İnsansız Hava Araçları Destekli Derin Öğrenme İle Afet Yönetiminde Gelişmiş Gerçek Zamanlı Nesne Ve Hasar Tespiti
Doğal afetler sonrasında gerçekleştirilen arama kurtarma operasyonlarında insansız hava araçları tarafından elde edilen görüntülerin etkin bir şekilde kullanılması, hızlı ve doğru hasar tespiti için büyük önem taşımaktadır. Bu çalışma, deprem sonrası arama, kurtarma ve hasar tespit süreçlerinde kullanılmak üzere güncel YOLO algoritmalarından YOLOv8n ve YOLOv11n baz modellerini kullanılarak geliştirilen, gerçek zamanlı çok sınıflı nesne ve hasar tespit yaklaşımı sunmaktadır. Tespit hızını korumak için çoklu veri kümesi birleştirmeyi olumsuz koşul artırma ve hafif zamansal entegrasyonla birleştiren, insansız hava araçları ile izlenen felaketlere müdahale için gerçek zamanlı, video tabanlı alan genelleştirilmiş bir YOLO çerçevesi önerilmektedir. Bu makale kapsamında, VisDrone2019, VisDrone-Adverse Weather, DAWN, UAVDT, RescuNet ve diğer çevrim içi deprem görüntüleri toplanarak elde edilen veri kümelerinden derlenen, ayrıca çeşitli veri arttırma yöntemleri kullanılarak sis, duman, karanlık, yağmur ve toz gibi düşük görüş koşullarına sahip görüntülerle zenginleştirilen 8.754 görüntüden oluşan hibrit bir veri kümesi oluşturulmuştur. Veri artırma sürecinde, geometrik dönüşümler olarak rotasyon, yatay ve dikey çevirme ile ölçeklendirme, renk uzayı manipülasyonları olarak parlaklık, kontrast ve HSV ayarlamaları, çevresel koşul simülasyonları olarak sis, duman, karanlık, yağmur ve toz, ayrıca Gaussian gürültü ekleme ve rastgele piksel manipülasyonları uygulanmıştır. Ayrıca, modeller gerçek zamanlı video işleme ve nesne tespiti gerçekleştirmek üzere bu veri kümesi üzerinde eğitilerek afet bölgelerindeki dinamik koşullara hızlı adaptasyon sağlanması amaçlanmıştır. YOLOv11 tabanlı model, %92.1 mAP değeri ve 0.89 F1 puanı ile YOLOv8 tabanlı modele kıyasla en yüksek performansı gösterirken, zorlu çevre koşullarında ortalama %15 daha sağlam sonuçlar elde etmektedir. Bu çalışma doğrudan insansız hava aracı video akışları üzerinde çalışmakta ve dinamik afet sahnelerinde anlık adaptasyon ile zamansal tutarlılık sağlamaktadır. Önerilen yöntem, gerçek zamanlı nesne tespit performansı ve hasar sınıflandırma doğruluğu açısından kapsamlı bir şekilde değerlendirilmiş ve elde edilen sonuçlar, modelin afet yönetim süreçlerinde etkili bir şekilde kullanılabileceğini göstermiştir.