilen İHA tabanlı izleme süreci, İHA görev yönetimi için operasyonel bir bilgi ortamı bağlamında değerlendirildi. Bu ortam, uçuş taleplerinin kaydedilmesini, uçuş görevlerinin oluşturulmasını, İHA’ların ve yük ekipmanlarının atanmasını, uçuş sonuçlarının kaydedilmesini ve görevle ilgili görsel materyallerin saklanmasını destekler. Sistem ayrıca pilot etkileşimi, İHA ekipman envanteri, teknik bakım, yedek parça yönetimi, uçuş izleme ve interaktif bir harita modülleri de içerir.

Uçuş izleme modülü; İHA koordinatları, pil seviyesi, hız ve iletişim sinyali durumu gibi telemetri parametrelerinin kaydedilmesini destekler. Ayrıca rota görselleştirmesi, ilgi çekici nesnelerin harita tabanlı gösterimini ve stabil bir mobil veri kanalı mevcut olmadığında uçuş sonrası veri yükleme imkânını sunar. Entegrasyon modülü, videoların, görüntülerin, koordinatların ve uçuş parametrelerinin saklanmasını ve arşivlenmesini destekleyerek, İHA’dan elde edilen görsel verilerin ve ilgili meta verilerin yapılandırılmış bir şekilde organize edilmesi için temel oluşturur.

Bu çalışmada, operasyonel ortam, önerilen bilgisayarlı görü sürecinin konuşlandırıldığı bağlam olarak kullanıldı. YOLO tabanlı yangın ve duman tespiti deneyleri, ayrı olarak derlenmiş ve manuel olarak etiketlenmiş bir görüntü veri kümesi üzerinde gerçekleştirilirken, İHA izleme altyapısı görev planlaması, telemetri entegrasyonu, görsel veri yönetimi ve gelecekteki saha konuşlandırması için pratik gereksinimleri belirlemede kullanıldı.

Görünür ışık iletişimi modeli

Önerilen sistem, İHA ile yer istasyonu arasında tamamlayıcı bir iletişim kanalı olarak görünür ışık iletişimini (VLC) entegre eder. Bu karar, LED tabanlı optik iletişimin RF iletişimine kıyasla elektromanyetik girişime karşı direnç sağlayabildiğini ve fiziksel katman güvenliğini artırabildiğini gösteren önceki VLC çalışmalarına dayanmaktadır (Komine ve Nakagawa, 2004; Pathak ve diğerleri, 2015; Ismail ve Salih, 2020). Önerilen çerçevede VLC, YOLO tespit algoritmasını doğrudan değiştirmez. Bunun yerine, iletişim girişimleri altında iletilen görsel verilerin kararlılığını ve kalitesini artırarak uçtan uca izleme sürecini destekler.

RF ve VLC kanallarını birleştiren İHA ile yer istasyonu arasındaki hibrit iletişim şeması Şekil 2’de gösterilmiştir.

VLC güvenilirliği üzerine yapılan önceki çalışmalar, veri iletiminin kararlılığının modellenmesi ve iyileştirilmesinin, özellikle iletişim kanalı zayıflama, hizalama ve çevresel koşullardan etkileniyorsa, optik kablosuz iletişim sistemleri için önemli olduğunu göstermiştir (Alibekkyzy ve diğerleri, 2025).

VLC alt sistemi, LED tabanlı bir verici ve fotodetektör tabanlı bir alıcı içerir. Veri iletimi, görünür ışığın yoğunluk modülasyonu yoluyla gerçekleştirilir. Alınan optik güç; iletilen optik güce, kanal kazancına, verici ile alıcı arasındaki mesafeye ve optik bileşenlerin göreceli yönelimine bağlıdır. Optik kanal aşağıdaki ilişkiyle tanımlanabilir:

P

r

=

P

t

⋅

H

(

d

)

P

r

=

P

t

·

H

d

burada Pr alınan optik güç, Pt iletilen optik güç ve H(d) mesafe d’nin bir fonksiyonu olarak optik kanal kazancıdır. Lambertian bir ışık kaynağı için kanal kazancı; Lambertian emisyon mertebesine, alıcı alanına, verici ile alıcı arasındaki mesafeye ve ışıma ile geliş açılarına bağlıdır. Bu model, sinyal zayıflamasının ve iletişim güvenilirliğinin farklı mesafe ve hizalama koşulları altında değerlendirilmesine olanak tanır.

Lambertian bir vericiye sahip görüş hattı VLC bağlantısı için optik kanal kazancı şu şekilde ifade edilir:

H

(

)

=

[

(

m

+

)

A

(

π

d

)

]

⋅

cos

m

(

φ

)

⋅

T

s

(

ψ

)

⋅

g

(

ψ

)

⋅

cos

(

ψ

)

H

0

=

m

+

1

A

2

π

d

2

·

cos

⁡

m

φ

·

T

s

ψ

 

·

 

g

ψ

 

·

 

cos

ψ

burada H (0) görüş hattı optik kanal kazancını, m LED kaynağının Lambertian emisyon mertebesini, A fotodetektörün aktif alanını, d verici ile alıcı arasındaki mesafeyi, φ ışıma açısını, ψ geliş açısını, T

s

(ψ) optik filtrenin kazancını ve g(ψ) optik konsantratörün kazancını belirtir. Bu model, optik sinyalin zayıflamasının farklı mesafe ve hizalama koşulları altında değerlendirilmesine olanak tanır.

RF/VLC iletişim karşılaştırması, tam donanımsal bir saha deneyi yerine sistem düzeyinde analitik ve simülasyon tabanlı bir değerlendirme olarak gerçekleştirildi. RF kanalı, paket kaybı, gecikme ve elektromanyetik girişimden etkilenen geleneksel bir kablosuz iletim bağlantısı olarak modellendi. VLC kanalı ise OOK modülasyonu, bir LED verici, bir fotodetektör alıcı ve Lambertian kanal varsayımları kullanılarak modellenen görüş hattı LED tabanlı bir optik bağlantı olarak ele alındı. Donanım düzeyinde bit hızı, bit hata oranı, paket hata oranı ve ölçülen optik veri aktarım kapasitesi doğrudan değerlendirilmedi. Bu nedenle, rapor edilen RF/VLC değerleri, doğrudan donanım ölçümlerinden ziyade iletim kararlılığının ve gecikmenin sistem düzeyindeki tahminleri olarak yorumlanmalıdır.

VLC tabanlı veri iletim alt sisteminin iç yapısı; OOK modülasyonu, LED iletimi, optik kanal yayılımı ve fotodetektör tabanlı alımı içerecek şekilde Şekil 3’te gösterilmiştir.

Yangın kaynağı yer belirleme modeli

Yangın veya duman tespit edildikten sonra, yerelleştirme aşaması yangın kaynağının yaklaşık uzamsal konumunu insansız hava aracına (İHA) göre tahmin eder. Gözden geçirilmiş modelde, alevin veya duman sütununun fiziksel boyutu biliniyor varsayılmaz; çünkü bu nesneler dinamik, kararsızdır ve yanma koşullarına, rüzgara, bakış açısına ve duman yoğunluğuna göre değişir. Bu nedenle, tespit edilen sınırlayıcı kutu yalnızca yangın veya duman bölgesinin görüntüdeki konumunu belirlemek için kullanılırken, uzamsal yerelleştirme kamera geometrisi ve zemin düzlemi kesişimi kullanılarak gerçekleştirilir.

uc, vcuc, vc ifadeleri tespit edilen sınırlayıcı kutunun görüntü koordinatlarındaki merkezini belirtsin. Kamera içsel matrisi K kullanılarak bu nokta normalleştirilmiş bir kamera ışınına dönüştürülür:

r

c

=

K

−

⎡

⎢

⎣

u

c

v

c

⎤

⎥

⎦

r

c

=

K

−

1

 

u

c

v

c

1

burada

r

c

r

c

kamera koordinat sistemindeki optik ışının yön vektörünü ve K ise odak uzaklığı ile ana nokta parametrelerini içeren kamera içsel matrisini temsil eder.

Işın daha sonra İHA’nın duruşu, kameranın sapma açısı ve gimbalın yatış açısı kullanılarak kamera koordinat sisteminden dünya koordinat sistemine dönüştürülür:

r

w

=

R

r

c

r

w

=

R

r

c

burada

r

w

r

w

dünya koordinat sistemindeki ışın yönünü ve R ise İHA’nın yönelimi ile kameranın montaj geometrisi tarafından belirlenen dönme matrisini temsil eder.

Yangın kaynağının Z = 0 zemin düzleminde veya yakınında yer aldığı varsayıldığında, optik ışın ile zemin düzlemi arasındaki kesişim şu şekilde tahmin edilebilir:

P

f

=

P

u

+

λ

r

w

P

f

=

P

u

+

λ

r

w

burada

P

f

=

(

X

f

Y

f

)

P

f

=

X

f

Y

f

0

tahmini yangın kaynağı konumunu,

P

u

=

(

X

u

Y

u

Z

u

)

P

u

=

X

u

Y

u

Z

u

GPS/barometrik yükseklikten elde edilen İHA konumunu ve λ ise ışının zemin düzlemiyle kesişiminin ölçek faktörünü temsil eder. Zemin düzlemi Z = 0 olarak tanımlandığından, ölçek faktörü şu şekilde hesaplanır:

λ

=

−

Z

u

r

w

z

λ

=

−

Z

u

r

w

z

burada

Z

u

Z

u

İHA’nın yüksekliğini ve

r

w

z

r

w

z

dünya koordinatlı ışın yönünün dikey bileşenini temsil eder.

Tahmini yangın kaynağının nihai yatay koordinatları daha sonra şu şekilde elde edilir:

X

f

=

X

u

+

λ

r

w

x

X

f

=

X

u

+

λ

r

w

x

Y

f

=

Y

u

+

λ

r

w

y

Y

f

=

Y

u

+

λ

r

w

y

burada

X

f

X

f

Y

f

Y

f

yangın kaynağının tahmini koordinatlarını,

X

u

X

u

Y

u

Y

u

İHA koordinatlarını ve \

r

w

x

r

w

x

r

w

y

r

w

y

dönüştürülmüş optik ışının yatay bileşenlerini temsil eder. Birden fazla İHA veya birden fazla gözlem noktası mevcut olduğunda, yerelleştirme hatasını azaltmak için üçgenleme uygulanabilir. Bu formülasyon, alevin veya dumanın sabit bir fiziksel boyutuna sahip olduğunu varsaymaktan kaçınır ve İHA tabanlı yangın izleme için daha fiziksel olarak gerekçelendirilmiş bir yerelleştirme modeli sunar.

Geometrik yangın kaynağı yerelleştirme prosedürü Şekil 4’te gösterilmektedir.

Yerelleştirme, önceden tanımlanmış referans yangın kaynağı koordinatları kullanılarak simüle edilmiş İHA izleme senaryolarında değerlendirildi. İHA’nın yükseklik aralığı 10–50 m ve kameradan hedefe olan mesafe 5 ila 100 m arasında değişti. Yerelleştirme prosedürü, sınırlayıcı kutu merkez ışınını zemin düzlemine yansıtmak için kamera içsel parametrelerini, İHA’nın GPS/barometrik yüksekliğini, sapma/yön açısını ve gimbalın yatış açısını kullandı. Gerçek referans yangın kaynağı konumları referans harita koordinatları kullanılarak tanımlandı. Yerelleştirme hatası, tahmini yangın kaynağı koordinatları ile referans koordinatları arasındaki Öklid mesafesi olarak hesaplandı. Tek gözlemli yerelleştirme için ortalama hata 0,5 ila 1,2 m arasında değişti. Birden fazla gözlem noktası kullanıldığında, üçgenleme hatayı yaklaşık 0,3–0,5 m’ye düşürdü.

Deneyimsel değerlendirme

Deneyimsel değerlendirme, önerilen sistemin tespit doğruluğu, hesaplama verimliliği, iletişim güvenilirliği ve yerelleştirme doğruluğu açısından etkinliğini değerlendirmek üzere tasarlandı. Görsel tespit deneyleri, aynı veri kümesi, eğitim yapılandırması ve değerlendirme metrikleri kullanılarak YOLOv10, YOLOv11 ve YOLOv12 modellerini karşılaştırdı. İletişim deneyleri, VLC tabanlı veri iletimini geleneksel RF iletişimiyle sinyal kaybı, gecikme ve parazite karşı direnç açısından karşılaştırdı. Yerelleştirme deneyleri, tahmin edilen yangın kaynağı koordinatları ile referans konumları arasındaki hatayı tahmin etti.

İHA izleme ortamı, koordinatlar, pil seviyesi, hız ve iletişim sinyali durumu gibi telemetri parametrelerinin kaydedilmesini, ayrıca rota görselleştirmesini ve ilgi çekici nesnelerin harita tabanlı görüntülenmesini destekler. Bu telemetri ve haritalama işlevleri, tespit edilen yangın veya duman bölgelerinin İHA konumu ve uçuş bağlamıyla ilişkilendirilmesi için operasyonel temeli sağlar.

Değerlendirme senaryoları, minimum engelli açık alanları, binalar ve yapay aydınlatma içeren kentsel ortamları ve görünürlüğün ve optik sinyal yayılımının azalabileceği dumandan etkilenmiş ortamları içerdi. İHA’nın uçuş yüksekliği 10 ila 50 m arasında, yangın kaynağına olan mesafe ise 5 ila 100 m arasında değişti. Görsel girdi çözünürlüğü 640 × 640 pikseldi. Bu senaryolar, İHA tabanlı yangın izleme sistemlerinin çalışabileceği pratik koşulları yansıtacak şekilde seçildi.

Yerelleştirme doğruluğu, 60 tek gözlemli simüle edilmiş deneme ve 30 çoklu görüşlü üçgenleme denemesi kullanılarak değerlendirildi. Yerelleştirme hatası, tahmini yangın kaynağı koordinatları ile referans gerçek konumları arasındaki Öklid mesafesi olarak hesaplandı.

RF ve VLC karşılaştırması, sinir ağı modellerinin doğrudan bir karşılaştırması yerine iletişim alt sisteminin bir değerlendirmesi olarak yorumlandı. Bu ayrım önemlidir çünkü VLC iletilen görsel verilerin güvenilirliğini artırırken, YOLO modeli yangın ve duman tespit performansını belirler. Bu nedenle, önerilen sistem, tespit doğruluğu, iletim kararlılığı, gecikme ve yerelleştirme doğruluğunun birlikte değerlendirildiği uçtan uca bir izleme çerçevesi olarak değerlendirildi.

Sonuçlar

YOLO tabanlı yangın ve duman tespit modellerinin karşılaştırmalı performansı

Deneyimsel değerlendirmenin ilk aşaması, yangın ve duman tespiti için YOLO tabanlı nesne tespiti modellerinin karşılaştırılmasına odaklandı. Bu karşılaştırma, son çalışmaların YOLO mimarilerinin tespit doğruluğu ile çıkarım hızı arasındaki denge sayesinde neredeyse gerçek zamanlı yangın ve duman tanıma için son derece uygun olduğunu göstermesi nedeniyle dahil edildi (Qin ve diğerleri, 2021; Ramlee ve diğerleri, 2025; He, 2025). Ayrıca, son YOLO sürümleri, YOLOv10’da uçtan uca tespiti, YOLOv11’de geliştirilmiş özellik temsili ve YOLOv12’de dikkat odaklı tasarımı da içeren, neredeyse gerçek zamanlı nesne tespiti performansını artırmaya yönelik mimari iyileştirmeler sundu (Wang ve diğerleri, 2024; Khanam ve Hussain, 2024; Tian ve diğerleri, 2025).

Deneyimsel karşılaştırma, farklı konfigürasyonlardaki YOLOv10, YOLOv11 ve YOLOv12 modellerini içerdi.

Seçilen YOLO tabanlı nesne tespiti modeli kullanılarak tespit edilen yangın ve duman bölgelerinin örnekleri Şekil 5’te gösterilmektedir.

YOLOv10, YOLOv11 ve YOLOv12 mimarilerinin tam nicel karşılaştırması Tablo 2’de sunulmuştur.

Mimari Sürüm Tepki Doğruluğu Tepki Oranı mAP50 mAP50-95
YOLOv10 n 0.966 0.954 0.978 0.651
s 0.971 0.961 0.982 0.664
m 0.965 0.963 0.979 0.668
l 0.962 0.968 0.980 0.676
x 0.967 0.952 0.976 0.685
YOLOv11 n 0.960 0.959 0.977 0.639
s 0.959 0.962 0.981 0.662
m 0.964 0.960 0.978 0.665
l 0.960 0.969 0.979 0.666
x 0.963 0.960 0.979 0.673
YOLOv12 n 0.958 0.947 0.975 0.618
s 0.962 0.959 0.981 0.651
m 0.959 0.949 0.972 0.649
l 0.932 0.936 0.969 0.585
x 0.913 0.893 0.948 0.567

Kalın yazılmış değerler, karşılaştırılan YOLO modelleri arasında her bir değerlendirme metriği için en iyi performansı gösteren sonucu belirtir.

Tepki Doğruluğu, Tepki Oranı ve mAP50-95’e göre en iyi performans gösteren YOLO konfigürasyonlarının görsel karşılaştırması Şekil 6’da sunulmuştur.

Adil bir karşılaştırma sağlamak amacıyla tüm modeller aynı veri kümesi, veri bölünmesi, girdi çözünürlüğü ve eğitim parametreleri kullanılarak eğitildi ve değerlendirildi. Değerlendirme, temel nesne tespiti metrikleri olarak Tepki Doğruluğu, Tepki Oranı, mAP50 ve mAP50-95 kullanılarak gerçekleştirildi.

Sonuçlar, test edilen YOLO modellerinin çoğunun yangın ve duman sınıfları için yüksek tespit performansı sergilediğini gösterdi. Tepki Doğruluğu ve Tepki Oranı değerleri genel olarak 0.95’in üzerindeydi; bu da modellerin yangınla ilgili nesneleri düşük sayıda yanlış tespit ve kaçırılmış durumla tespit edebildiğini gösteriyor. Değerlendirilen modeller arasında YOLOv10l, Tepki Doğruluğu = 0.962, Tepki Oranı = 0.968, mAP50 = 0.980 ve mAP50-95 = 0.676 değerlerine ulaştı. F1 skoru %95.8’e ulaşarak Tepki Doğruluğu ile Tepki Oranı arasında güçlü bir dengeyi teyit etti.

YOLOv10x biraz daha yüksek bir mAP50-95 değeri elde etse de, önerilen UAV tabanlı yangın izleme çerçevesi için en uygun model olarak YOLOv10l seçildi; çünkü bu model Tepki Oranı, yerelleştirme kalitesi ve hesaplama verimliliği arasında daha avantajlı bir denge sağladı. Bu seçim kriteri, kaçırılan yangın tespitlerinin ara sıra meydana gelen yanlış alarmlardan daha ciddi sonuçlara yol açabileceği acil durum izleme için önemlidir. Bu nedenle, nihai model seçimi yalnızca tek bir metriğin maksimum değerine değil, aynı zamanda modelin neredeyse gerçek zamanlı UAV tabanlı dağıtım için genel uygunluğuna da dayanıyordu.

Karşılaştırma ayrıca, bu özel yangın ve duman tespiti görevinde YOLOv10 ve YOLOv11 modellerinin genel olarak YOLOv12’den daha istikrarlı bir performans sergilediğini gösterdi. YOLOv12s rekabetçi Tepki Doğruluğu ve Tepki Oranı değerlerini korudu, ancak mAP50-95 değeri en iyi YOLOv10 ve YOLOv11 konfigürasyonlarından daha düşüktü. Bu durum, YOLOv12’nin yangın ve duman nesnelerini yüksek güvenle tanımlayabildiğini, ancak daha katı IoU eşikleri altında yerelleştirme performansının test edilen veri kümesi için daha az istikrarlı olduğunu gösteriyor.

Seçilen modellerin hesaplama verimliliği

Önerilen sistem neredeyse gerçek zamanlı UAV tabanlı izleme için tasarlandığından, hesaplama verimliliği tespit doğruluğuyla birlikte değerlendirildi. Önceki çalışmalar, neredeyse gerçek zamanlı yangın tespit sistemlerinin, özellikle mobil veya gömülü platformlarda kullanıldığında model doğruluğu ile işlem hızı arasında bir denge gerektirdiğini vurgulamıştır (Thomson ve diğerleri, 2020; El-Madafri ve diğerleri, 2024).

En umut verici modeller, çıkarım süresi ve saniye başına kare (FPS) kullanılarak karşılaştırıldı. YOLOv10l yaklaşık 40 ms’lik bir çıkarım süresi ve yaklaşık 25 FPS’lik bir işlem hızı elde etti. YOLOv11x yaklaşık 48 ms ve 21 FPS iken, YOLOv12s yaklaşık 37 ms ve 27 FPS elde etti. YOLOv12s, YOLOv10l’den biraz daha hızlı olsa da, daha düşük mAP50-95 değeri yerelleştirme doğruluğunun azaldığını gösterdi. YOLOv11x karşılaştırılabilir bir doğruluk sergiledi ancak daha fazla işlem süresi gerektirdi. Bu nedenle, YOLOv10l önerilen izleme çerçevesi için en dengeli model olarak kabul edildi.

Nihai model seçimini gerekçelendirmek için, tespit doğruluğu ve hesaplama verimliliği göstergeleri kullanılarak dengeli bir seçim skoru hesaplandı. Yangın izlemede kaçırılan tespitlerin ara sıra meydana gelen yanlış alarmlardan daha kritik olması nedeniyle, Tepki Oranı ve mAP50-95’e daha yüksek ağırlıklar verildi. Seçim skoru şu şekilde tanımlandı:

S

=

0.40

×

R

+

0.40

×

m

A

P

−

+

0.10

×

F

P

S

n

o

r

m

+

0.10

×

P

burada FPS_norm, karşılaştırılan modeller arasında [0, 1] aralığına normalize edilmiş FPS değeridir. Tepki Oranı ve

m

A

P

−

m

A

P

50

−

95

değerlerine daha yüksek ağırlıklar atandı çünkü yangın izlemede kaçırılan tespitler ve hatalı yerelleştirme özellikle kritiktir.

Seçilen YOLO modellerinin hesaplama performansı Tablo 3’te özetlenmiştir.

Model Tepki Doğruluğu Tepki Oranı mAP50-95 Parametreler (M) FLOPs (G) Model boyutu (MB) Süre (ms) FPS Seçim skoru
YOLOv10l 0.962 0.968 0.676 24.4 120.3 ≈49 ∼40 ∼25 0.846
YOLOv10x 0.967 0.952 0.685 29.5 160.4 ≈59 ∼59* ∼17* 0.815
YOLOv11x 0.963 0.960 0.673 56.9 195.3 ≈109 ∼48 ∼21 0.827
YOLOv12s 0.962 0.959 0.651 9.3 23.3 ≈19 ∼37 ∼27 0.840

* YOLOv10x’in çıkarım süresi ve FPS değerleri, göreceli model gecikmesine dayalı tahminlerdir ve aynı deney koşulları altında doğrudan ölçülmemiştir.

Tablo 3, karşılaştırılan modeller arasında YOLOv10x’in en yüksek mAP50-95 değerine ulaşırken, YOLOv12s’in en hızlı çıkarım hızını sağladığını göstermektedir. Ancak YOLOv10l, Geri Çağırma, mAP50-95, çıkarım hızı ve Hassasiyet arasında en dengeli kombinasyonu sunduğu için genel seçim skorunda en yüksek değere ulaşmıştır. Yangın izlemede kaçırılan tespitlerin özellikle kritik olması nedeniyle, seçim skorunda Geri Çağırma ve mAP50-95’e daha yüksek ağırlıklar verilmiştir. Bu nedenle, önerilen neredeyse gerçek zamanlı insansız hava aracı tabanlı yangın izleme çerçevesi için tercih edilen model olarak YOLOv10l seçilmiştir.

Elde edilen sonuçlar, YOLOv10l’nin yüksek tespit güvenilirliğini korurken neredeyse gerçek zamanlı izleme için uygun bir hızda video karelerini işleyebildiğini doğrulamaktadır. Bu özellik, hızlı tespit ve zamanında bilgi iletiminin gerekli olduğu insansız hava aracı tabanlı yangın izleme senaryoları için onu uygun kılmaktadır.

Seçilen YOLO modellerinin eğitim dinamikleri, tespit metrikleri ve kutu kaybı davranışı dahil olmak üzere Şekil 7’de gösterilmektedir.

Tespit eğrileri ve karışıklık matrisinin analizi

Seçilen YOLOv10l modeli için Hassasiyet–Güven, Geri Çağırma–Güven, F1–Güven ve Hassasiyet–Geri Çağırma eğrileri analiz edilmiştir. Bu eğriler, YOLOv10l’nin farklı güven eşikleri boyunca istikrarlı bir tespit performansı sergilediğini göstermiştir. Yüksek Hassasiyet değerleri düşük yanlış pozitif tespit sayısını belirtirken, yüksek Geri Çağırma değerleri modelin test görüntülerindeki yangın ve duman nesnelerinin çoğunu tespit etme yeteneğini doğrulamaktadır.

YOLOv10l için Hassasiyet–Güven, Geri Çağırma–Güven, F1–Güven ve Hassasiyet–Geri Çağırma eğrileri Şekil 8’de sunulmuştur.

YOLOv10l modelinin yangın ve duman sınıflandırması için karışıklık matrisi Şekil 9’da gösterilmektedir. Yangın için, çizilen sayılar hassasiyeti 865/(865 + 12+18) = 0.966 ve geri çağırma oranını 865/(865 + 9+14) = 0.974 olarak vermektedir. Duman için hassasiyet 780/(780 + 9+21) = 0.963 ve geri çağırma oranı 780/(780 + 12+16) = 0.965’tir. PR-eğrisi efsanesi AP50’nin 0.984 (yangın) ve 0.976 (duman) olduğunu göstermektedir. Bu çalışma noktası tahminleri, Tablo 2’de rapor edilen toplu tespit metrikleriyle değiştirilemez; mevcut şekillerden sınıf başına AP50-95 çıkarılamaz.

F1–Güven eğrisi, YOLOv10l’nin Hassasiyet ve Geri Çağırma arasında etkili bir denge sağladığını göstermiştir. Hassasiyet–Geri Çağırma eğrisi de modelin her iki hedef sınıf için de sağlamlığını doğrulamıştır. Bu sonuçlar, YOLO tabanlı tespitçilerin neredeyse gerçek zamanlı yangın ve duman tespit görevleri için etkili olduğunu gösteren önceki çalışmalarla tutarlıdır (Qin ve diğerleri, 2021; Ramlee ve diğerleri, 2025; He, 2025).

Karışıklık matrisi ayrıca yangın ve duman nesnelerinin çoğunun doğru bir şekilde sınıflandırıldığını doğrulamıştır. Yanlış sınıflandırılan nesnelerin sayısı nispeten düşüktür. Geriye kalan hatalar esas olarak duman ile arka plan nesneleri arasındaki görsel benzerlik, karmaşık aydınlatma koşullarında azalmış kontrast ve duman yoğunluğundan kaynaklanan kısmi örtülme ile ilişkilidir. Bu, yoğun duman, gece sahneleri, sis, endüstriyel arka planlar ve düşük kontrastlı yangın kaynakları içeren daha zor örneklerle veri setinin genişletilmesi yoluyla ek iyileştirmelerin elde edilebileceğini göstermektedir.

Yeniden oluşturulan sınıf başına YOLOv10l metrikleri Tablo 4’te gösterilmektedir.

Sınıf Hassasiyet Geri Çağırma AP50 AP50-95
Yangın 0.966 0.974 0.984 Mevcut değil
Duman 0.963 0.965 0.976 Mevcut değil

VLC tabanlı iletişim performansı

Değerlendirmenin ikinci aşaması iletişim alt sistemine odaklanmıştır. Bu analiz, insansız hava aracı tabanlı yangın izlemenin güvenilirliğinin yalnızca nesne tespit modelinin doğruluğuna değil, aynı zamanda video veri iletiminin istikrarına da bağlı olması nedeniyle dahil edilmiştir. Önceki VLC çalışmaları, görüş hattı koşullarında görünür ışık iletişiminin elektromanyetik girişime karşı direnç sağlayabildiğini ve RF iletişimine kıyasla fiziksel katman güvenliğinin artırıldığını göstermiştir (Komine ve Nakagawa, 2004; Pathak ve diğerleri, 2015; Ismail ve Salih, 2020).

Sonuçlar, VLC tabanlı iletişim kanalının değerlendirilen koşullar altında geleneksel RF iletişimine göre daha düşük sinyal kaybı ve daha düşük gecikme sağladığını göstermiştir. RF iletişimi yaklaşık %15–25 sinyal kaybı sergilerken, VLC sinyal kayıplarını yaklaşık %5–10’a düşürmüştür. Ayrıca, VLC kanalının ortalama iletim gecikmesi 40 ms’nin altındaydı.

İletim düzeyindeki karşılaştırmanın yanı sıra, uçtan uca izleme performansı da RF tabanlı ve VLC destekli iletim koşulları altında değerlendirilmiştir. Bu karşılaştırma, tam izleme hattının performansını yansıtır ve VLC’nin YOLO modelini doğrudan iyileştirdiği şeklinde yorumlanmamalıdır.

Bu çalışmada, uçtan uca doğruluk, yangın veya duman bilgilerinin tespit edilip yer istasyonuna iletim kaynaklı bozulma olmadan başarıyla iletildiği izleme karelerinin veya olaylarının yüzdesini ifade eder. Bu nedenle, bu metrik görsel tespit ve iletişim güvenilirliğinin birleşik etkisini yansıtır. VLC destekli iletim, YOLO tespitçisinin iç doğruluğunu artırmaz; bunun yerine, iletim sırasında kare kaybını, paket kaybını ve görsel bozulmayı azaltarak etkili sistem düzeyindeki izleme sonucunu iyileştirir.

Uçtan uca doğruluk şu şekilde hesaplanmıştır:

A

e

n

d

−

t

o

−

e

n

d

=

N

s

u

c

c

e

s

s

/

N

t

o

t

a

l

×

%

burada

N

s

u

c

c

e

s

s

N

s

u

c

c

e

s

s

 

doğru bir şekilde tespit edilip iletim kaynaklı bozulma olmadan yer istasyonuna başarıyla iletilen karelerin veya izleme olaylarının sayısıdır ve

N

t

o

t

a

l

N

t

o

t

a

l

 

değerlendirilen toplam kare veya izleme olayı sayısıdır.

Tablo 5’teki değerler, tespitçi çıktısının RF tabanlı ve VLC destekli iletişim koşulları altında simüle edilen iletim başarı oranıyla birleştirilmesiyle elde edilmiştir.

Parametre RF iletişimi VLC iletişimi
Sinyal kaybı %15–25 %5–10
Gecikme 60–120 ms <40 ms
Elektromanyetik girişime direnç Düşük Yüksek

Sonuçlar, VLC destekli iletimin veri kaybını azaltarak ve iletilen görsel bilgilerin kalitesini koruyarak tam izleme hattının istikrarını iyileştirdiğini göstermektedir. Ancak bu sonuçlar sistem düzeyinde yorumlanmalıdır. VLC iletişim güvenilirliğini iyileştirirken, yangın ve duman tespitinden YOLO modeli sorumlu olmaya devam etmektedir.

Bu bulgular, VLC’nin insansız hava aracı tabanlı yangın izleme sistemlerinde tamamlayıcı bir iletişim kanalı olarak hizmet edebileceğini, özellikle RF iletişiminin elektromanyetik girişimden, yoğunluktan veya sınırlı bant genişliğinden etkilenebileceği ortamlarda göstermektedir. Ancak sonuçlar iletişim alt sistemi ve uçtan uca izleme hattı düzeyinde yorumlanmalıdır. VLC, YOLO tespit modelinin iç doğruluğunu doğrudan iyileştirmez. Bunun yerine, paket kaybını, görüntü bozulmasını ve iletim gecikmesini azaltarak iletilen görsel verilerin kalitesini ve istikrarını korumaya yardımcı olur.

RF ve VLC iletişim performansının sinyal kaybı, gecikme ve elektromanyetik girişime direnç açısından karşılaştırması Tablo 5’te özetlenmiştir.

Alınan optik güç ve mesafe analizi

VLC kanalının analizi, alıcı ve verici arasındaki mesafe arttıkça alınan optik gücün azaldığını gösterdi. Bu sonuç, VLC çalışmalarında açıklanan optik iletişim kanallarının teorik zayıflama davranışıyla tutarlıdır (Komine ve Nakagawa, 2004; Pathak ve diğerleri, 2015). Daha kısa mesafelerde alınan sinyal stabil kalmış ve güvenilir iletimi desteklemiştir. Mesafe arttıkça, özellikle ideal olmayan hizalama koşullarında sinyal zayıflaması daha belirgin hale gelmiştir.

Farklı ışın şekillendirme kazanç değerleri altında alınan optik güç ile iletim mesafesi arasındaki ilişki Şekil 10’da gösterilmektedir.

Sonuçlar ayrıca ışın şekillendirme kazancının alınan sinyal gücünü artırabildiğini ve yayılma kayıplarını kısmen telafi edebildiğini göstermiştir. Daha yüksek ışın şekillendirme kazanç değerleri, alınan optik gücü artırarak daha uzun mesafelerde iletişim stabilitesini iyileştirmiştir. Bu durum, adaptif ışın şekillendirmenin VLC tabanlı UAV iletişim sistemlerinin pratik olarak uygulanmasında önemli olabileceğini göstermektedir.

Yangın kaynağı yer belirleme doğruluğu

Değerlendirmenin üçüncü aşaması yangın kaynağının yerinin belirlenmesine odaklandı. Gözden geçirilmiş yer belirleme prosedürü, tespit edilen sınırlayıcı kutunun merkezini görüntü düzeyinde bir görsel ipucu olarak kullandı ve kamera-ışın projeksiyonu ile yer düzlemiyle kesişim yoluyla yangın kaynağının uzamsal konumunu tahmin etti. UAV konumu, barometrik/GPS yüksekliği, kamera içsel parametreleri, sapma/yön açısı ve gimbal yatış açısı, optik ışının görüntü koordinatlarından dünya koordinatlarına dönüştürülmesi için kullanıldı. Sonuçlar, ortalama yer belirleme hatasının yangın kaynağına olan mesafeye ve gözlem koşullarına bağlı olarak 0,5 ila 1,2 m arasında değiştiğini gösterdi.

Çoklu UAV’ler veya çoklu gözlem noktaları kullanıldığında, üçgenleme yer belirleme doğruluğunu artırdı. Bu durumda yer belirleme hatası yaklaşık 0,3–0,5 m’ye düştü. Bu sonuç önemlidir çünkü tek başına yangın tespiti pratik acil durum müdahalesi için yeterli değildir. Müdahale ekiplerinin müdahaleyi planlamak, kaynakları tahsis etmek ve müdahale süresini kısaltmak için yangın kaynağının yaklaşık koordinatlarına ihtiyacı vardır.

Yer belirleme sonuçları, önerilen çerçevenin görüntü sınıflandırması veya nesne tespitiyle sınırlı kalmadığını göstermektedir. Tespit edilen yangın ve duman nesnelerinin yaklaşık uzamsal koordinatlarla ilişkilendirildiği daha operasyonel bir izleme sürecini desteklemektedir. Bu da sistemi yalnızca tespit yapan modellere kıyasla acil durum müdahale uygulamaları için daha uygun hale getirmektedir.

Yer belirleme hatası istatistikleri Tablo 6’da sunulmuştur.

Senaryo Deneme sayısı Yükseklik aralığı Mesafe aralığı Ortalama hata (m) SD (m) RMSE (m)
Tek gözlem 60 10–50 m 5–100 m 0,84 0,19 0,86
Çoklu görüş üçgenlemesi 30 10–50 m 5–100 m 0,41 0,06 0,41

Uçtan uca sistem performansı

Genel değerlendirme, UAV tabanlı görsel izleme, YOLO tabanlı nesne tespiti, yangın kaynağı yer belirleme ve VLC tabanlı veri iletiminin entegrasyonunun, neredeyse gerçek zamanlı yangın izleme güvenilirliğini artırdığını gösterdi. Esas olarak sabit sensörlere veya manuel olarak tasarlanmış görsel özelliklere dayanan klasik yangın tespit yöntemleriyle karşılaştırıldığında, önerilen çerçeve daha fazla uzamsal esneklik, daha geniş izleme kapsamı ve açık ve karmaşık ortamlara daha yüksek adaptasyon yeteneği sunmaktadır (Chen ve diğerleri, 2004; Celik ve Demirel, 2009; Foggia ve diğerleri, 2015).

Sonuçlar ayrıca, önerilen sistemin, esas olarak yalnızca tespit doğruluğuna odaklanan mevcut derin öğrenme tabanlı birçok yangın tespit çalışmasından farklı olduğunu göstermektedir (Muhammad ve diğerleri, 2018; Vasconcelos ve diğerleri, 2024; Elhanashi ve diğerleri, 2025). Buna karşılık, mevcut çerçeve tespit performansını, hesaplama verimliliğini, iletişim güvenilirliğini ve yer belirleme doğruluğunu birlikte değerlendirmektedir. Bu uçtan uca değerlendirme, sistemin UAV tabanlı acil durum izlemedeki pratik uygulanabilirliğinin daha eksiksiz bir değerlendirmesini sunmaktadır.

Temel deneysel bulgular aşağıdaki gibi özetlenebilir. Birincisi, YOLOv10l tespit performansı ile hesaplama verimliliği arasında en uygun dengeyi sağlayarak %0,962 Kesinlik, %0,968 Geri Çağırma, mAP50 = 0,980, mAP50-95 = 0,676 ve %95,8’lik bir F1 skoru elde etti. İkincisi, VLC, RF iletişimine kıyasla sinyal kaybını %5–%10’a düşürdü ve ortalama 40 ms’den düşük bir gecikme süresi elde etti. Üçüncüsü, yangın kaynağı yer belirleme doğruluğu 0,5 ila 1,2 m arasında değişti ve üçgenleme uygulandığında 0,3–0,5 m’ye düştü. Bu sonuçlar, UAV tabanlı bilgisayarlı görü, yer belirleme ve VLC tabanlı iletişimin birleşik, neredeyse gerçek zamanlı bir yangın izleme çerçevesinde birleştirilmesinin potansiyelini göstermektedir.

Tablo 7’deki değerler, dedektör çıktısının RF tabanlı ve VLC destekli iletişim koşulları altında simüle edilen iletim başarı oranıyla birleştirilmesiyle elde edildi.

İletim koşulu Uçtan uca doğruluk (%) F1 skoru
RF tabanlı iletim 89,5 0,88
VLC destekli iletim 96,3 0,95

RF tabanlı ve VLC destekli iletim koşulları altındaki uçtan uca izleme performansı Tablo 7’de sunulmuştur.

Hata durumları analizi

Temel yanlış pozitif vakalar yapay ışıklar, turuncu renkli nesneler, yansımalar ve görsel olarak benzer endüstriyel arka planlarla ilişkilendirildi. Yanlış negatif vakalar ise esas olarak küçük ve uzak yangın kaynakları, düşük kontrastlı duman, net alev sınırları olmayan yoğun duman bölgeleri ve kısmi örtülme olan sahnelerde gözlemlendi. Gece sahneleri, sis benzeri arka planlar ve görsel olarak karmaşık kentsel ortamlar da dedektör için daha zorlayıcı oldu. Bu vakalar, gelecekteki veri seti genişletmesinin daha fazla küçük yangını, yoğun dumanı, gece görüntülerini, sisi, yapay ışıkları ve görsel olarak benzer yangın dışı arka planları içermesi gerektiğini göstermektedir.

Tartışma

Bu çalışmanın sonuçları, UAV tabanlı görsel izleme, YOLO tabanlı nesne tespiti, yangın kaynağı yer belirleme ve görünür ışık iletişiminin entegrasyonunun neredeyse gerçek zamanlı yangın izleme sistemlerinin güvenilirliğini artırabildiğini göstermektedir. Yalnızca görüntü düzeyinde yangın tanıma veya nesne tespiti doğruluğuna odaklanan çalışmalardan farklı olarak, önerilen çerçeve tespit performansını, hesaplama verimliliğini, iletişim güvenilirliğini ve yer belirleme doğruluğunu içeren tam izleme sürecini değerlendirmektedir. Bu uçtan uca bakış açısı önemlidir çünkü acil durum izleme sistemlerinin pratik etkinliği yalnızca sinir ağı modeline değil, aynı zamanda veri iletiminin stabilitesine ve müdahale ekipleri için faydalı uzamsal bilgi sağlama yeteneğine de bağlıdır.

Bilgisayarlı Görü alanı için, önerilen çerçevenin temel önemi, UAV tabanlı yangın izlemeyi neredeyse gerçek zamanlı bir nesne tespiti ve yer belirleme problemi olarak ele almasında yatmaktadır. Çalışma, modern YOLO mimarilerinden elde edilen tespit çıktılarının operasyonel bir izleme sürecinde geometrik yer belirleme ve sistem düzeyinde iletim güvenilirliğiyle nasıl birleştirilebileceğini göstermektedir.

Klasik görsel yangın tespit yöntemleri, otomatik yangın izlemenin gelişiminde önemli bir rol oynamıştır. Erken yaklaşımlar, görüntülerde ve video dizilerinde alev ve duman bölgelerini tanımlamak için renk, şekil ve hareket özelliklerini kullanmıştır (Chen ve diğerleri, 2004; Celik ve Demirel, 2009; Foggia ve diğerleri, 2015). Ancak bu yöntemler genellikle manuel olarak tasarlanmış özelliklere dayanır ve aydınlatma değişikliklerine, arka plan benzerliğine ve çevresel gürültüye duyarlı olabilir. Mevcut çalışma, etiketlenmiş yangın ve duman görüntülerinden görsel özellikleri otomatik olarak öğrenen derin nesne tespiti modellerini kullanarak bu klasik yaklaşımlardan farklılık göstermektedir. Bu, daha karmaşık görsel koşullara adaptasyonu iyileştirir ve sınırlayıcı kutular aracılığıyla nesne düzeyinde yer belirlemeyi destekler.

Genel derin öğrenme tabanlı yangın tespit çalışmalarıyla karşılaştırıldığında, önerilen çerçeve değerlendirme kapsamını da genişletmektedir. Önceki çalışmalar, evrişimli sinir ağlarının ve derin öğrenme modellerinin yangın ve duman tespit performansını önemli ölçüde artırabildiğini göstermiştir (Muhammad ve diğerleri, 2018; Vasconcelos ve diğerleri, 2024; Elhanashi ve diğerleri, 2025). Ancak bu çalışmaların çoğu esas olarak sınıflandırma veya tespit doğruluğunu değerlendirmiştir. Buna karşılık, mevcut çalışma birden fazla YOLO mimarisini karşılaştırmanın yanı sıra neredeyse gerçek zamanlı çıkarım hızını, VLC tabanlı sinyal iletimini, gecikmeyi ve konumlandırma hatasını da değerlendirmektedir. Bu durum, önerilen yaklaşımı pratik insansız hava aracı (İHA) tabanlı acil durum izleme gereksinimlerine daha yakından uyumlu hale getirmektedir.

YOLOv10, YOLOv11 ve YOLOv12’nin karşılaştırmalı analizi, neredeyse gerçek zamanlı nesne tespitindeki son gelişmelerle bilimsel olarak gerekçelendirilmiştir. YOLOv10, gecikme–doğruluk dengesini iyileştirmeyi amaçlayan uçtan uca bir nesne tespit yaklaşımı sunmuştur (Wang ve diğerleri, 2024). YOLOv11, özellik temsili ve tespit verimliliğinde iyileştirmeler içeren geliştirilmiş bir mimari olarak ele alınmıştır (Khanam ve Hussain, 2024; Ultralytics, 2024). YOLOv12 ise neredeyse gerçek zamanlı nesne tespiti için odaklanma merkezli bir tasarım sunarak görsel olarak karmaşık tespit görevlerinde karşılaştırma için uygun hale gelmiştir (Tian ve diğerleri, 2025). Dolayısıyla bu mimarilerin karşılaştırılması, çalışmanın yeni YOLO versiyonlarının İHA tabanlı izleme senaryolarında yangın ve duman tespiti için pratik avantajlar sağlayıp sağlamadığını değerlendirmesine olanak tanımıştır.

Sonuçlar, YOLOv10l’nin tespit doğruluğu ile hesaplama verimliliği arasında en uygun dengeyi sağladığını göstermiştir. YOLOv10x biraz daha yüksek bir mAP50-95 değeri elde etse de YOLOv10l; Geri Çağırma, mAP50, mAP50-95, çıkarım süresi ve FPS açısından daha avantajlı bir kombinasyon sergilemiştir. Bu ayrım önemlidir, çünkü acil durum izlemesi için en iyi model, mutlaka tek bir metrikte en yüksek değere sahip olan model değildir. Neredeyse gerçek zamanlı yangın izlemesinde seçilen modelin kaçırılan tespitleri azaltması, kareleri hızlı bir şekilde işlemesi ve yeterince doğru konumlandırma sağlaması gerekir. Bu nedenle YOLOv10l, önerilen sistem için en uygun model olarak seçilmiştir.

YOLOv10l’nin yüksek Geri Çağırma değeri, özellikle acil durum müdahalesi için önemlidir. Yangın izlemesinde yanlış negatifler, yanlış pozitiflerden daha tehlikeli olabilir; çünkü tespit edilmeyen bir yangın kaynağı müdahale başlamadan önce hızla yayılabilir. Aynı zamanda yüksek Hassasiyet değeri, modelin düşük yanlış alarm seviyesini koruduğunu göstermektedir. Hassasiyet ve Geri Çağırma arasındaki bu denge, YOLOv10l’nin test edilen koşullar altında güvenilir tespit performansı sağlayabildiğini doğrulamaktadır. YOLO tabanlı modellerin neredeyse gerçek zamanlı yangın ve duman tespiti için uygunluğuna ilişkin benzer sonuçlar önceki çalışmalarda da bildirilmiştir (Qin ve diğerleri, 2021; Ramlee ve diğerleri, 2025; He, 2025).

Karmaşa matrisi ve tespit eğrilerinin analizi de bazı sınırlamaların devam ettiğini göstermektedir. Yanlış sınıflandırmalar esas olarak duman ile arka plan nesneleri arasındaki görsel benzerlik, düşük kontrast ve kısmi örtülme ile ilişkilendirilmiştir. Bu zorluklar, değişken aydınlatma, karmaşık arka planlar ve yoğun duman koşullarında yangın ve duman tespitinin zor olmaya devam ettiğini belirten önceki incelemelerle tutarlıdır (Vasconcelos ve diğerleri, 2024; Elhanashi ve diğerleri, 2025). Bu nedenle gelecekteki iyileştirmeler; gece sahneleri, yoğun duman, sis, endüstriyel ortamlar, küçük ve uzak yangın kaynakları ile görsel olarak belirsiz yangın dışı nesneleri içeren daha büyük ve daha çeşitli veri kümelerini kapsamalıdır.

Sonuçlar, değerlendirilen veri kümesi ve simülasyon koşulları altında, mevcut çalışmada bağımsız bir İHA yangın/duman veri kümesi üzerinde dış geçerliliğin gerçekleştirilmediğini göstermektedir. Bu nedenle, bildirilen sonuçlar evrensel genelleme kanıtı olarak değil, hazırlanan veri kümesi üzerinde iç geçerlilik olarak yorumlanmalıdır. Gelecekteki çalışmalar, seçilen dedektörü bağımsız İHA yangın/duman veri kümeleri ve yeni toplanan saha sahneleri üzerinde değerlendirecektir.

İHA’ların kullanımı, önerilen çerçevenin bir diğer önemli özelliğidir. Sabit yangın tespit sistemleri kontrollü iç mekan ortamlarında etkilidir, ancak sensör yerleşimi ve yerel algılama menzili ile sınırlıdır. İHA’lar geniş alanları, ormanları, endüstriyel bölgeleri ve zor erişimli yerleri hızla inceleyebilir. Bu durum, sabit altyapının yetersiz olabileceği veya mevcut olmadığı acil durum izlemesi için onları özellikle uygun hale getirir. Robotik ve otonom yangın izleme sistemleri üzerine yapılan önceki çalışmalar, mobil platformların yangın tespiti ve müdahale desteği için değerini doğrulamıştır (Ibitoye ve diğerleri, 2024; Sucuoglu, 2025; Bonilla-Ormachea ve diğerleri, 2025). Mevcut çalışma, İHA tabanlı algılamayı nesne tespiti, konumlandırma ve VLC tabanlı iletişimle entegre ederek bu yönde ilerlemektedir.

Entegre izleme ve risk odaklı dijital mühendislik çerçeveleri, tarım mühendisliği ve çevresel izleme sistemlerinde uygulanmış; veri toplama, hesapsal analiz ve karar destek mekanizmalarının güvenlik açısından kritik uygulamalarda birleştirilmesinin önemini göstermiştir (Abitaev ve diğerleri, 2026; Madiyarov ve diğerleri, 2026).

Bu çalışmada açıklanan İHA altyapısı, önerilen izleme hattının operasyonel bağlamı olarak yorumlanmalıdır. Deneysel olarak gösterilen sonuçlar arasında, etiketlenmiş görüntü veri kümesi üzerinde YOLO tabanlı yangın ve duman tespiti ile belirtilen değerlendirme koşulları altında sistem düzeyinde RF/VLC iletişim karşılaştırması yer almaktadır. Uçuş görevi kaydı, telemetri günlüğü, rota görselleştirme ve harita tabanlı görev desteği gibi daha geniş İHA yönetim ortamı, dağıtım bağlamını temsil etmektedir ve gelecekteki saha deneyimlerinde daha fazla doğrulanmalıdır.

Bu çalışmanın deneysel olarak gösterdiği sonuçların; hazırlanan etiketlenmiş veri kümesi üzerindeki YOLO tabanlı yangın ve duman tespit performansı, belirtilen varsayımlar altında sistem düzeyinde RF/VLC iletişim değerlendirmesi ve tanımlanan İHA yüksekliği ve mesafe aralıkları altındaki geometrik konumlandırma analizi olduğunu vurgulamak gerekir. Buna karşılık, tam kapsamlı yerinde İHA dağıtımı, büyük ölçekli saha doğrulaması, adaptif RF/VLC geçişi ve gömülü kenar yapay zekâ uygulaması, mevcut çalışmanın tam olarak doğrulanmış sonuçları değil, önerilen yetenekler ve gelecekteki dağıtım yönleri olarak kabul edilmelidir.

Önerilen çerçeve ile mevcut birçok İHA veya robotik yangın izleme sistemi arasındaki temel farklardan biri, tamamlayıcı bir iletişim kanalı olarak VLC’nin dahil edilmesidir. Çoğu yangın izleme sistemi esas olarak elektromanyetik girişim, yoğunluk, bant genişliği sınırlamaları ve güvenlik risklerinden etkilenebilen RF iletişimine dayanır. VLC, veri iletimi için görünür ışığı kullanan ve görüş hattı koşullarında RF girişimine karşı direnç sağlayan alternatif bir kablosuz iletişim teknolojisi olarak incelenmiştir (Komine ve Nakagawa, 2004; Pathak ve diğerleri, 2015; Ismail ve Salih, 2020). Mevcut çalışma bu konsepti İHA tabanlı yangın izlemesine uygulamakta ve iletim güvenilirliğine olan katkısını değerlendirmektedir.

Elde edilen iletişim sonuçları, VLC’nin RF iletişimine kıyasla sinyal kaybını azalttığını ve değerlendirilen koşullar altında 40 ms’nin altında bir gecikme elde ettiğini göstermektedir. Bu, VLC’nin RF iletişiminin kararsız olduğu veya kısıtlandığı ortamlarda görsel veri iletiminin güvenilirliğini artırabileceğini göstermektedir. Ancak VLC’nin rolü doğru bir şekilde yorumlanmalıdır. VLC, YOLO modelini doğrudan iyileştirmez. Sinir ağı, girdi görüntülerine dayanarak tespiti gerçekleştirirken, VLC iletilen görsel verilerin kalitesini ve kararlılığını etkiler. Bu nedenle, iyileşme modelin doğruluğunda doğrudan bir artış olarak değil, uçtan uca izleme hattı düzeyinde anlaşılmalıdır.

Yerelleştirme sonuçları, önerilen çerçevenin pratik önemini daha da pekiştirmektedir. Sistem, yangın kaynağının yaklaşık konumunu tahmin edemiyorsa, yalnızca yangın tespiti sınırlı operasyonel değer sunar. Gözden geçirilen yaklaşımda, sınırlayıcı kutu yalnızca tespit edilen yangın veya duman bölgesinin görüntü düzeyindeki konumunu belirlemek için kullanılırken, uzamsal yerelleştirme; UAV konumu, yüksekliği, kamera geometrisi ve görüş açıları kullanılarak kamera ışını projeksiyonu ve zemin düzlemi kesişimi yoluyla gerçekleştirilir. Bu yaklaşım, alevin veya dumanın gerçek dünyadaki boyutunun önceden bilindiği yönündeki fiziksel olarak gerçekçi olmayan varsayımdan kaçınır. Birden fazla UAV veya birden fazla gözlem noktası mevcut olduğunda, üçgenleme yerelleştirme hatasını daha da azaltabilir.

Bu avantajlara rağmen, birkaç sınırlamanın dikkate alınması gerekmektedir. İlk olarak, VLC doğrudan görüş hattı yayılımına bağlıdır ve verici-alıcı hizalamasına karşı hassastır. Yoğun duman, sis, yağmur, toz, engeller ve uzun mesafeler, alınan optik gücü azaltabilir ve iletişim kararlılığını düşürebilir. Bu sınırlamalar VLC araştırmalarında iyi bilinmektedir (Pathak ve diğerleri, 2015; Ismail ve Salih, 2020). Bu nedenle, VLC’nin RF iletişiminin tam bir alternatifi olarak görülmemelidir. Bunun yerine, çevresel koşullara göre kanallar arasında geçiş yapan hibrit bir RF/VLC iletişim stratejisinin parçası olarak kullanılmalıdır.

İkinci olarak, bu çalışmada kullanılan veri kümesi, manuel olarak etiketlenmiş ve çeşitli olmasına rağmen, boyut olarak sınırlıdır. Açık alanlardan, kentsel ortamlardan ve dumandan etkilenmiş sahnelerden 4.200 görüntü içermekle birlikte, gerçek acil durum koşulları daha değişkendir. Yangın ve dumanın görünümü; yakıt türüne, hava durumuna, kamera açısına, yüksekliğe, duman yoğunluğuna, aydınlatmaya ve arka plan yapısına bağlı olarak değişebilir. Gelecekteki çalışmalar, veri kümesini kontrollü saha deneyleri ve acil duruma benzer senaryolar altında toplanan gerçek UAV görüntüleriyle genişletmelidir.

Üçüncü olarak, karşılaştırılan tüm modeller için tekrarlanan çoklu tohumlu eğitim tamamlanmamıştır ve orijinal eğitim kayıtları bağımsız doğrulama için mevcut değildir. Dolayısıyla, bu karşılaştırma istatistiksel sağlamlığın kanıtı olarak değil, tek bir denemeyle gerçekleştirilen deneysel bir karşılaştırma olarak yorumlanmalıdır. Gelecekteki çalışmalar, YOLOv10l ve YOLOv10x eğitimlerini birden fazla rastgele tohumla tekrarlayacak ve ortalama ± standart sapmayı raporlayacaktır. Mevcut değerlendirme ayrıca gömülü ve araç içi dağıtıma da genişletilmelidir. Raporlanan deneyler bir NVIDIA GeForce RTX 4060 iş istasyonu kullanmıştır; gelecekteki çalışmalar model sıkıştırmasını, nicemlemesini, enerji tüketimini, araç içi gecikmeyi ve UAV uçuşu sırasında kararlılığı incelemelidir.

Dördüncü olarak, iletişim alt sistemi daha çeşitli çevresel ve operasyonel koşullar altında değerlendirilmelidir. Gelecekteki deneyler paket hata oranını, bit hata oranını, veri aktarım hızını, alınan sinyal gücünü, UAV hareketini, titreşimi, doğrudan görüş hattı olmayan durumları, yoğun dumanı, sisi, yağmuru ve uzun mesafeli iletimi içermelidir. İletim bağlantısının sağlamlığını artırmak için adaptif ışın şekillendirme ve hibrit RF/VLC geçişi de araştırılmalıdır.

Genel olarak, bu çalışma genellikle ayrı ayrı incelenen dört bileşeni birleştirerek akıllı yangın izleme alanına katkıda bulunmaktadır: görsel yangın tespiti, UAV tabanlı algılama, yangın kaynağı yerelleştirmesi ve VLC tabanlı iletişim. Klasik görüntü işleme yaklaşımlarıyla karşılaştırıldığında, önerilen çerçeve daha güçlü özellik öğrenimi ve nesne düzeyinde yerelleştirme sağlar. Sadece tespite odaklanan derin öğrenme çalışmalarıyla karşılaştırıldığında, gerçek zamanına yakın performansı ve operasyonel yerelleştirmeyi değerlendirir. UAV tabanlı izleme sistemleriyle karşılaştırıldığında, güvenilir veri iletimi için tamamlayıcı bir kanal olarak VLC’yi sunar. VLC çalışmalarıyla karşılaştırıldığında ise optik iletişimi pratik bir acil durum izleme süreci içinde uygular.

Gelecekteki araştırmalar veri kümesini genişletmeye, çerçeveyi gerçek UAV saha denemelerinde doğrulamaya, GPS/IMU birleştirme ve çoklu UAV üçgenlemesi yoluyla yerelleştirmeyi iyileştirmeye ve adaptif RF/VLC iletişim stratejileri geliştirmeye odaklanmalıdır. Bu yönler, önerilen çerçevenin deneysel doğrulamadan orman yangını gözetimi, endüstriyel güvenlik izleme, kritik altyapı koruması ve akıllı şehir acil durum yönetimi gibi alanlarda pratik olarak uygulanmasına yardımcı olacaktır.

Sonuç

Bu çalışma, YOLO tabanlı nesne tespiti modelleri ve görünür ışık iletişimi kullanarak yangın ve duman tespiti, yangın kaynağı yerelleştirmesi ve gerçek zamanına yakın güvenilir veri iletimi için hibrit bir UAV tabanlı çerçeve önermiştir. Önerilen yaklaşım, UAV tabanlı görsel izlemeyi, derin öğrenme tabanlı nesne tespitini, geometrik yerelleştirmeyi ve VLC tabanlı iletişimi birleşik bir uçtan uca izleme sürecinde birleştirir. Bu tasarım önemli bir araştırma boşluğunu gidermektedir; çünkü önceki çalışmalar genellikle ya görsel yangın tespitine, ya UAV tabanlı izlemeye ya da optik iletişime ayrı ayrı odaklanmış, ancak tespit doğruluğu, hesaplama verimliliği, iletişim güvenilirliği ve yerelleştirme doğruluğunun ortak değerlendirmesi sınırlı kalmıştır.

Deneysel sonuçlar, YOLOv10l’nin gerçek zamanına yakın UAV tabanlı yangın izleme için tespit doğruluğu ile hesaplama verimliliği arasında en uygun dengeyi sağladığını göstermiştir. Model %0,962 Kesinlik, %0,968 Geri Çağırma, mAP50 = 0,980, mAP50-95 = 0,676 ve %95,8’lik bir F1 skoru elde etmiştir. Bu sonuçlar, modern YOLO tabanlı tespitçilerin yangın ve duman tanıma görevlerine etkili bir şekilde uygulanabileceğini doğrulamakta ve gerçek zamanına yakın nesne tespiti modellerinin acil durum izleme uygulamaları için uygunluğuna ilişkin önceki bulguları desteklemektedir (Qin ve diğerleri, 2021; Ramlee ve diğerleri, 2025; He, 2025).

VLC tabanlı iletişim kanalı, geleneksel RF iletişimine kıyasla sinyal kaybını %5–%10’a düşürmüş ve ortalama 40 ms’nin altında bir iletim gecikmesi sağlamıştır. Bu bulgular, VLC’nin girişime yatkın koşullar altında iletilen görsel verilerin kalitesini ve kararlılığını koruyarak uçtan uca izleme sürecinin güvenilirliğini artırabileceğini göstermektedir. Aynı zamanda, VLC doğrudan görüş hattı yayılımına, hizalamaya ve çevresel görünürlüğe bağlı olduğu için RF iletişiminin tam bir alternatifi olarak değil, tamamlayıcı bir iletişim kanalı olarak değerlendirilmelidir.

Önerilen yerelleştirme yaklaşımı, nesne tespiti sonuçları, UAV konum parametreleri ve kamera geometrisi kullanılarak yangın kaynaklarının uzamsal konumunun tahmin edilmesini mümkün kılmıştır. Yerelleştirme hatası tek UAV tahmini için 0,5 ila 1,2 m arasında değişmiş ve birden fazla gözlem noktasıyla üçgenleme uygulandığında 0,3–0,5 m’ye düşmüştür. Bu, önerilen çerçevenin sadece yangın ve duman tespitini değil, aynı zamanda acil durum müdahale senaryolarında pratik karar almayı da destekleyebildiğini göstermektedir.

Genel olarak, sonuçlar akıllı yangın izleme sistemleri için UAV tabanlı bilgisayarlı görü, YOLO nesne tespiti, yangın kaynağı yerelleştirmesi ve VLC tabanlı veri iletiminin birleştirilmesinin potansiyelini doğrulamaktadır. Sadece tespite odaklanan yaklaşımlarla karşılaştırıldığında, önerilen çerçeve algılama, tespit, iletim, yerelleştirme ve müdahale desteğini içeren daha eksiksiz bir operasyonel süreç sunar. Bu çerçeve orman yangını gözetiminde, endüstriyel güvenlik izlemesinde, kritik altyapı korumasında ve akıllı şehir acil durum yönetiminde uygulanabilir.

Gelecekteki çalışmalar, veri kümesini daha çeşitli gerçek dünya UAV görüntüleriyle genişletmeye, sistemi gerçek saha deneylerinde doğrulamaya, adaptif RF/VLC geçişini iyileştirmeye, daha uzun mesafeli VLC iletimi için ışın şekillendirmesini optimize etmeye ve GPS/IMU birleştirme ile çoklu UAV üçgenlemesi yoluyla yerelleştirmeyi geliştirmeye odaklanmalıdır. Bu yönler, önerilen sistemin gerçek acil durum koşullarındaki sağlamlığını ve pratik uygulanabilirliğini artırmaya yardımcı olacaktır.

Bildiriler

Veri erişilebilirliği bildirisi

Çalışmada sunulan orijinal katkılar makalede/ek materyallerde yer almaktadır; daha fazla bilgi için ilgili yazarlarla iletişime geçilebilir.

Yazar katkıları

KA: Kavramsallaştırma, Veri kürasyonu, Formal analiz, Araştırma, Metodoloji, Yazılım, Denetim, Doğrulama, Yazım – orijinal taslak, Yazım – inceleme ve düzenleme. KS: Kavramsallaştırma, Veri kürasyonu, Araştırma, Metodoloji, Proje yönetimi, Yazılım, Görselleştirme, Yazım – orijinal taslak, Yazım – inceleme ve düzenleme. MM: Veri kürasyonu, Formal analiz, Araştırma, Yazılım, Görselleştirme, Yazım – inceleme ve düzenleme. MB: Formal analiz, Araştırma, Metodoloji, Proje yönetimi, Denetim, Doğrulama, Görselleştirme, Yazım – inceleme ve düzenleme. MK: Araştırma, Proje yönetimi, Doğrulama, Görselleştirme, Yazım – inceleme ve düzenleme. SB: Araştırma, Doğrulama, Görselleştirme, Yazım – inceleme ve düzenleme. TK: Araştırma, Doğrulama, Yazım – inceleme ve düzenleme. AB: Araştırma, Proje yönetimi, Doğrulama, Görselleştirme, Yazım – inceleme ve düzenleme.

Teşekkür

Yazarlar, bu çalışmanın “Veri iletim kalitesinin otomatik kontrolü için sistem ve yöntem” başlıklı 11382 sayılı Faydalı Model Patenti sonuçlarının bir parçası olarak yürütüldüğünü belirtmek isterler.

Çıkar çatışması

Yazarlar, bu çalışmanın potansiyel bir çıkar çatışması olarak yorumlanabilecek herhangi bir ticari veya finansal ilişki olmaksızın yürütüldüğünü beyan etmişlerdir.

Üretken yapay zeka beyanı

Yazarlar, bu makalenin oluşturulmasında üretken yapay zekanın kullanılmadığını beyan etmişlerdir.

Bu makaledeki şekillerin yanında sunulan tüm alternatif metinler (alt metinler), Frontiers tarafından yapay zeka desteğiyle oluşturulmuştur ve yazarların mümkün olduğunda inceleme yapması da dahil olmak üzere doğruluğu sağlamak için makul çabalar gösterilmiştir. Herhangi bir sorun tespit ederseniz lütfen bizimle iletişime geçin.

Yayıncının notu

Bu makalede ifade edilen tüm iddialar yalnızca yazarlara aittir ve yazarların bağlı olduğu kurumların, yayıncının, editörlerin veya hakemlerin görüşlerini yansıtmak zorunda değildir. Bu makalede değerlendirilebilecek herhangi bir ürün veya üreticisi tarafından yapılabilecek herhangi bir iddia, yayıncı tarafından garanti edilmez veya onaylanmaz.

Kısaltmalar

UAV, İnsansız Hava Aracı; VLC, Görünür Işık İletimi; RF, Radyo Frekansı; YOLO, You Only Look Once; AI, Yapay Zeka; CNN, Evrişimli Sinir Ağı; RGB, Kırmızı, Yeşil, Mavi; LED, Işık Yayan Diyot; FPS, Saniye Başına Kare; IoU, Kesişim Birleşim Üzerinde; mAP, Ortalama Hassasiyet; mAP50, IoU eşiği 0.50’deki Ortalama Hassasiyet; mAP50-95, IoU eşiği 0.50 ile 0.95 arasındaki Ortalama Hassasiyet; OOK, Açık-Kapalı Anahtarlama; F1 skoru, Hassasiyet ve Geri Çağırma’nın harmonik ortalaması; GPS, Küresel Konumlandırma Sistemi; IMU, Atalet Ölçüm Birimi.

Özet

Anahtar kelimeler

bilgisayarlı görme, yangın ve duman tespiti, yangın yer tespiti, nesne tespiti, sağlam veri iletimi, UAV tabanlı izleme, görünür ışık iletişimi, YOLO

Atıf

Alibekkyzy K, Seiilbekova K, Majka M, Bazarova M, Karmenova M, Belginova S, Keribayeva T ve Bugubayeva A (2026) YOLO nesne tespiti ve görünür ışık iletişimi kullanılarak yangın ve duman tespiti ve yer tespiti için neredeyse gerçek zamanlı UAV tabanlı bir bilgisayarlı görme çerçevesi. Front. Robot. AI 13:1917729. doi: 10.3389/frobt.2026.1917729

Alındı

23 Haziran 2026

Revize edildi

08 Ekim 2026

Kabul edildi

16 Ekim 2026

Yayınlandı

03 Kasım 2026

13 – 2026

Endrowednes Kuantama, Macquarie Üniversitesi, Avustralya

Mustafa Yasin Erten, Kırıkkale Üniversitesi, Türkiye

Ildar Kurmashev, Kuzey Kazakistan Devlet Üniversitesi, Kazakistan

© 2026 Alibekkyzy, Seiilbekova, Majka, Bazarova, Karmenova, Belginova, Keribayeva ve Bugubayeva.

Bu, Creative Commons Atıf Lisansı (CC BY) şartları altında dağıtılan açık erişimli bir makaledir. Orijinal yazarların ve telif hakkı sahiplerinin belirtilmesi ve bu dergideki orijinal yayına kabul edilen akademik uygulamalara uygun olarak atıfta bulunulması koşuluyla, diğer platformlarda kullanımı, dağıtımı veya çoğaltılması mümkündür. Bu şartlara uymayan hiçbir kullanım, dağıtım veya çoğaltma izni verilmemektedir.

*İletişim: Kymbat Seiilbekova, seiilbekovakymbat@gmail.com; Madina Bazarova, madina9959843@gmail.com; Markhaba Karmenova, mmm058246@gmail.com

Bu makalede ifade edilen tüm iddialar yalnızca yazarlara aittir ve yazarların bağlı olduğu kurumların, yayıncının, editörlerin veya hakemlerin görüşlerini yansıtmak zorunda değildir. Bu makalede değerlendirilebilecek herhangi bir ürün veya üreticisi tarafından yapılabilecek herhangi bir iddia, yayıncı tarafından garanti edilmez veya onaylanmaz.

Frontiers | A near-real-time UAV-based computer vision framework for fire and smoke detection and localization using YOLO object detection a
Frontiers | A near-real-time UAV-based computer vision framework for fire and smoke detection and localization using YOLO object detection a
İlginizi Çekebilir: Frontiers | space-robot-dq: Serbest Uzanan Uzay Robotu Manipülatörlerinin Çift Quaternion Kinetiği, Dinamiği ve Kontrolü için Python Kütüphanesi →
Kaynak: Frontiersin ↗

Yorumlar

Bir yanıt yazın

E-posta adresiniz yayınlanmayacak. Gerekli alanlar * ile işaretlenmişlerdir