Brown Üniversitesi araştırmacıları, beyin benzeri yapay zekâ ve özel bir kamera sensörüyle yoğun sis ve bulanık suda hareketli nesneleri görüntülemeyi başardı.
Tiwiti10 Teknoloji Haberleri | 11 Ekim 2026
Yoğun sisin kapladığı bir yolda ilerlediğinizi düşünün. Önünüzdeki bir araç, yaya veya engel normal kamerada belirsiz bir gölge olarak görünebilir. Benzer bir sorun, arama-kurtarma ekiplerinin dumanlı bölgelerde ya da su altındaki robotların bulanık sularda çalışırken karşısına çıkabilir.
Bilim insanları şimdi bu soruna farklı bir çözüm üzerinde çalışıyor: Görüntünün tamamını sürekli kaydetmek yerine, ışıkta meydana gelen değişimleri algılayan özel bir sensör kullanmak ve bu verileri beyin benzeri bir yapay zekâyla işlemek.
Brown Üniversitesi mühendislerinin geliştirdiği deneysel sistem, yoğun sis ve bulanık su içindeki hareketli nesnelerin şekillerini yeniden oluşturabiliyor ve hareketlerini takip edebiliyor.
Üniversitenin 1 Ekim 2026 tarihli açıklamasına göre çalışma, Advanced Science dergisinde yayımlanan bilimsel araştırmaya dayanıyor. Makalenin ilk çevrim içi yayın tarihi ise 24 Ağustos 2026.
Sıradan kameralar sisin içinde neden zorlanıyor?
Bir kamera, nesneden yansıyan ışığı algılayarak görüntü oluşturur. Ancak sis, duman ve bulanık su gibi ortamlarda ışık parçacıklara çarparak farklı yönlere saçılır. Bu durum, nesneden gelen ışığın kameraya ulaşmasını zorlaştırır ve görüntüde bulanıklık oluşturur.
Görüntü işleme yazılımları bazı bulanıklıkları azaltabilir. Ancak sensöre ulaşmayan veya ortamda güçlü biçimde dağılan görsel bilgiyi yalnızca keskinleştirme işlemiyle geri getirmek her zaman mümkün değildir.
Brown Üniversitesi ekibinin yaklaşımı, bu sorunu yalnızca normal görüntüleri sonradan iyileştirerek çözmeye çalışmıyor. Bunun yerine, hareketli hedeflerden gelen ışık değişimlerini farklı bir biçimde algılıyor.
Gözün çalışma biçiminden ilham alan kamera
Sistemin ilk önemli bileşeni, dinamik görüş sensörü olarak adlandırılan özel bir kamera türü. Bu sensör, geleneksel kameralar gibi her an bütün görüntünün fotoğrafını çekmek yerine, tek tek piksellerde meydana gelen parlaklık değişimlerine tepki veriyor.
Bir pikselin algıladığı ışık, belirli bir eşiğin üzerinde değiştiğinde sensör bu olayı kaydediyor. Böylece sistem, görüntünün tamamını sürekli işlemek yerine özellikle hareket ve değişim bilgisine odaklanabiliyor.
Bu yaklaşım, biyolojik gözün görsel dünyadaki değişimleri algılama biçiminden esinleniyor. Ancak sensör insan gözünün aynısı değil; elektronik bir sistem ve farklı fiziksel özelliklere sahip.
Sisli bir ortamda arka plandaki ışık saçılması görece yavaş değişirken hareketli bir nesne daha hızlı değişimler oluşturabilir. Sensör bu değişimleri yakalayarak hedefe ilişkin yararlı ipuçları sağlayabiliyor.
Yapay sinir ağı bulanık veriyi nasıl görüntüye dönüştürüyor?
Kameranın topladığı olaylar, ilk bakışta anlaşılır bir fotoğraf oluşturmaz. Veriler, zaman içinde meydana gelen çok sayıda parlaklık değişiminden oluşan seyrek bir sinyal dizisi biçimindedir.
Araştırmacılar bu verileri, darbeli sinir ağı olarak adlandırılan bir yapay sinir ağına aktarıyor. Bu ağ, beyindeki sinir hücrelerinin sinyal gönderme biçiminden esinlenen bir hesaplama yaklaşımı kullanıyor.
Model, sensörden gelen olay dizilerini işleyerek hareketli nesnenin şeklini yeniden oluşturuyor. Aynı zamanda hedefin konumunu ve hareket yolunu takip edebiliyor.
Araştırmanın önemli yönlerinden biri, görüntüyü yeniden oluşturma ve hareket takibi işlemlerinin aynı sistem içinde birleştirilmesi.
Laboratuvar deneylerinde neler başarıldı?
Ekip, sistemin performansını test etmek için sis oluşturulan bir deney odasından ve bulanık su içeren bir tanktan yararlandı. Bu ortamlardan geçen hareketli harfler, rakamlar ve farklı kuş türlerinin silüetleri incelendi.
Deneylerde sistem, geleneksel kamera görüntülerinde ayırt edilemeyen bazı hedefleri yeniden oluşturabildi ve hareketlerini takip etti.
Araştırmacıların bildirdiği sonuçlarda, belirli deney koşullarında yeniden oluşturulan görüntüler ile hedef görüntüler arasındaki yapısal benzerlik skoru yüzde 96'ya kadar ulaştı.
Bu sayı, her görüntünün yüzde 96 oranında kusursuz olduğu veya sistemin her tür sisin arkasını aynı başarıyla görebildiği anlamına gelmez. Sonuç, belirli laboratuvar koşullarında kullanılan görüntü benzerliği ölçütüne ilişkindir.
Enerji tüketimi neden önemli?
Gelişmiş görüntüleme sistemleri yalnızca doğru sonuç üretmekle kalmamalı; aynı zamanda hızlı ve enerji açısından verimli çalışabilmeli.
Brown Üniversitesi'nin açıklamasına göre kullanılan dinamik görüş sensörü yalnızca onlarca miliwatt düzeyinde güç tüketiyor. Darbeli sinir ağı ise yoğun görüntü kareleri yerine seyrek olay verilerini işlediği için geleneksel sinir ağlarına kıyasla daha az enerji kullanabiliyor.
Bu özellik, sürekli çalışan kameraların ve küçük robotik sistemlerin tasarımında önemli olabilir. Ancak sistemin tamamının gerçek bir araçta veya dron üzerinde ne kadar enerji tüketeceği ayrıca ölçülmeli.
Bu teknoloji nerelerde kullanılabilir?
1. Otonom araçlar
Sürücüsüz araçlar çevrelerini kameralar ve başka sensörlerle algılar. Yoğun sis, görüş mesafesini düşürerek bazı kameraların performansını olumsuz etkileyebilir.
Hareketli hedeflerden yararlı görsel bilgiler çıkarabilen bir sistem, gelecekte araçların zor hava koşullarında çevrelerini algılamasına destek olabilir.
Bununla birlikte bu araştırma, teknolojinin yollarda kullanıma hazır olduğunu veya her koşulda kazaları önleyebileceğini göstermiyor. Gerçek trafik ortamlarında kapsamlı testler yapılması gerekiyor.
2. Arama-kurtarma dronları
Orman yangınları, yoğun duman ve fırtınalar sırasında arama-kurtarma ekiplerinin görüşü ciddi ölçüde kısıtlanabilir.
Gelecekte benzer bir görüntüleme sistemi, hareketli hedeflerin veya belirli şekillerin bulunmasına yardımcı olabilir. Bu, dronların zor koşullarda çevrelerini daha iyi değerlendirmesine katkı sağlayabilecek bir araştırma alanıdır.
3. Su altı robotları
Nehirlerde, limanlarda ve bulanık sularda çalışan robotlar, suyun içindeki parçacıklar nedeniyle görüş sorunları yaşar.
Araştırmadaki yaklaşım, saçılan ışığın arka plan etkisini azaltarak hareketli nesnelerden bilgi çıkarmaya yardımcı olabilir. Bununla birlikte su altındaki farklı ışık koşullarında sistemin performansının ayrıca doğrulanması gerekir.
4. Tıbbi görüntüleme araştırmaları
Işığın dokularda saçıldığı bazı görüntüleme uygulamalarında da benzer hesaplama yaklaşımları araştırılabilir.
Ancak Brown Üniversitesi çalışması, klinik kullanım için geliştirilmiş veya hastalarda denenmiş bir tıbbi cihaz sunmuyor. Tıbbi uygulamalar şimdilik gelecekte araştırılabilecek olasılıklar arasında.
Sistemin sınırları neler?
Araştırmacılar, teknolojinin henüz önemli sınırlamaları olduğunu belirtiyor.
- Hareket gerekiyor: Sensör değişimleri algıladığı için, mevcut sistemde hedefin kameraya göre hareket etmesi gerekiyor.
- Görüntü ayrıntısı sınırlı: Şimdilik tam gri tonlamalı fotoğraf yerine ağırlıklı olarak nesnenin silüeti yeniden oluşturuluyor.
- Az ışıkta performans düşebiliyor: Çok karanlık koşullarda sensörün hassasiyeti azalıyor.
- Üç boyutlu algılama henüz geliştirme aşamasında: Derinlik bilgisini daha iyi çıkarabilmek için ek yöntemler araştırılıyor.
Ekip, düşük ışık koşulları için ışık güçlendirici bir ön sistem ve üç boyutlu hedeflerin derinliğini belirlemeye yönelik yaklaşımlar üzerinde çalışıyor.
Geleceğin kameraları yalnızca görüntü çekmeyecek
Geleneksel kameralar, çoğunlukla gördükleri ışığı görüntü karelerine dönüştürür. Yeni nesil olay sensörleri ise değişimleri doğrudan algılayarak farklı bir bilgi biçimi sunar.
Bu veriler yapay zekâyla birleştirildiğinde, sistemlerin yalnızca görüntü üretmesi değil, hareketli nesnelerin nerede olduğunu ve nasıl hareket ettiğini anlaması da mümkün olabilir.
Brown Üniversitesi'nin çalışması, bu yaklaşımın zor görsel koşullarda kullanılabileceğini gösteren deneysel bir örnek. Henüz ticari bir kamera ürünü olarak sunulmuyor; gerçek dünyada güvenilirliği ve performansı için daha fazla araştırmaya ihtiyaç var.
💡 Bugün Ne Öğrendik?
Brown Üniversitesi araştırmacıları, ışık değişimlerini algılayan özel bir kamera sensörünü beyin benzeri bir yapay sinir ağıyla birleştirdi. Sistem, laboratuvar deneylerinde yoğun sis ve bulanık sudaki hareketli hedeflerin şekillerini yeniden oluşturup hareketlerini takip edebildi. Bu yaklaşım gelecekte otonom araçlara, arama-kurtarma dronlarına ve su altı robotlarına yardımcı olabilir; ancak mevcut prototipin önemli sınırlamaları bulunuyor.
Kaynaklar
- Brown Üniversitesi – Beyinden ilham alan görüntüleme sistemi, 1 Ekim 2026
- Advanced Science – Bilimsel makale, ilk yayın tarihi 24 Ağustos 2026
- PubMed – Araştırmanın bibliyografik kaydı ve özeti
Tiwiti10, yapay zekâ, bilim ve geleceğin teknolojilerini doğrulanabilir kaynaklarla takip eder.
Kayıtlar
0 Yorumlar