operatör arayüzü - Ödev Yaptırma & Danışmanlık Merkezi

Elektrik Elektronik Mühendisliği Ödev Yaptırma: Arama Kurtarma Robotlarında Sensör Seçimi

İçerik Üreticisi — Sun, 26 Oct 2025 07:00:14 +0000

Arama–kurtarma robotları, belirsizliğin merkezine yürür: yıkılmış binalar, dumanla dolu koridorlar, taş–metal–toz karması içinde şekli bozulmuş boşluklar, su basmış tüneller, kar altında hava boşlukları… İnsan için tehlikeli veya ulaşılamaz alanlarda durumsal farkındalık, konumlama, yol bulma ve kurban tespiti gibi görevleri yerine getirebilmek, doğru sensör karmasıyla mümkündür. Tek bir sihirli sensör yok; görev–mekân–risk üçlüsüne göre özellikleri tamamlayan bir sensör paketi gerekir: görüşü duman ve karanlıkta sürdürecek, tozdan etkilenmeyecek, manyetik gürültüde şaşmayacak, metal yığınlar arasında konumunu kaybetmeyecek, enerji bütçesini yakmayacak, taşıt dinamiğiyle uyumlu çalışacak, veri boru hattını ve hesap gücünü boğmayacak…

1) Görev Tanımı: Algı Neyi Çözmeli?

Sensör seçimi soruyla başlar. Bir yıkım sahasında hangi soruları cevaplamak istiyorsunuz?

Keşif: Koridor genişliği, tavan yüksekliği, engellerin boyutları, düşme–çökme riski.
Haritalama: 2D/3D işgal haritası, gezilebilir yüzeyler, düşey boşluklar.
Konumlama: GPS yok; yerel SLAM/odometri, hataya dayanıklı yönelim.
Hedef tespiti: İnsan varlığı (ısıl iz, ses, CO₂), telefon sinyali, hareket.
Manipülasyon: Kaldır–kes–it; temas kuvveti ve temaslı algı.
Görevler, sensör mimarisini belirler: Örneğin “enkaz altı nefes–ısı tespiti” varsa kızılötesi ve gaz sensörleri kritikleşir; “dar tünel sürüşü” varsa kısa menzilli mesafe ve temas sensörleri öne çıkar.

Örnek olay: Betonarme bir enkazda, gaz sızıntısı riski nedeniyle kıvılcım güvenli çalışması isteniyordu. Sensör paketi kızılötesi termal kamera + mikrofon dizisi + CO₂/NH₃/Metan sensörleri ve intrinsically safe (kıvılcım güvenli) gözetimler ile kurgulandı.

2) Çevre Gerçekliği: Toz, Duman, Su, Metal ve Manyetik Gürültü

Arama–kurtarma ortamı sensör düşmanıdır.

Toz/duman: Görüşü bozar; LiDAR ve kamera geri saçılım/körleşme yaşar.
Su/çamur/kar: Optik ve akustik yayılımı değiştirir; IR’ı zayıflatır, ultrasonu saptırır.
Metal–beton yığınları: RF yansımaları ve GPS yokluğu; manyetik sapmalar.
Sıcaklık ve titreşim: IMU sürüklenmesi, lens buğulanması, konektör gevşemesi.
Sensörlerin çalışma pencereleri bu koşullara göre değerlendirilmelidir. “Her koşulda iyi” yoktur; çakışan zayıflıkları telafi eden çoğullama (redundancy) gerekir.

3) 3D Anlama İçin LiDAR: Güçlü, Ama Her Zaman Değil

LiDAR, aktif ışıkla mesafe ölçer; 3D nokta bulutu üretir. Dar koridor–merdiven–boşluk tespitinde mükemmeldir.

Artıları: Yüksek menzil doğruluğu, yapılandırılmış 3D veri, gerçek zamanlı haritalama.
Eksileri: Duman/tozda geri saçılım ve körleşme; parlak yüzey ve camda artefakt; güç tüketimi.
İpuçları: Düşük güçlü kısa menzil LiDAR’ı (ör. 10–30 m) ana LiDAR’a yedek yapın; dumanlı sahada yoğunluk filtresi ve adaptif eşiğimiz olsun.

Vaka: Tozlu enkazda ana 32-kanal LiDAR körleşince robot duvara çok yaklaştı. Kısa menzilli LiDAR + ultrasonik halka devreye girip çarpışmayı önledi; füzyonla harita “kaba ama güvenli” şekilde güncellendi.

4) Stereo Kamera ve Derinlik Kameraları: Görsel Zeka = Zengin Bağlam

Görsel sensörler bağlam taşır: kapı, merdiven, kablo, su birikintisi, duman yoğunluğu, kurbanın kıyafet–hareket ipuçları.

Stereo/derinlik (ToF/structured light): Yakın–orta menzilde 3D. Duman–tozda kararlı değildir; düşük ışıkta IR aydınlatma gerekir.
Monoküler görüş: Ucuz ve hafif; ama ölçek belirsizliği ve ışığa hassas.
Termal kamera: Görünür engellendiğinde kurban–insan sıcak noktalarını yakalar; duman ve gece performansı iyidir, parlak metal/tutarsız emisivite hataları olabilir.

İpucu: Görünür + termal eşzamanlı akışla “insan-olası alan ısı haritası” çıkarın; görseldeki ROI’leri termal izlerle teyit edin.

5) IMU, Tekerlek/Kıç/Kol Odometresi: SLAM’ın Dayandığı Gerçeklik

GPS yok; inertiyal ve tekerlek/eklem ölçümü temel.

IMU (ivmeölçer+jıroskop+manyetometre): Kısa süreli iyi, uzun sürede sürüklenir. Manyetik ölçümler metal yığınlarda güvenilmez.
Odometri: Palet/teker/kayış kayar; ama yer–zemin temasında “anlık” hız bilgisi sağlar.
Eklemsel sensörler: Palet gerginliği/ayak kuvveti gibi ek işaretler sürüklenmeyi frenler.
IMU’yu LiDAR/görüş ile loosely/tightly coupled şekilde birleştirerek kararlı bir poz–yönelim akışı elde edilir.

Örnek: Merdiven çıkışında teker kayması odometriyi bozdu; IMU + LiDAR faktör grafı kaymayı fark edip haritayı “dondurarak” poz tahminini IMU’ya emanet etti, inişte tekrar LiDAR ağırlığına dönüldü.

6) Ultrasonik ve Kısa Menzil Mesafe: Basitlik, Dayanıklılık

Ultrasonik sensörler, ucuz–hafif–enerji dostu çözümler. Duman ve tozdan optik kadar etkilenmez; fakat dokulardan çok yansır, dar geometri–köşe–yumuşak yüzeylerde şaşırır. 10–200 cm bandında “çarpışma önleme” ve zayıf görüş modunda yedek olarak kıymetlidir.

Vaka: Dar menfezde kamera karardı, LiDAR gürültülendi. 8’li ultrasonik halka, robot burnunu 15–20 cm toleransla yönetti; çıkışa kadar “kör manevra” mümkün oldu.

7) Radar (mmWave/FMCW): Dumanı Delen, Hareketi Yakalayan

mmWave radar, duman/tozu optiğe göre daha iyi deler; hareket ve nefes kaynaklı mikrodalga yansımalarını görebilir.

Artıları: Kötü görüşte çalışır, mikro-hareket duyarlılığı (Doppler).
Eksileri: Noktasal çözünürlük optik kadar iyi değil; çok yollu yansımalar.
Uygulama: Termal kamera ile ortak ROI mantığı; radar hareket–nefes şüphesini termalle sıcak nokta teyidi.

Örnek olay: Duman dolu kat holünde radar “mikro-hareket” uyardı; termalde sıcak nokta belirdi. Ekip yönlendirildi; hafif yaralı kişi bulundu.

8) Gaz Sensörleri ve Çevresel Algı: Güvenlik Önce

Metan, CO, CO₂, H₂S gibi gazlar ve O₂ seviyesi hem ekip hem kurban için kritik. Elektro-kimyasal sensörler hassas; fakat ısınma/ısınma süresi, sıcaklık–nem bağımlılıkları ve çapraz duyarlılıkları vardır.

CO₂: İnsan varlığının solunum izine ipucu; ama kapalı alanda diğer kaynaklarla karışır.
O₂: Kapalı hacimde düşüş hayati sinyal.
Uygulama: Gaz verisini harita üstü ısı haritası olarak işler ve şüpheli bölgelerde görsel/termal taramayı yoğunlaştırırsınız.

9) Akustik/Mikrofon Dizileri: Sesin Gittiği Yeri Bulmak

Kurbanın seslenmesi, moloz altından gelen vuruntu veya telefon titreşimi—akustik ipuçları paha biçilmezdir. Çoklu mikrofonla yansımaya dayanıklı yön kestirimi; düşük frekanslarda dar menfezlerden dahi bilgi taşır. Gürültüde geniş bant gürültü bastırma, sahne tespiti ve tetikleyici kelime/ritim (yardım çağrısı) algısı uygulanır.

Vaka: Jeneratör gürültüsünde mikrofonlar “vur–dur” ritmine kilitlendi; ekibe spesifik konum açısı verildi, termalle teyit edildi.

10) Temaslı Sensörler: Tork, Kuvvet, Bumper ve Taktik Dokunma

Paletli/tekerlekli robotlarda bumper sensörleri ve akım–tork ölçümleri dar geçişlerde hayat kurtarır. Manipülatör varsa uç kuvvet–tork, kayma algısı ve kapanma sensörleri kırılgan objelerle güvenli etkileşim sağlar. Bu “yakın alan” sensörleri optiğin/dünyanın kandıramayacağı fiziksel gerçeği verir.

11) RF İz Takibi: Telefon Sinyali, Bluetooth Beacon, Wi-Fi SSS

Kurbanın telefonu, Wi-Fi erişim noktaları veya yerleştirilmiş işaretçiler RF iz bırakır. Yönlü anten ve güç seviyesi–zaman değişimi ile kabaca yön–yakınlık bilgisi çıkarılabilir. Metalik enkazda yanıltıcıdır; ama makul şüphe üretir ve kamera/termal taramayı verimli kılar.

İpucu: RF „güç yükseldi“ uyarısını radar/termal ile çaprazlayın; yanlış pozitifler dramatik azalır.

12) Enerji–Ağırlık–Hacim: Sensör Konsepti Tasarım Kısıtıdır

Her sensör akım çeker, ısı üretir, yer kaplar ve kırılır. Arama–kurtarma aracının tipi (uçan/teker/palet/yılan/mini crawler) taşıma kapasitesini belirler. “Her şeyi tak” refleksi yerine:

Görev kritiği (olmazsa olmaz),
Yedeklilik (kör modda en az bir yedek),
Değer/enerji oranı (Joule başına fayda)
kriterleriyle çekirdek ve opsiyonel paket tanımlayın.

Örnek: Mikro crawler üzerinde termal + ultrasonik + IMU zorunlu, LiDAR opsiyonel kurgulandı; görev süresi 2 kat uzadı, başarı oranı değişmedi.

13) Dayanıklılık ve Koruma: IP, Darbe, Lens, De-Kontaminasyon

Sensörler için IP koruması, titreme–darbe dayanımı, cam/lens çizilme/yoğunlaşma önlemleri ve temizlik/dekontaminasyon prosedürleri şarttır. Termal ve optik lenslerde buğuya karşı ısıtmalı veya hidrofobikkaplamalar; LiDAR pencerelerinde çizilme direnci kritik. Konnektörler kilitli, kablolar sürtünmeye dayanıklıseçilmelidir.

14) Kalibrasyon, Zaman Senkronu ve Füzyon: Veriyi Aynı Anda Görmek

Farklı sensörlerin eşzamanlı olması, füzyon için kritiktir. IMU ile kamera/ LiDAR zaman damgası uyumu, ekstrinsik(gövdedeki göreli poz) kalibrasyonu ve intrinsik (optik/termal) kalibrasyon hataları küçük bile olsa SLAM/algı kararlılığını bozar. Füzyon; “yoğun–sıkı” (tightly coupled) veya “gevşek” (loosely) kurulabilir; sahada sağlam olanı tercih edin.

Vaka: Termal–görsel hizası 2–3 derece sapmıştı; sıcak nokta görselde 20 cm kayıyordu. Basit bir birlikte hedefkalibrasyon prosedürü ile hizalama düzeldi, yanlış pozitifler azaldı.

15) Veri Boru Hattı, Bilgi Oranı ve Gecikme: Fazla Veri ≠ Fazla Bilgi

Arama–kurtarmada gecikme hayatidir. 64-kanal LiDAR + 4K kamera + termal + IMU verisi ham taşınırsa CPU/GPU boğulur. Strateji:

Kenar (edge) önişleme: ROI çıkarma, gürültü/yoğunluk filtreleri, düşük bit derinliği.
Olay tabanlı yayın: Sadece değişimi gönder.
Uyarlanır hız: Durgun sahnede düşük, olayda yüksek hız.
Operasyon merkezine gönderilen görüntü/haritalar özet olmalı; ham veri ancak istekle ve kısa pencerelerde akar.

16) Yazılım ve Öğrenme: Klasik Algı + Hafif Yapay Zekâ

Derin öğrenme ile insan/engel tespiti güçlüdür; ama modele güvenlik ve açıklanabilirlik katmak gerekir. Kısıtlı donanımda hafif ağlar, kuantizasyon, pruning ve distillation kullanılır. Karanlık–duman–ısıl çakışmalarında klasik görüntü işleme (kenar/optik akış/morfoloji) ile hibrit strateji daha kararlı sonuç verir.

Örnek: Termal kamerada sahte sıcak noktaları (sıcak boru) ağ yanılttı. Klasik hareket–biçim filtreleri eklendi; “insan-olası” skor doğrulandı.

17) İnsan Tespiti: Termal + Radar + CO₂ + Ses—Çok Modlu Şüphe

Kurban tespiti ışık kadar yaşam işaretleri gerektirir. Termal “sıcak form”, radar “mikro-hareket”, CO₂ “solunum artışı”, akustik “ses/vuruntu” birlikte şüphe haritası üretir. Her modun güven skoru ve zaman penceresi farklıdır; birlikte “güvenilirlik bileşkesi” çıkarılır.

18) Manipülasyon ve Yakın Algı: Kameradan Kuvvet Hissine

Bir vanayı kapatmak, küçük bir bloğu kenara itmek, sedye bağını kesmek—yakın alan algısı şart. Kameraya ek olarak uç kuvvet–tork, kayma ve titreşim hissi “nesnenin” cinsini, sertliğini ve hareketini anlatır. Yakın alan ışıklandırma ve derinlik ipuçları ile güvenli temas sağlanır.

19) Uçan Platformlar (UAV) ve Özel Kısıtlar

UAV’lerde ağırlık ve enerji kısıtları daha serttir; hafif LiDAR, optik akış, termal mikro kamera, barometre/IMU ana pakettir. Duman/sıcak yükselimi barometreyi yanıltır; iç mekânda görsel–inertiyal öne çıkar. Gürültü nedeniyle akustik algı sınırlı; zemine yakın uçuşta pervane rüzgârı toz kaldırır—görüşe etkisi planlanmalıdır.

20) Yer–Hava İşbirliği: Sensörleri Görev Paylaşımıyla Düşünün

Kara robotu dar menfezden ilerlerken hava aracı üstten geniş bağlam/ısı haritası sağlar. RF izleme ve yukarıdan yönlendirme ile kara araç sensörleri yakın alana odaklanır. Ortak zaman–konum referansı ve paylaşımlı haritabütünlüğü kritik.

21) Saha Lojistiği: Batarya, Yedek, Temizlik ve Hızlı Değişim

Sensörler görev bitse de bakım ister: lens temizliği, filtre değişimi, kalibrasyon kartları, yedek kablo–konektör. Lityum pillerin hızlı değişim istasyonu, toz/kum geçirmez taşıma çantaları, her görev öncesi “sensör sağlık testi” kontrol listesi saha başarısını ikiye katlar.

22) 6 Haftalık Uygulama Planı (Ödev/Proje)

Hafta 1 – Görev Haritası: Senaryo (enkaz/duman/karanlık), algı hedefleri, riskler ve zorunlu sensör listesi.
Hafta 2 – Çekirdek Paket: IMU+odometri, kısa menzil çarpışma (ultrasonik/ToF), görünür+termal kamera; kablolama ve zaman damgası.
Hafta 3 – 3D ve Yedekler: LiDAR veya görsel-odometri; radar/akustik ek seçenek; temel füzyon ve kalibrasyon prosedürü.
Hafta 4 – İnsan Tespiti: Termal+akustik+CO₂ şüphe bileşkesi; ROI tabanlı görsel doğrulama; operatör arayüzü.
Hafta 5 – Kötü Koşul Testleri: Duman–toz simülasyonu, düşük ışık, metal yığın; veri boru hattı optimizasyonu ve “kör mod” stratejileri.
Hafta 6 – Saha Deneyi ve Rapor: Küçük enkaz parkurunda görev profili; yanlış/kaçırma istatistikleri; bakım ve temizlik talimatı; iyileştirme listesi.

23) Sık Yapılan Hatalar ve Hızlı Çözümler

Her sensörü takmak: Ağırlık/enerji boğar → Görev kritiği + yedeklilik yeter; geri kalanı opsiyonel.
Senkron ve kalibrasyonu hafife almak: SLAM kayar → Zaman damgası ve ekstrinsik kalibrasyon prosedürü şart.
Optiğe aşırı güven: Duman/tozda kör → Radar/ultrasonik/temas yedekleri devrede tut.
Ham veri seli: Gecikme artar → Edge önişleme, olay tabanlı yayın, uyarlanır hız.
Manyetik pusulaya güvenmek: Metalde şaşırır → IMU+LiDAR/görsel füzyon ile yönelim.
Gaz sensörlerini “tak ve unut”: Isınma/çapraz duyarlılık var → Periyodik sıfırlama ve düzeltme eğrileri.
Termal–görsel hizayı atlamak: Yanlış ROI → Birlikte hedef kalibrasyonu.
Bakım ihmal: Lens/kapı kirlenir → Görev öncesi kontrol listesi ve hızlı temizlik seti.

24) Üç Uygulama Vakasından Öğrenme

A) Dumanlı Hastane Koridoru
Sorun: LiDAR körleşiyor, kamera yetersiz.
Çözüm: mmWave radar + termal ile şüphe ROİ; ultrasonik çarpışma yedeği; füzyonla seyir.
Sonuç: İnsan tespiti başarı oranı yükseldi; harita daha seyrek ama güvenli.

B) Enkaz Altı Telefon İzleme
Sorun: RF çok yansıyor; yanlış yönlendirme.
Çözüm: Yönlü anten + güç eğimi yerine rölatif hareket analizi ve termal teyit.
Sonuç: Yanlış pozitifler düştü; hedefe erişim süresi azaldı.

C) Dar Menfezde Crawler
Sorun: Görüş yok, zemin kaygan.
Çözüm: Bumper + tork akımı + kısa menzil ToF ile “dokunarak” ilerleme; IMU’ya ağırlık.
Sonuç: Sıfır çarpışma; yavaş ama güvenilir geçiş.

Sonuç

Arama–kurtarma robotlarında sensör seçimi, tek tek cihazların katalog değerlerinden çok, görev–mekân–riskdenklemini bütüncül ele alan bir sistem tasarımıdır. Bu yazıda; duman–toz–su–metal gibi düşman ortamlarda LiDAR, kamera, termal, radar, ultrasonik, IMU/odometri, akustik, gaz sensörleri ve RF izlemenin güçlü–zayıf yanlarını, zaman senkronu ve kalibrasyonun füzyonda kritik rolünü, veri boru hattı ve gecikme yönetimini, enerji–ağırlık–hacim kısıtları altında “çekirdek+opsiyonel” paket kurmayı, dayanıklılık ve bakım gereksinimlerini, insan tespiti için çok modlu şüphe yaklaşımını ve yer–hava işbirliğini örnek olaylarla işledik.

Kalıcı dersler:

Soruya göre sensör. “Her koşulda mükemmel” yok; birbirini tamamlayan paket kurun.
Kötü görüşe hazırlıklı olun. Radar/ultrasonik/temas yedeği şart.
Zaman–kalibrasyon olmadan füzyon olmaz; hizasızlık, iyi veriyi kötüye çevirir.
Edge önişleme ve olay tabanlı yayın ile gecikmeyi kontrol edin.
Enerji–ağırlık hesabı, başarı oranı kadar önemlidir: uzun görev > kağıt üstü çözünürlük.
İnsan tespiti çok modludur. Termal+radar+akustik+CO₂ birlikte güven verir.
Bakım–temizlik–sağlık testi rutini, sahada başarının yarısıdır.
Yedeklilik akıllıca kurgulanırsa “kör modda dahi güvenli seyir” mümkün olur.
Yer–hava ekip çalışması, bağlam ve yakın alan algısını birleştirerek verimliliği artırır.
Ölç, dene, düzelt. Kötü koşul senaryolarını laboratuvarda taklit edip paketi saha öncesi olgunlaştırın.

Doğru sensör mimarisi; bir öğrencinin ödevini bilimsel ve uygulanabilir, bir ekibin prototipini güvenilir ve saha-hazır, bir arama–kurtarma operasyonunu ise daha hızlı, emniyetli ve etkili kılar. Sensör, robotun gözü–kulağı–derisi–burnudur; doğru duyularla hayatta kalma şansımız artar.

Öğrencilerin akademik başarılarını desteklemek ve yoğun tempoda geçen okul yaşamlarında yardımcı olmak amacıyla kurulan “Ödev Yaptırma” platformu, özgün ve kaliteli ödev çözümleri sunmaktadır. Öğrencilerin farklı branşlardan ödevlerini, projelerini ve makalelerini profesyonel ve deneyimli ekip üyelerimiz aracılığıyla titizlikle hazırlıyoruz. Her bir ödevi, konunun gerektirdiği derinlemesine araştırmalar ve analizler doğrultusunda çözümleyerek, öğrencilerimizin özgün düşünce yapısını ön plana çıkarmasını sağlıyoruz.

“Ödev Yaptırma” olarak, müşteri memnuniyetini ve güvenilirliği en üst düzeyde tutmaktayız. Öğrencilerin bize teslim ettikleri ödevlerin tümü, gizlilik ve güvenlik ilkelerine sıkı sıkıya bağlı kalınarak işlenir. Her ödev, öğrencinin taleplerine ve öğretmenin yönergelerine uygun olarak özelleştirilir ve her zaman orijinal içerik üretmeye özen gösteririz. Öğrencilerin akademik itibarını korumak ve güvenilir bir öğrenme deneyimi sunmak için elinizdeyiz.

“Ödev Yaptırma” platformu, kullanıcı dostu arayüzü sayesinde öğrencilere kolayca ulaşılabilir bir hizmet sunmaktadır. Kullanıcılar, web sitemiz üzerinden basit adımlarla ödevlerini yaptırma taleplerini iletebilir ve ihtiyaç duydukları konuda uzmanlaşmış ekip üyelerimizle iletişime geçebilirler. Hızlı yanıt verme ve esneklik, öğrencilerin zaman baskısı altında olan durumlarında da yanlarında olduğumuzu hissettirir. “Ödev Yaptırma” olarak, öğrencilerin başarısını desteklemek ve onlara daha fazla öğrenme fırsatı sunmak için buradayız

The post Elektrik Elektronik Mühendisliği Ödev Yaptırma: Arama Kurtarma Robotlarında Sensör Seçimi first appeared on Ödev Yaptırma & Danışmanlık Merkezi.

Elektrik Elektronik Mühendisliği Ödev Yaptırma: Robotik Görü Sistemlerinde Yapay Zekâ

İçerik Üreticisi — Wed, 03 Sep 2025 09:00:23 +0000

Robotik görü (robot vision), makinelerin çevresini algılayıp anlaması için görüntü ve sensör verilerini işleyen; donanım ile yazılımın iç içe geçtiği disiplinler arası bir alanıdır. Günümüzde üretim hatlarından otonom araçlara, insansız hava araçlarından akıllı tarıma kadar sayısız uygulamada, yapay zekâ (YZ) destekli görü sistemleri performans ve güvenilirliğin ana belirleyicisi haline gelmiştir. Elektrik-Elektronik Mühendisliği öğrencileri için bu konu, yalnızca bir laboratuvar ödevi değil, aynı zamanda algoritma–donanım–kontrol üçlüsünü bütüncül kavramayı sağlayan bir kariyer köşe taşıdır. Bu makalede, robotik görü sistemlerinin temel bileşenlerinden başlayarak derin öğrenme mimarileri, gömülü hızlandırma, sensör füzyonu, gerçek zamanlılık, güvenlik ve etik konularına kadar uçtan uca bir rehber sunacağız. Her bölümde örnek olaylar, uygulamalı ipuçları ve proje/ödev bağlamına özgü başarı stratejileri yer alacak.

1) Robotik Görünün Temel Yapıtaşları: Sensör, Optik, Hesaplama

Her güçlü robotik görü hattı (vision pipeline) üç sac ayağına dayanır:

Algılama (Sensing): RGB kameralar, IR, derinlik sensörleri (ToF, stereo), event-based kameralar, LiDAR.
Optik ve Aydınlatma: Lens seçimi (fokal uzunluk, diyafram), optik filtreler, polarizasyon; kontrollü aydınlatma ile kontrast arttırma.
Hesaplama (Compute): CPU/GPU/TPU, DSP/FPGA/NPU gibi hızlandırıcılar, gömülü platformlar (Jetson, Zynq, Raspberry Pi + hızlandırıcı kartlar).

Uygulamalı örnek: Konveyörde parça denetimi. Aydınlatma LED halkası ve polarize filtre ile yansımalar azaltılır; yüksek shutter hızında bulanıklık önlenir; görüntü, Jetson Nano üzerinde TensorRT optimizasyonlu bir CNN’e beslenir.

2) Yapay Zekâ ve Derin Öğrenmenin Görüye Katkısı

Klasik görüntü işleme (kenar tespiti, eşikleme, morfoloji) uzun yıllar endüstriyel görünün omurgasıydı. Derin öğrenme ile:

Öz-çıkartım (feature extraction) otomatikleşti (SIFT/ORB yerine evrişimli katmanlar).
Genelleme ve aydınlatma, döndürme, ölçek değişimlerine dayanıklılık arttı.
Görev-özel mimariler: Nesne algılama (YOLO, SSD), semantik segmentasyon (U-Net, DeepLab), poz kestirimi (OpenPose), takip (Deep SORT).

Mini vaka: Fabrika hatasında, farklı üretim lot’larında renk tonu değişen parçalar klasik eşikleme ile kaçıyordu. CNN tabanlı bir kusur sınıflandırıcı, renk varyasyonlarına dayanıklı hale gelerek yanlış negatifleri %60 azalttı.

3) Görev Sınıfları: Algılama, Segmentasyon, Takip, Poz ve 3B Anlama

Robotik görevler görüyü farklı şekillerde kullanır:

Sınıflandırma: Ürün A/B/C ayrımı, kalite sınıfı tayini.
Algılama (Detection): Kamera görüntüsündeki nesnelerin konum kutuları (bounding box).
Semantik/Örnek Segmentasyonu: Piksel düzeyinde etiketleme; kaynak seçimi, kavşak algısı, tarımsal ürün sayımı.
Takip (Tracking): Hareketli nesnelerin kimliklerini kareler boyunca koruma.
Poz Kestirimi ve 3B: Robot kolu için 6-DoF poz; stereo/derinlik ile kavrama planlama.

Uygulama ipucu: Robot kavrama için yalnızca 2B algılama yetmez; derinlik veya çoklu görünüm ile 3B poz tahmini gerekir. Burada PnP (Perspective-n-Point) veya öğrenilmiş poz ağları devreye girer.

4) Veri Toplama, Etiketleme ve Veri Mühendisliği

YZ çözümlerinin verime ulaşması doğru veri ile başlar.

Çeşitlilik: Aydınlatma, arka plan, açı, lens bozulması.
Etiket kalitesi: Bounding box, segmentasyon maskesi, anahtar nokta.
Dengesizlik (imbalance): Nadir kusurlar için veri çoğaltma (augmentation), sentetik veri (domain randomization).
Sürümleme: Dataset v1 → v2 ilerlerken deneylerin izlenebilirliği (DVC, MLflow).

Örnek olay: Nadir kırık kusuru için üretim hattı durdurulamadı. Blender ile CAD modelinden sentetik kusur görüntüleri üretildi; domain randomization ile farklı ışıklandırmalar simüle edildi; model sahada tutarlılık kazandı.

5) Model Seçimi ve Mimariler: YOLO Ailesinden Transformer’lara

Hafif Mimari İhtiyacı: Gömülü cihazlarda YOLOv5-nano, YOLOv8n, MobileNet-SSD gibi hafif dedektörler tercih edilir.
Segmentasyon: U-Net, Fast-SCNN, BiSeNet gömülü için uygundur.
Transformer Tabanlılar: DETR ve türevleri, global dikkat mekanizmasıyla kutu eşlemede pratik; ancak gecikme ve kaynak tüketimine dikkat.
Ölçek-Hedef Dengesi: Küçük nesneler için yüksek çözünürlük ve çoklu ölçek başlıkları gerekir.

Pratik karşılaştırma (ödev perspektifi): Aynı veri kümesinde YOLOv8n (int8 quantize) ile 20 FPS; YOLOv8s (fp16) ile 12 FPS; DETR-tiny (fp16) ile 8 FPS alınırken mAP sıralaması ters olabilir. Projenin hedef FPS ve mAP eşiği kararınızı yönetsin.

6) Eğitim Stratejileri: Transfer Öğrenme, İnce Ayar ve Kuantizasyon

Transfer Öğrenme: Kısıtlı veri ile hızlı yakınsama.
Augmentation: Mozaik, mixup, renk jitter; fakat üretim görüntülerinde aşırıya kaçmayın.
Kuantizasyon ve Budama: int8/FP16 ile gecikmeyi azaltın; hassasiyet düşüşünü kalibrasyonla sınırlayın.
Bilgi Damıtma (Distillation): Ağır öğretmen modelden hafif öğrenci modele bilgi aktarımı.

Uygulamalı örnek: Otonom mobil robotta YOLOv8s (öğretmen) → YOLOv8n (öğrenci) distillation; TensorRT int8 kalibrasyonu ile 2,3× hızlanma, mAP kaybı < %1.

7) Gerçek Zamanlılık: Gecikme Bütçesi ve Son-Uç Optimizasyon

Robotik sistemler uçtan uca gecikme ile ölçülür: kamera → ön işleme → model → karar → eylem.

Bütçeleme: 30 FPS için toplam < 33 ms.
Pipeline Paralelizmi: Kamera DMA + ön işleme (DSP/FPGA) + yapay zekâ (GPU/NPU) + kontrol (CPU) eşzamanlı.
I/O Yükleri: CSI/MIPI bant genişliği, DMA kopyalarını azaltma (zero-copy).
Çekirdek Dışı Operasyonlar: Ön işleme (resize, normalize) için GPU kernel’leri veya VPI/OpenCV-CUDA kullanın.

Mini vaka: 60 FPS hedefli paket sınıflandırma hattında, CPU üzerindeki ön işleme 10 ms alıyordu. GPU’ya taşınarak 2 ms’ye indi; toplam boru hattı 28 ms’ye düşerek hedefe ulaştı.

8) Donanım Hızlandırıcıları: GPU, FPGA, DSP, NPU

GPU: Geliştirme kolaylığı, geniş framework ekosistemi; güç tüketimi ve ısıya dikkat.
FPGA: Düşük gecikme, deterministik davranış; HDL/HLS maliyeti, mühendislik emeği yüksek.
DSP: Sabit nokta, filtreleme, ön işleme hattında verimli.
NPU/TPU: Derin ağ çıkarımı için özelleşmiş; sürücü/SDK kısıtlarını planlayın.

Karar önerisi: Prototipte GPU ile doğrulayın; seri üretimde güç ve BOM baskısı varsa kritik çekirdeği FPGA/NPU’ya taşıyın.

9) Gömülü Dağıtım: Jetson, Zynq, Raspberry Pi + Hızlandırıcı

Jetson Serisi: TensorRT entegrasyonu, CSI kameralar; orta-üst performans.
Zynq/ZynqMP: ARM + FPGA hibriti; ön işleme FPGA’da, çıkarım ARM/GPU’da.
Raspberry Pi + NPU Dongle: Düşük maliyetli POC; özellik sınırlamalarını baştan kabul edin.

Uygulamalı dağıtım planı (ödev için): Eğitim masaüstünde → ONNX export → TensorRT/TVM derleme → hedef cihazda gecikme/profil → dar boğaz noktalarını optimize etme.

10) Sensör Füzyonu: Görü + IMU + LiDAR ile Güvenilirlik

Tek kamera birçok durumda yeterli değildir. Füzyon ile:

IMU: Görü tabanlı SLAM’de ölçek drift’ini azaltır.
LiDAR/ToF: 3B engel haritalama, düşük ışıkta sağlamlık.
Kalibrasyon: İç/dış (intrinsic/extrinsic) parametreleri sık güncelleyin; sıcaklık/ titreşim sapmasına dikkat.

Örnek olay: AGV (otomatik güdümlü araç) koridorda karşıdan gelen forklift’i kamera geç algılıyordu. LiDAR füzyonu ile 3B tespit eklendi; acil duruş mesafesi %35 iyileşti.

11) Çevresel Dayanıklılık: Aydınlatma, Toz, Titreşim ve Isı

Robotik görü sahada yaşar.

Aydınlatma: HDR sensör, otomatik poz telafisi; gerektiğinde IR aydınlatma.
Toz/Nem: IP65 muhafaza, lens koruyucu.
Titreşim: Global shutter ve sabitleme; rolling shutter artefaktlarını azaltın.
Isı: Termal dizayn; fan/ısı borusu; throttle riskine karşı FPS koruma.

Uygulamalı ipucu: Denetim kabinlerinde karanlık oda yaklaşımı, dış aydınlatma değişimini elimine ederek model stabilitesini dramatik artırır.

12) Güvenlik ve Güvenilirlik: Fonksiyonel Emniyet, Siber Güvenlik

Fonksiyonel Güvenlik: ISO 13849, IEC 61508 sınıfları; algılama hatasında güvenli duruş.
Siber Güvenlik: Model ve firmware bütünlüğü; OTA güncellemede imza doğrulama; kamera akışlarının şifrelenmesi.
Adversarial Dayanıklılık: Basit patch/etiket saldırılarına duyarlılık testleri; veri artırımıyla sertleştirme.

Mini vaka: Depo robotuna saldırgan bir QR etiketi yapıştırıldığında algılama sapıyordu. Eğitim sürecine benzer desenler dahil edilerek saldırı etkisi minimize edildi.

13) Kalibrasyon, Zaman Senkronu ve Geometri

Kamera Kalibrasyonu: Distorsiyon parametreleri, odak değiştikçe yeniden kalibrasyon.
Zaman Senkronu: Çoklu sensör saatlerinin PTP/NTP ile hizalanması; milisaniye düzeyi hata bile takipte kimlik kaybı yaratır.
Geometrik Temeller: Epipolar geometri, temel/öz matrisi; stereo rektifikasyon.

Uygulama: Uçan robotta (UAV) görsel odometri ve IMU senkronu 8 ms saptı; loop closure hataları arttı. Zaman damgası koridorları daraltılarak SLAM stabil hale geldi.

14) Test, Doğrulama ve Devamlı İzleme (MLOps for Edge)

Ofline Test: Ayrık test seti, dağılım kayması tespiti.
Saha İzleme: Düşen mAP’i telemetri ile saptama; yeniden eğitim döngüsü.
A/B ve Gölge Mod: Yeni modeli gölge modda çalıştırıp kararlılığı kanıtlayın.
Model Kartları: Versiyon, veri kaynağı, sınırlamalar; denetlenebilirlik.

Ödev pratiği: Raporunuzda yalnızca doğruluk değil, gecikme, güç, ısınma, bellek metriklerini de tablo halinde karşılaştırın.

15) İnsan-Makine Etkileşimi ve Açıklanabilirlik

Robotik görü kararlarının anlaşılır olması operatör güvenini artırır.

Sıcaklık Haritaları (Grad-CAM): Alınan kararın hangi bölgelerden etkilendiğini görselleştirin.
İzlenebilirlik: Her karar için giriş görüntü + model sürümü + parametre checksum’u kaydedin.
UI/UX: Operatöre yalancı alarmı düşüren geri bildirim kanalları (etiket düzeltme, örnek raporlama).

Uygulama: Ambalaj kusuru sisteminde operatör paneline Grad-CAM eklense de üretim hızında ekran karmaşası yarattı. Çözüm: Sadece hatalı örnekler için tek tıkla açılan detay penceresi.

16) Etik, Gizlilik ve Veri Hakları

Gizlilik: İnsan yüzü içeren verilerde maskeleme/anonimleştirme; yerel (on-device) işleme tercihi.
Önyargı (Bias): Veri dağılımının adil ve temsili olması; hatalı alarmın iş güvenliği ve verim üzerindeki etkileri.
Ödev Dürüstlüğü: Kodunuzu ve verinizi kaynak gösterin; lisanslara uyun; ekip emeğini açıkça belirtin.

17) Maliyet, Güç ve BOM Optimizasyonu

Tüm-yaşam Maliyeti: Donanım + lisans + bakım + veri etiketleme.
Güç Bütçesi: Bataryalı robotlarda model karmaşıklığı doğrudan çalışma süresini etkiler.
BOM Ticareti: İki kamera yerine tek kamera + iyi aydınlatma çoğu zaman daha verimli olabilir.

Mini vaka: Tarımsal robotta çift kamera + orta GPU yerine tek kamera + NPU ile aynı görev 1,8 kg daha hafif ve %30 daha uzun çalışma süresiyle çözüldü.

18) Uygulamalı Ödev Şablonu: Uçtan Uca Tasarım

Problemi Tanımlayın: Görev (algılama/segmentasyon), hedef FPS ve mAP.
Veriyi Planlayın: Toplama/etiketleme; sentetik üretim ihtiyacı.
Model Seçin: Hafif mimari + quantization planı.
Eğitin: Transfer öğrenme + uygun augmentations.
Optimize Edin: Pruning/quantization/distillation; ONNX export.
Dağıtın: TensorRT/TVM/NNAPI/ARM Compute Library.
Ölçün: Gecikme, bellek, güç, sıcaklık; sahada A/B.
Raporlayın: Metodoloji, veri etiketi, model kartı, hatalar ve çözümler.

19) Endüstriyel Sahneler: Kısa Vaka İncelemeleri

Akıllı Lojistik: Paket yönlendirme ve barkod okuma; düşük ışıkta IR aydınlatma + YOLOv8n int8.
Otonom Mobil Robot (AMR): Koridor insan/engel algılama; LiDAR füzyonlu segmentasyon; 25 ms uçtan uca gecikme.
Akıllı Tarım: Meyve sayımı ve olgunluk; güneş parlamasına dayanıklı veri artırımı; NPU dağıtımı.
Kalite Denetimi: İnce çatlak tespiti için yüksek çözünürlüklü segmentasyon + hassas aydınlatma; hata verisi nadir olduğundan sentetik kusur.

20) Son Performans Cilaları: Mikro-Optimizasyonlar

Ön İşleme Zinciri: Normalize/resize’ı GPU kernel’ine taşıyın.
Batch = 1 İçin Özel Yollar: Dinamik şekiller yerine sabit çözünürlük; memory pool.
I/O Darboğazı: Camera-to-GPU zero-copy; pinned memory.
Scheduler Ayarı: CPU affinity, küçük RT çekirdek.

İpucu: 5–8 ms kazanç sağlayan bu mikro adımlar, özellikle hareket planlayıcısı ile birleştiğinde robot davranışını gözle görülür biçimde akıcı hale getirir.

21) Ders ve Laboratuvar İçin Değerlendirme Kriterleri

Teknik Doğruluk: Model seçimi gerekçesi, veri mühendisliği, kalibrasyon.
Mühendislik Disiplini: Kod temizliği, versiyonlama, otomatikleştirilmiş deneyler.
Performans Kanıtı: FPS, mAP/IoU, güç/ısı profilleri.
Saha Gerçekliği: Aydınlatma, titreşim, lens kirlenmesi gibi pratik zorluklara çözüm.
Etik ve Güvenlik: Veri hakları, iş güvenliği senaryoları.

22) Klasik Yöntemler ile YZ’nin Hibrit Kullanımı

Her şeyi YZ ile çözmeye çalışmak yerine:

Ön Filtreleme: YZ’ye gitmeden parazit temizliği (bilateral, median).
ROI Daraltma: Klasik yöntemle ilgi bölgesini bulup YZ modeline daha küçük yama verin.
Kural Tabanlı Art Alan: YZ kararından sonra iş kurallarıyla yalancı alarmı azaltın (ör. hız/mesafe eşiği).

Örnek: Güvenlik kamerasında hareket algısı klasik diferans görüntüleme ile; kişi/araç ayrımı YZ ile; ihlal kararı kuralla.

23) Gelecek Eğilimler: Görü-Dili Modelleri ve Otonomi

Multimodal (Görü + Dil) Modeller: Sahne anlayışını zenginleştiriyor; robotların görev komutlarını doğal dilden yorumlama potansiyeli.
NeRF ve 3B Öğrenme: Ortamın ışık alanı temsilinden rota planlamaya.
Edge MLOps: Saha-içi kişiselleştirilmiş yeniden eğitim (federated learning).

Uyarı: Güç, bellek ve gecikme kısıtları; gizlilik ve telif; güvenlik standartları yıldızımızı yere bastıran gerçekler olmaya devam edecek.

Sonuç

Robotik görü sistemlerinde yapay zekâ, güvenilir algı ve gerçek zamanlı karar üretiminin bel kemiğidir. Başarı, yalnızca yüksek doğruluk veren bir modelle değil; veri mühendisliği, donanım hızlandırma, optik/aydınlatma stratejileri, sensör füzyonu, kalibrasyon ve MLOps gibi unsurların birlikte orkestrasyonu ile gelir. Ödev ve projelerinizde, problemi ölçülebilir hedeflerle tanımlayın (mAP/FPS/güç), veriyi sürdürülebilir bir yöntemle yönetin, model seçimini donanım kısıtlarına göre yapın, kuantizasyon-pruning-distillation üçlüsünü erken planlayın ve dağıtım sırasında uçtan uca gecikmeyi bütçeleyin. Saha gerçekleri (ışık, toz, titreşim, ısı) ile güvenlik-etik gerekliliklerini tasarım döngünüze entegre etmeyi ihmal etmeyin.

Son tahlilde, robotik görünün başarısı algoritma zekâsı ile elektrik-elektronik mühendisliğinin disiplinli uygulama gücünün birleştiği noktada filizlenir. İyi tasarlanmış bir veri hattı, doğru seçilmiş ve optimize edilmiş bir model, bütçelenmiş bir gerçek zamanlı mimari ve güvenlik-etik ilkelerine saygılı bir saha stratejisi; yalnızca yüksek notlu bir ödev değil, üretime hazır bir çözüm kapısını aralar.

The post Elektrik Elektronik Mühendisliği Ödev Yaptırma: Robotik Görü Sistemlerinde Yapay Zekâ first appeared on Ödev Yaptırma & Danışmanlık Merkezi.