Akıllı Mahalle Güvenlik Sistemi v2.0
KULLANIM KILAVUZU
Temel Amaç
Akıllı Mahalle Güvenlik Sistemi, geleneksel güvenlik yöntemlerinin yetersiz kaldığı durumlarda 7/24 kesintisiz koruma sağlamak üzere tasarlanmış otonom bir yapay zeka destekli güvenlik çözümüdür. İnsan faktörüne bağlı hataları minimize ederken, hızlı tepki süresi ve yüksek doğruluk oranı ile mahalle sakinlerinin güvenliğini maksimum düzeyde korumayı hedefler.
Kuruluş Gerekçeleri
- ✔ Artan güvenlik tehditleri
- ✔ İnsan gücü maliyetlerinin yüksekliği
- ✔ 24/7 kesintisiz izleme ihtiyacı
- ✔ Hızlı müdahale gerekliliği
- ✔ Teknolojik altyapı imkanları
- ✔ Veri analizi ve raporlama ihtiyacı
What’s Done Well:
-
UI Clarity and Visual Hierarchy:
-
The use of icons (from Lucide) alongside headers adds excellent visual affordance.
-
Color-coded
Badge
components for performance stats (e.g., “%95 Doğruluk”) increase readability. -
Dark theme with green-blue gradients gives a cyber-security ambiance, consistent with the app's goal.
-
-
Separation of Concerns:
-
The content is clearly broken into semantic sections: Purpose, Capabilities, and Strengths.
-
Modular layout using
Card
components andCardHeader/CardContent
is maintainable and readable.
"akıllı mahalle güvenlik robotu", yani bir tür otonom güvenlik robotu olarak tam gelişebilir. Bu sistem, belirli bir bölgeyi hava ve kara tehditlerine karşı koruyacak, sensörlerle donatılmış, otomatik olarak uyanan, çevresini izleyen ve gerektiğinde müdahale eden bir yapay zeka destekli güvenlik çözümü olabilir.
SİSTEMİN GENEL AMACI (HEDEF)
Bir mahalleyi veya sitenin dış çevresini, havadan (dron, kuş, küçük uçak) ve karadan (insan, araç, hayvan, gaz, yangın) gelen tehditlere karşı otonom bir robot sistemle korumak.
Aşağıda bu sistemin ana bileşenlerini ve temel işleyiş planlama, sensörler hiçbiri henüz bağlı değil:
🚨 1. GEREKEN SENSÖRLER
a. Görüntüleme ve İzleme Sensörleri
-
Kızılötesi Kamera (IR) – Gece görüşü ve ısı tespiti için.
-
Termal Kamera – Canlı varlıkları ve motorlu araçları tespit eder.
-
Geniş açılı Kamera (HD) – Genel gözetleme için.
Gaz sensörü (yangın, gaz kaçağı algısı)
-
360° LIDAR (Işıkla mesafe ölçüm) – Çevresel haritalama ve engel algılama.
b. Hava Tehdidi Tespiti için
-
Radar Sensörü (Kısa ve orta menzil) – Drone ve hava araçlarını algılar.
-
Ses Sensörü (Akustik Algılama) – Düşük irtifa uçuşları, patlama veya silah sesi tespiti için.
c. Yüzey ve Hareket Sensörleri
-
PIR (Pasif Infrared) Sensör – Hareket algılaması.
-
Basınç Sensörü (Toprak altı) – Gizli geçişleri tespit eder.
-
İvmeölçer ve Jiroskop – Kendi dengesi ve hareket takibi için.
d. Çevresel Sensörler
-
Gaz Sensörü (CO, CO₂, gaz kaçağı) – Yangın, kimyasal saldırı tespiti.
-
Sıcaklık, nem, rüzgar sensörleri – Durum analizi ve karar desteği.
🧠 2. GEREKEN YAZILIM VE ALGORİTMALAR
a. Yazılım Katmanları
-
Algılama Katmanı (Perception Layer): Sensörlerden gelen veriyi işleyen katman.
-
Karar Katmanı (Decision Layer): AI/ML algoritmaları ile tehdit analizi ve aksiyon.
-
Kontrol Katmanı (Control Layer): Motorlar, ışıklar, alarm sistemleri gibi aktüatörleri kontrol eder.
b. Yapay Zeka ve Görüntü İşleme Algoritmaları
-
YOLOv5 veya YOLOv8 – Gerçek zamanlı görüntü tanıma.
-
OpenCV + TensorFlow/PyTorch – Görüntü işleme ve makine öğrenmesi.
-
Kalman filtresi veya SLAM – Konum takibi ve harita oluşturma.
-
Anomali Tespiti (Anomaly Detection) – Normal olmayan davranışları belirleme.
c. Durumsal Farkındalık ve Otomatik Uyanma
-
Sensörlerden gelen hareket, ses veya IR sinyaliyle tetiklenerek sistem uyanır (edge computing).
-
Belirli saatlerde devriye, şüpheli durumda aktif hale geçme.
🔋 3. OTOMATİK UYANIŞ SİSTEMİ (TRIGGER MEKANİZMASI)
-
Uyku modu: Enerji tasarrufu için sistem bekleme modundadır.
-
Aktivasyon kriterleri:
-
Hareket algılandığında (PIR + Kamera)
-
Ses seviyesi eşik değeri geçtiğinde
-
IR veya termal değişiklik algılandığında
-
Belirli zaman diliminde devriye zamanı geldiğinde
-
🛠️ 4. ASGARİ GEREKEN DONANIM
Donanım/Sensör | Minimum Adet | Yerleşim Yeri |
---|---|---|
IR Kamera | 4+ | Köşe noktalar veya kule üstü |
Termal Kamera | 2+ | Giriş noktalarına |
LIDAR | 1-2 | Robot gövdesi ve çevre kule |
PIR Sensör | 6+ | Duvar/çit hattı boyunca |
Radar Sensör | 2 | Yüksek kule veya çatılarda |
Ses Sensörü | 4+ | Merkezi ve periferik yerler |
Merkezi kontrol ünitesi (AI) | 1 | Güvenli kontrol odasında |
🧭 5. ARAZİDE KONUMLANDIRMA VE BEKLEME STRATEJİSİ
-
Bekleme noktaları:
-
Yüksek görüş alanına sahip kule/çatı.
-
Giriş çıkışlara bakan konumlar.
-
Kör noktalara yönelik sabit robotik gözlem noktaları.
-
-
Patrol güzergahları:
-
Çevresel LIDAR haritasına göre optimize edilir.
-
Rastgele (random walk) + belirli aralıklarla hedef kontrol noktası algoritması.
-
-
Haritalama:
-
SLAM ile alanın 3D haritası çıkarılır.
-
Tehdit geldiğinde kaçış/engel durumu analiz edilir.
-
🔒 6. SİSTEMİN GENEL İŞLEYİŞİ
🔧 7. OLASI KODLAMA DİLİ VE DONANIM PLATFORMU
-
Kodlama dilleri: Python (OpenCV, TensorFlow, PyTorch), C++ (donanım optimizasyonu için).
-
Platform:
-
Jetson Nano / Jetson Xavier (AI işleme)
-
Raspberry Pi 5 (hafif sürüm)
-
Arduino/ESP32 (düşük seviyeli sensör kontrolü)
-
ROS 2 (Robot Operating System)
8. İletişim & Otomasyon Sistemi
İletişim Yolu | Amaç |
---|---|
MQTT | Sensörlerden veri akışı |
WebSocket | Dashboard anlık veri |
GSM/4G/5G | İnternete çıkış ve uzaktan izleme |
OTA (Update) | Robotlara uzaktan yazılım güncellemesi |
Komple Mimari
1. Backend (Node.js + MQTT + WebSocket)
2. Frontend (React.js — WebSocket ile gerçek zamanlı veri gösterimi)
3. Arduino (ESP32) - Basit Sensör Verisi Gönderimi
Özet
-
Arduino ESP32 WiFi üzerinden MQTT broker’a sensör verisini gönderiyor.
-
Node.js backend MQTT’den veriyi alıp WebSocket ile frontend’e aktarıyor.
-
React frontend WebSocket ile gerçek zamanlı veriyi gösteriyor.
Mahalle güvenlik robotunda YOLOv8 kullanarak tehdit algılama için temel bir AI model eğitimi ve kullanımı örneği vereyim. YOLOv8, ultrafast ve yüksek doğruluklu nesne algılama modeli olarak PyTorch tabanlıdır.
1. Ortam Hazırlığı
Öncelikle ultralytics YOLOv8 kütüphanesini kur:
2. Veri Seti Hazırlığı
-
Mahallede algılanmasını istediğin nesneler (örneğin, insan, araç, kuş, drone vs.) için görüntüler ve etiketi içeren YOLO formatında bir veri seti hazırla.
-
Veri yapısı tipik olarak şöyle olur:
Her görüntü için aynı ada sahip .txt
dosyasında nesnenin sınıfı ve normalize edilmiş bbox koordinatları bulunur:
3. YOLOv8 Model Eğitimi
Python betiği örneği:
dataset.yaml
içeriği örneği:
4. Eğitilen Modeli Kullanarak Algılama
5. Jetson Nano için İpuçları
-
TensorRT veya OpenCV DNN ile hızlandırma yapılabilir.
-
Kameradan gelen görüntüye gerçek zamanlı algılama entegre edilir.
-
Gerektiğinde model küçük versiyonla (yolov8n) çalıştırılarak performans artırılır.
Özet:
-
Veri setini hazırla ve YOLO formatına uygun etiketle.
-
ultralytics YOLOv8 kütüphanesi ile modelini eğit.
-
Jetson Nano’da kameradan görüntü alarak tahmin yap.
-
Algılama sonuçlarını gerçek zamanlı göster ve sensörlerle entegre et.