Kemer Var, Ama Güvenlik Yok

İş güvenliği tarafında çalışan herkesin sahada en az bir kez şahit olduğu bir durum vardır. Çalışana uzaktan bakarsınız; baret tamam, yelek tamam, emniyet kemeri de üzerinde… Her şey olması gerektiği gibi görünür. Ama biraz dikkatli bakınca kritik soruyla karşılaşırsınız:

Halat gerçekten güvenlik hattına bağlı mı?

Bizim bu projeye başlama hikâyemiz tam olarak buradan çıktı.

Uzun süredir görüntü işleme ile sahadaki kişisel koruyucu ekipman kullanımını izleyen çözümler geliştiriyoruz. Fakat yüksekte çalışma tarafına indikçe şunu çok net gördük: Sadece “ekipman var mı?” sorusuna cevap vermek, gerçek riski yakalamaya yetmiyor. Çünkü sahadaki kazaların önemli bir kısmı, ekipman takılı olduğu halde doğru noktaya bağlantı yapılmamasından kaynaklanıyor.

Biz kameraya bakıp “burada yüksekte çalışma var mı?” diye tahmin yürütmüyoruz. Bunun yerine çok daha kontrollü ve sahaya uygun bir yaklaşım benimsiyoruz:

👉 Yüksekte çalışma yapılacak riskli bölgeleri proje başında belirliyoruz.
👉 Kameraları doğrudan bu alanları görecek şekilde konumlandırıyoruz.
👉 Analizi, sadece bu tanımlı risk bölgeleri içinde yapıyoruz.

Bu yaklaşım hem doğruluğu ciddi şekilde artırıyor hem de sahada gereksiz alarm üretimini azaltıyor.

Projenin önemli basamaklarından biri kameranın sahada yüksekte çalışma alanının tam olarak neresine baktığını doğru şekilde eşlemek oldu.

Çünkü sahada şu soruların net cevabı olmak zorunda:

• Kameranın görüşünde riskli platformun tam sınırları neresi?
• Hangi piksel gerçekten yüksekte çalışma bölgesine denk geliyor?
• Çalışan güvenli zeminde mi, yoksa riskli hatta mı?

Bu nedenle her kamera için özel bir alan tanımı (mapping) yapıyoruz. Basitçe söylemek gerekirse, kameranın gördüğü görüntü içinde riskli bölgeyi geometrik olarak işaretliyoruz. Yapay zekâ analizini de sadece bu alan içinde çalıştırıyoruz.

Bu adım, sistemin sahada güvenilir çalışmasının en belirleyici unsurlarından biri oldu.

Peki Sistemimiz nasıl çalışıyor.

Sistem canlı kamera akışını izlerken aslında insan gözüne benzer ama çok daha disiplinli bir kontrol zinciri işletiyor.

Önce riskli olarak tanımlanmış bölgede çalışan var mı diye bakıyor. Eğer çalışan bu alanın içindeyse, artık senaryo net: Bu kişi yüksekte çalışma risk bölgesinde.

Bundan sonra klasik kontroller devreye giriyor:

• Baret var mı
• Reflektif yelek var mı
• Emniyet kemeri kullanılıyor mu

Ama bizim için asıl kritik an bundan sonra başlıyor.

Model, çalışanın emniyet halatını görsel olarak takip ediyor ve halatın gerçekten yaşam hattına bağlanıp bağlanmadığını anlamaya çalışıyor. Yani sistem sadece “kemer takılı” demiyor; “bu kişi gerçekten düşmeye karşı korunuyor mu?” sorusuna cevap arıyor.

Bağlantı yoksa veya şüpheli ise, bunu doğrudan uygunsuzluk olarak işaretliyor.

Sistemi sahaya indirince bizim için en değerli katmanlardan biri de alarm sonrası süreç oldu. Çünkü biz bu işi sadece “tespit ettim, alarm verdim” noktasında bırakmak istemedik.

Aynı videonun görüntü işleme algoritmaları ve yapay zeka tespitine sokuldugu durumda ortaya çıkan tespit.

Model herhangi bir uygunsuzluk gördüğünde — örneğin riskli bölgede bağlantısız çalışma — ilgili İSG ekibine anlık bildirim gidiyor. Burada kritik olan şu: Sahadaki İSG profesyonelleri gelen her alarmı gerçekten tek tek inceliyor. Yanlış alarm mı, gerçek risk mi, operasyonel bir istisna mı… hepsi insan gözüyle değerlendiriliyor.

Ve işin bizim açımızdan en kıymetli tarafı tam burada başlıyor.

İSG ekipleri sadece alarmı kapatmıyor; aynı zamanda sisteme geri bildirim de giriyor. Bu yorumlar zamanla bizim için altın değerinde bir veri kaynağına dönüşüyor. Çünkü sahadan gelen bu etiketli geri bildirimleri, kontrollü şekilde modelin yeniden öğrenme sürecine dahil ederek veri setimizi sürekli zenginleştiriyoruz. Yani sistem sahayı izledikçe değil, sahayla birlikte öğrenerek olgunlaşıyor.

Gerçek görüntülerden elde edilen tespit ve değerlendirmeler de başarım oranımız %70 civarındadır.

Yapay zeka sonucu tespit edilen görüntü

Buna ek olarak, yapay zekâ modelimizin tespit ettiği her kritik uygunsuzlukta görüntüden ilgili fotoğraf karesi otomatik olarak alınıyor. Bu aşamada gizlilik bizim için kırmızı çizgi. Frame üzerinde bulunan insan figürleri otomatik olarak karartılıyor ve görüntü anonim hale getiriliyor.

Anonimleştirilmiş bu görsel daha sonra private LLM altyapımıza gönderiliyor. Burada amacımız ikinci bir bakış açısı kazanmak. Model, sahnenin bağlamını değerlendirerek olası tehlikenin metinsel yorumunu üretiyor — örneğin riskin türü, muhtemel sonuçları veya dikkat edilmesi gereken noktalar gibi.

uygulama alarm ekranı ve yapay zeka sonucu tespit edilen görüntü.

uygulama ekranı ve yapay zeka sonucu tespit edilen görüntü.

Bu iki katman birlikte çalıştığında ortaya güçlü bir döngü çıkıyor:

• Görüntüden otomatik tespit
• İSG tarafından insan doğrulaması
• Sahadan geri besleme
• Anonim görsel üzerinden bağlamsal risk yorumlama
• Ve tüm bunların yeniden öğrenme sürecine beslenmesi

Sonuçta sistem sadece alarm üreten bir yapı olmaktan çıkıp, sahadan beslenen ve zamanla daha isabetli hale gelen yaşayan bir güvenlik asistanına dönüşüyor.

Peki ilirde hedeflerimiz neler:

Platformumuzu klasik PPE tespitinden çıkarıp davranış ve güvenlik doğrulama seviyesine taşımayı hedefliyoruz. Yol haritamızda şu başlıklar yer almaktadır:

• Çoklu kamera korelasyonu
• Donanım maliyetinin düşürülmesi
• Kör nokta optimizasyonu
• Edge + cloud hibrit mimari
• Şantiye taşeron bazlı dinamik risk skorlama
• Gelişmiş analitik ve raporlama