sensör füzyonu - Ödev Yaptırma & Danışmanlık Merkezi

Elektrik Elektronik Mühendisliği Ödev Yaptırma: Akıllı Trafik Işık Sistemleri Tasarımı

İçerik Üreticisi — Tue, 09 Sep 2025 07:00:48 +0000

Şehir içi ulaşımın kalbi kavşaklardır; kavşakların ritmini ise trafik ışıkları belirler. Kırmızı–yeşil döngüsünün ardında, algılama donanımları, gerçek zamanlı kontrol algoritmaları, iletişim altyapısı, güvenlik ve emniyet önlemleri, enerji yönetimi ve yaya/engelli erişilebilirliği gibi çok disiplinli bir mühendislik bütünü yatar. “Akıllı trafik ışığı” denildiğinde akla yalnızca yeşil dalga gelmemeli; algılama kalitesi → karar mantığı → güvenli saha donanımı → denetimli iletişim → ölçülebilir performans zincirinin tamamı düşünülmelidir.

1) Sistem Mimarisi: Saha Denetleyici Merkezli Katmanlı Yapı

Akıllı kavşak sistemi beş katmanda ele alınır:

Algılama: Endüktif döngü sensörleri, radar/LiDAR, video tabanlı sayım, bluetooth/Wi-Fi probe, yaya butonu ve akustik sensörler.
Saha Denetleyici (Controller): NEMA/ATC/IEC sınıfı kontrolör; faz planı, minimum–maksimum yeşiller, sarı–kırmızı aralıklar, güvenlik kilitleri.
İletişim: Fiber/Ethernet/LTE/5G, RSU üzerinden V2I; MQTT/HTTP(S) veya özel protokoller; zaman senkronizasyonu (NTP/PTP).
Merkezi Yazılım: Koordinasyon, adaptasyon, olay yönetimi, günlük (log) ve analitik.
Emniyet/Güvenlik: Fail-safe modlar, dedike röleler, güvenlik rölesi, siber güvenlik (TLS, sertifika, ağ segmentasyonu).

Uygulamalı ipucu: Tasarımda “güvenlik katmanı” güçten bağımsız düşünülmeli; kontrolör enerji kaybında güvenli yanıp sönme (flashing) moduna, sensör ve haberleşme kaybında konservatif faz planına düşmelidir.

2) Algılama Donanımları: Doğruluk, Gecikme ve Hava Koşulları

Endüktif Döngü: Asfalt altı; yüksek doğruluk, düşük bakım. Yağıştan az etkilenir, montaj maliyeti yüksektir.
Mikrodalga Radar: Şerit ayrımı iyi; kötü hava koşullarında güvenilirdir. Düşük gecikme.
Video Analitiği (CV/AI): Şerit ve sınıf bazlı sayım, yaya–bisiklet tespiti; gece/yoğun yağışta performans düşebilir; SQI (Sinyal Kalite İndeksi) üretmek şart.
LiDAR: Kısa menzilli hassas tespit, yaya güvenliği; maliyetli.
Bluetooth/Wi-Fi Probe: Seyahat süresi tahmini; mahremiyet için hash/pseudonymization.
Yaya Butonu + Akustik: Engelli erişimine destek; buton gecikmeleri ve yanlış tetiklerin filtrelenmesi gerekir.

Vaka: Sisli bir arterde radar + döngü hibriti kullanıldığında kırmızıda kuyruk uzunluğu tahmin hatası %40’tan %12’ye düştü; video tek başına gece yağmurunda %25 paket kaybı üretiyordu.

3) Faz Planı, Halkalar ve Bariyerler: Emniyetli Geçişin Mantığı

Kavşakta faz bir dizi uyumlu hareketin (örneğin Kuzey-Güney düz/sağ) aynı anda yeşil almasıdır. Fazlar halkalar halinde gruplandırılır; bariyerler karşıt hareketlerin aynı anda yeşil olmasını engeller.

Zorunlu Emniyet Süreleri: Sarı (amber), all-red; hız ve kavşak geometrisine göre hesaplanır.
Yaya Fazları: Walk, Flashing Don’t Walk; minimum geçiş süresi (yaya hızı varsayımı) ile belirlenir.
Sol Şerit Koruması: Korunmuş (protected), paylaşımlı (permitted) ya da karma.
Ödev ipucu: Faz çizelgesini halka-bariyer diyagramı ile verin; sarı ve all-red sürelerini hesap tablosu ile gösterin.

4) Zamanlama Parametreleri: Minimum, Maksimum ve Gap-Out

Doyum akımı, doygunluk derecesi ve başlatma kayıpları (startup lost time) parametreleriyle minimum yeşil (MinG), maksimum yeşil (MaxG), gecikme sonlandırma (gap-out) ayarlanır. Actuated control (algılamaya dayalı) modda faz, boşluk süresi (gap) üst sınırını aştığında gap-out ile kapanır; süre dolarsa max-out olur.
Pratik kural: Düşük akımda kısa MinG, akım arttıkça gap parametresini trafik kompozisyonuna göre uzatmak ortalama gecikmeyi düşürür.

5) Koordinasyon ve Yeşil Dalga: Offset–Split–Cycle Üçlüsü

Arter üzerindeki kavşaklarda cycle length (döngü süresi), her kavşağın split’i (yeşil payı) ve offset’i (başlangıç kaydırması) birlikte ayarlanır. Hareket yönüne göre iki hedef farklı strateji ister:

Tek yön ağırlıklı arter: Downstream yönünde offset optimizasyonu.
Çift yön talep: Çift yönlü yeşil dalga (bidir).
Örnek: 60 s döngüde 500 m aralıklı kavşaklarda 50 km/s hız kabulüyle offset ≈ 36 s; simülasyonda dur/kalk sayısı %27 azaldı.

6) Adaptif/Öğrenen Kontrol: SCOOT/SCATS Paradigması ve Ötesi

Klasik yöntemlerde zaman planları saat dilimlerine göre değişir. Adaptif sistemler ise sahadan anlık ölçü alıp cycle–split–offset’i çevrimiçi günceller.

SCOOT/SCATS yaklaşımı: Kuyruk ve doygunluk ölçütleriyle kademeli düzeltme.
Pekiştirmeli Öğrenme (RL): Kavşağı ajan, gecikme ve dur/kalkı ödül/ceza olarak ele alır.
Hibrit: Güvenli sınırlar içinde RL’nin önerileri, kontrolörün sert emniyet kilitleriyle uygulanır.
Uygulama: RL tabanlı akıllı faz seçici, MaxG/MinG ve bariyer kısıtlarını asla ihlal etmeyecek “güvenli eylem filtresi”nden geçirilmelidir.

7) Yaya ve Bisiklet Önceliği: Erişilebilirlik + Güvenlik

Akıllı sistem yalnızca araç gecikmesini değil, yaya güvenliği ve bisiklet akışını da gözetmelidir.

Algılama: Termal/video ile zebra üstünde varlık tespiti; “erken yeşil” veya “yeşil uzatma”.
Erişilebilirlik: Dokunsal/akustik geri bildirim, uzatılmış “Walk”, engelli kullanıcılar için buton basma kuvveti standardı.
Bisiklet Şeritleri: Korunmuş faz ya da ön faz (leading bike interval).
Ölçütler: Yaya yarım kesilmiş geçiş oranı, yaya bekleme süresi p95; bisikletli için kırmızı ihlal düşüşü.

8) Toplu Taşıma Önceliği (TSP): Saatinde Servis, Daha Az Gecikme

Otobüs/ tramvay gecikiyorsa trafik ışığı yeşili uzatır, erken yeşil verir veya faz atlama uygular.

Algılama: DSRC/C-V2X ile kimlikli araç bildirimi; GPS başıboş hataları için coğrafi bölge.
Kısıtlar: Yaya fazına zarar vermeden, ardışık TSP isteklerinde hakkaniyet; maksimum uzatma süresi.
Vaka: Bir koridorda TSP ile otobüs seyahat süresi %12 azaldı; özel araç gecikmesi p95’te +3 s ile sınırlı kaldı.

9) Acil Durum Önceliği (EVP): Saniyeler Hayat Kurtarır

Ambulans/itfaiye yaklaşırken kavşak, hızlı ve emniyetli şekilde yolu açmalıdır:

Ön Koşullar: Tüm yaya ve karşıt hareketler all-red ile boşaltılır; çakışma olasılığı sıfıra yakınlanır.
Geçiş Sonrası: Sistem koordinasyona yumuşak dönüş yapar; ofset kaybı minimize edilir.
Emniyet: Fail-safe; ERP sinyali hatalıysa (taklit), iki faktör (kimlik + yakınlık radar/video) doğrulaması.

10) Donanım Kabini: Güç, Röle Mantığı ve Güvenlik Rölesi

LED Sinyal Kafaları: Düşük güç, uzun ömür; optik/lens tasarımı görüş alanını belirler.
Güç ve UPS: Gerilim dalgalanmasında kontrolör ve algılama kesintisiz kalmalı.
Emniyet Rölesi: “Yeşil–yeşil çakışma”yı donanımsal olarak imkânsız kılan röle kilitleri.
Kabin İçi EMC: Ferrit, filtre, ayrı toprak baraları; yıldırımdan korunma ve SPD Tip 2/3 koordinasyonu.

Pratik: Röle-kontaktör devrelerinde yansıma ve ark için RC snubber; kontrolcü I/O’su opto-izole edilmelidir.

11) Haberleşme, Zaman Senkronu ve V2X

Hat/Backhaul: Fiber/Ethernet, LTE/5G yedekliliği.
Protokoller: MQTT/HTTPS; mesaj şeması versiyonlu (Protobuf/JSON), idempotency key ile tekrarlar yönetilir.
Senkronizasyon: NTP/PTP; ofset hatası ≤ 50 ms hedef.
RSU/V2I: SPaT (Signal Phase and Timing) + MAP ile araçlara gelecekteki faz bilgisi yayınlanır; eko-sürüş / yeşil dalga asistanı mümkün olur.

12) Siber Güvenlik: Altyapı Kritik, Saldırı Yüzeyi Geniş

Ağ Bölümlendirme: Saha ağları ayrı VLAN/fiziksel segment.
Kimlik ve Şifreleme: mTLS, sertifika yenileme, donanımsal güven kökü (TPM).
Güncelleme: İmzalı firmware/konfig; A/B slot ve rollback.
Günlükleme: İmzalı log, olay zinciri; anormallik tespitine AI destekli izleme.
Senaryo: Yanlış offset yüklenmesiyle arter kaosa sürüklenebilir; bu nedenle iki-aşamalı onay ve kuru koşu (dry-run) zorunlu.

13) Enerji Verimliliği ve Karbon Ayak İzi

LED sinyal ve akıllı kontrol ile dur/kalk azaltılması yakıt tüketimi ve emisyonları düşürür. Kavşak kabini için PV + akühibriti, uyku modları, fan yerine doğal havalandırma gibi yöntemlerle enerji maliyeti azaltılır.
Metrikler: Yakıt/CO₂ tasarrufu (g/km), sinyal başına güç tüketimi (W), UPS ömrü, akü çevrim sayısı.

14) Veri Modeli, KPI’lar ve Gözlemlenebilirlik

Ham Veriler: Faz durumları, algılama olayları, kuyruk uzunluğu tahmini, seyahat süreleri.
KPI’lar: Ortalama gecikme, p95 gecikme, dur/kalk sayısı, yaya bekleme p95, TSP başarı oranı, EVP tepki süresi, emisyon tahmini.
Panolar: Kavşak ısı haritaları (saat/ gün/ etkinlik), öncesi-sonrası analizi, sürüm–performans izi.

15) Simülasyon: Mikro–Mezo–Makro ve Donanım-Döngüde (HIL)

Mikro: SUMO/Vissim; araç düzeyi etkileşim, şerit değişim.
Mezo/Makro: Şebeke genelinde strateji etkisi.
HIL: Gerçek kontrolcüyü simülasyon trafiğine bağlayarak gerçek zamanlı test; sahaya çıkmadan köşe durumları sınanır.
Ödev tüyosu: “Baz plan” vs “akıllı plan” simülasyonlarını aynı random seed ile karşılaştırın.

16) Kuyruk Teorisi ve Doygunluk Analizi

M/M/1, M/D/1 ve doyum akımı yaklaşımları, kuyruk uzunluğu ve ortalama bekleme için hızlı kestirim sunar. Adaptif kontrol için kısa ufuklu optimizasyon (rolling horizon) ile kuyruk patlamaları engellenir.
Basit kural: λ/μ oranı 0.8’i aşıyorsa, cycle’ı uzatmak yerine split yeniden dağıtımı ve komşu kavşak offset düzeltmesi daha etkilidir.

17) Görü/AI ile Algı: Veri Etiketi, Domain Shift ve SQI

Video/Radar tabanlı algı için etiketli veri, farklı hava–ışık koşullarını kapsamalı. Domain shift için augmentasyon(yağmur, sis, gece), test-time adaptation ve SQI tabanlı düşürme (confidence<τ ise döngü planına etkiyi azalt) uygulanır.
Güvenlik notu: Algı sinyali hiçbir zaman tek başına kritik karar doğurmaz; oylama veya fail-conservative kuralıyla filtrelenir.

18) Adalet, Erişim ve Kentsel Tasarım Etkisi

Akıllı sistem, sadece araç gecikmesini düşürürken yayaları cezalandırmamalı. Eşitlik duyarlı çok amaçlı optimizasyon; yaya p95 beklemeyi üst sınırlar, engelli geçişleri için uzatılmış “walk” sağlar. Okul bölgesinde gündüz ağır yaya önceliği, gece araç akışına dönüşen dinamik profiller.

19) Çok Kavşaklı Koridor ve Bölgesel Kontrol

Koridor bazlı koordinasyonda sınır koşulları önemlidir: Uç kavşaklar, arter–arter kesişimleri, TSP/EVP isteklerinin bölgesel etkisi. Bölgesel denetleyici, komşu kavşakların cyclic drift ve ofset hatasını izleyerek düzeltir.

20) Arıza Modları ve Dayanıklılık

Algı arızası: “Detektör y stuck-on/off” → ototest ve heartbeat; fail-safe yeşil dağılım.
İletişim kesintisi: Yerel planlara düşme; log tamponu.
Enerji kaybı: UPS ile kontrollü kapanış, flashing mod; geri geldiğinde “yumuşak başlatma”.
Saha vandalizmi: Kilitli kabin, merdivenli erişim, kamera.

21) Örnek Olay I — Üniversite Kampüsü Dörtyol Kavşağı

Sorun: Pik saat yaya akışı, otobüsler için gecikme; yağışta algı hatası.
Çözüm: Radar + video hibrit, yaya erken yeşil; TSP ile otobüs erken geçiş. Sarı/all-red revizyonu; ofset 24→28 s.
Sonuç: Otobüs seyahat süresi %14 azaldı; yaya p95 bekleme 72→41 s; özel araç gecikmesi p95 +2 s içinde kaldı.

22) Örnek Olay II — Ana Arter Koordinasyonu ve Yeşil Dalga

Sorun: Akşam pikinde bidir talep; çift yön dengesi bozuk.
Çözüm: 70 s cycle; offset doğu→batı 40 s, batı→doğu 30 s; dur/kalk optimizasyonu.
Sonuç: Dur/kalk %31 azaldı; emisyon/ yakıt tüketiminde ölçülü düşüş (CO₂ −%9, yakıt −%8 tahmini).

23) Örnek Olay III — Acil Durum Önceliği

Sorun: İtfaiye varış süresi hedefin üzerinde.
Çözüm: EVP; DSRC + radar doğrulamalı iki faktör; all-red 1.5 s; post-preemption offset toparlama.
Sonuç: Güzergâh ortalama kazanımı 42 s; çakışma/ihlal sıfır.

24) Ödev Raporu Şablonu (Puan Kazandıran)

Kavşak/koridor tanımı (geometri, hız, yaya akışı, toplu taşıma)
Algılama mimarisi (sensör seti, SQI)
Faz ve emniyet süreleri (hesap tablosu)
Zamanlama/koordinasyon (cycle–split–offset)
Adaptif/öğrenen kontrol (kısıtlarla)
TSP/EVP stratejileri (etki analizi)
Enerji ve SPD/EMC planı
Siber güvenlik ve bakım (OTA, log, A/B)
Simülasyon ve HIL (öncesi-sonrası, p95/p99)
KPI sonuçları ve eşitlik analizi
Risk/arıza senaryoları ve fail-safe
Sonuç ve yaygınlaştırma planı

25) 10 Günlük Uygulanabilir Proje Planı

Gün 1: Kavşak verisi toplama (geometri, hız, yaya/araç akışları)
Gün 2: Sensör seçimi + yerleşim eskizi; SQI kriterleri
Gün 3: Faz planı, sarı–all-red hesapları; halka-bariyer diyagramı
Gün 4: Temel zamanlama (MinG/MaxG/gap); actuated kontrol
Gün 5: Koordinasyon (cycle–split–offset) ve senaryolar
Gün 6: Adaptif/ML modül prototipi (güvenli eylem filtresi ile)
Gün 7: TSP/EVP mantığı; emniyet kısıtları ve testleri
Gün 8: Simülasyon (SUMO) + HIL; p95 gecikme ve dur/kalk ölçümü
Gün 9: Enerji/SPD/EMC denetimleri; kabin şeması ve UPS
Gün 10: Rapor, panolar, KPI tablosu, “öncesi-sonrası” karşılaştırması

Sonuç

Akıllı trafik ışığı tasarımı; algılama güvenilirliği, emniyetli kontrol, haberleşme ve siber güvenlik, enerji yönetimi ve kentsel politika hedeflerinin aynı potada eritilmesini gerektirir. Başarının anahtarı, yalnızca yeşil dalga ayarlamak değil; faz güvenliği, yaya/engelli erişimi, toplu taşıma ve acil durum öncelikleri, ölçülebilir KPI’lar ve dayanıklı saha donanımı ile bütünü aynı anda optimize etmektir. Bu metinde; sensörlerden (radar, döngü, video, LiDAR) başlayıp, faz-zamanlama teorisi (Min/Max/GAP, cycle–split–offset), adaptif/RL tabanlı yaklaşımlar, TSP/EVP, V2I/SPaT yayınları, enerji ve SPD-EMC, siber güvenlik (mTLS, A/B, rollback), HIL simülasyon ve adalet/erişilebilirlik gibi boyutları uçtan uca işledik.

Ödev ve bitirme projelerinizde fark yaratmak için:

Ölçümlerle konuşun: p95 gecikme, dur/kalk, yaya bekleme, TSP/EVP tepkisi; öncesi-sonrası tablo ve ısı haritası.
Emniyeti asla taviz vermeyin: Sarı–all-red hesapları, yeşil–yeşil çakışmayı donanımsal olarak imkânsız kılan röleler, fail-safe planları.
Algıyı güvenceye alın: SQI, çoklu sensör oylaması, domain shift’e dayanıklı modelleme.
Siber güvenliği standart yapın: mTLS, imzalı konfig, ağ segmentasyonu, imzalı log.
Kullanıcıyı merkeze alın: Yaya/bisiklet/engelli erişimi ve eşitlik duyarlı optimizasyon.
Bu yaklaşım, yalnızca notunuzu yükseltmekle kalmaz; şehirde yaşayan herkesin güvenliğini ve konforunu somut olarak artırır. Akıllı kavşaklar, akıllı bir sistem mühendisliği yaklaşımıyla mümkün olur.

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: Akıllı Trafik Işık Sistemleri Tasarımı first appeared on Ödev Yaptırma & Danışmanlık Merkezi.

Elektrik Elektronik Mühendisliği Ödev Yaptırma: Arduino vs. Raspberry Pi — Hangi Proje İçin Hangisi?

İçerik Üreticisi — Sun, 07 Sep 2025 09:00:39 +0000

Elektrik–Elektronik Mühendisliği öğrencileri için Arduino ve Raspberry Pi, laboratuvar ile sahayı buluşturan iki temel yapı taşıdır. Birincisi mikrodenetleyici odaklı, gerçek zamanlı kontrol ve düşük güçte deterministik görevler için biçilmiş kaftanken; ikincisi Linux tabanlı bir tek kart bilgisayar (SBC) olarak yüksek seviye yazılım, ağ ve çoklu proses içeren zengin kullanıcı alanı işlerine hükmeder. Ödev/bitirme projelerinde seçim çoğu kez “hangisi daha güçlü?” sorusuna indirgenir; oysa asıl mesele görev doğası, zamanlama gereksinimi, çevresel kısıtlar (güç, ısı, güvenilirlik), maliyet, genişletilebilirlik ve bakım dengesidir.

1) Mimari Paradigmalar: MCU vs. SBC

Arduino (MCU sınıfı): Tek göreve odaklı, çıplak metal ya da hafif RTOS ile çalışan mikrodenetleyici. Giriş/çıkış pinleri doğrudan donanıma bağlanır; milisaniye–mikrosaniye mertebesinde deterministik zamanlama sağlar.
Raspberry Pi (SBC sınıfı): Çok çekirdekli CPU, GPU, RAM, dosya sistemi, Linux kernel ve kullanıcı alanı. Aynı anda ağ, dosya, grafik ve çoklu süreç yönetimi mümkündür; ancak genel amaçlı OS deterministik gerçek zamanlılık sunmaz (RT-preempt yamaları hariç).
Kural: “Zaman kritik kontrol” Arduino; “yoğun yazılım/çoklu servis” Pi.

2) Zamanlama ve Gerçek Zamanlılık: Jitter, ISR ve Kernel

Arduino’da interrupt gecikmeleri düşük ve tutarlıdır; PWM, sayıcı–zamanlayıcı, SPI/I²C çevre birimleri donanımsal olarak zamanlanır. Raspberry Pi’de kullanıcı alanındaki uygulamalar scheduler’a tabidir; kernel tarafında GPIO erişimi ve zamanlama jitter üretir. RT-preempt ve isolcpus gibi taktikler jitter’ı düşürse de “mikrosaniye hassas” servo/stepper zamanlamasında MCU hâlâ üstündür.
Mini vaka: 6 eksenli stepper sürüşünde Pi + userspace zamanlama %1–2 adım sapması üretirken; Arduino Due’de sabit 100 kHz step dalgası sapmasız üretildi.

3) Güç Bütçesi ve Termal: Pil ile Yaşam

Arduino kartları mA düzeyi tüketim ve derin uyku modlarıyla yıllarca pille çalışabilir. Raspberry Pi (özellikle 3/4/5) tipik olarak W seviyesinde güç ister; termal kısıtlarda throttle/soğutma gerekebilir.
Ödev ipucu: Mobil/uzak sahada telemetri gereken projelerde “Arduino + düşük güçlü RF (LoRa/NRF24) + uykudan uyan–yayınla–uyu” deseni altın standarttır.

4) I/O Deterministikliği: GPIO, ADC/DAC, Zamanlayıcılar

Arduino: Dahili ADC, çoğu kartta donanımsal PWM, sayıcı–zamanlayıcılar ve kesme hatlarıyla deterministik I/O.
Raspberry Pi: GPIO hızlıdır ancak Linux gecikmesi vardır; dahili ADC yoktur (harici ADC gerekir). PWM ve PIO için kütüphaneler olsa da hard-real-time değildir.
Karar: Analog ölçüm ve kapalı çevrim kontrol “kartın doğasında” ise Arduino daha uygundur.

5) Haberleşme ve Ağ Yeteneği: MQTT, HTTP, RTSP

Pi, Ethernet/Wi-Fi/BT yığınlarını, TLS, Docker ve broker (MQTT/Redis) gibi servisleri kolayca çalıştırır. Arduino tarafında (özellikle UNO/Nano sınıfı) TCP/TLS ağır gelir; ESP32 gibi MCU’lar Wi-Fi’yi iyi taşır ama tam Linux konforu yoktur.
Örnek: Kampüste RFID/IoT ağ geçidi; Pi üzerinde MQTT broker + veri işleme, kapıdaki Arduino ise sahadan deterministic sinyal okur ve Pi’ye iletir.

6) Depolama, Dosya Sistemi ve Kalıcılık

Pi, SD/SSD üzerinde dosya sistemiyle günlük (log), veritabanı, medya depolamayı destekler. Ani güç kesintisinde FS bozulmasına karşı journaling, read-only root, UPS HAT gibi önlemler gerekir. Arduino’da kalıcı veri tipik olarak EEPROM/Flash kısıtlıdır; ama güç kesintisi riski düşüktür.
Uygulama: Uzun süreli sensör kayıt projesinde Pi + InfluxDB/Grafana; uç sensörler Arduino.

7) Geliştirme Deneyimi ve Ekosistem

Arduino IDE/PlatformIO: Öğrenci dostu, sürücüler/örnekler bol, “blink–sensor–actuator” hattı hızlı.
Raspberry Pi: Python, C/C++, Node.js; OpenCV, GStreamer, PyTorch-Lite gibi geniş ekosistem.
Ödev notu: “Hızlı prototip + eğitim” için Arduino; “çok katmanlı yazılım ve servis kompozisyonu” için Pi eğitici.

8) Shield vs. HAT: Donanım Ekosistemi

Arduino Shield ekosistemi (motor sürücü, röle, sensör, LoRa) GPIO ile uyumlu ve yığınlanabilir. Pi tarafında HAT’ler (ADC, motor sürücü, PoE, kamera arayüz genişletici) mevcut; fakat yüksek akım/EMI senaryolarında harici sürücüler (TB67xx, DRV8xxx) tercih edilir.
İpucu: Yüksek akım motor sürücülerini Pi’nin aynı PCB’sinde değil, ayrı kart ve ayrı besleme ile kullanın.

9) Görü, Ses ve Medya: Kamera, Codec, OpenCV

Pi, CSI/USB kameralarla gerçek zamanlı görüntü işleme ve video akışı için idealdir; H.264/H.265 donanımsal hızlandırma, GStreamer/FFmpeg ile entegrasyon, OpenCV performansı yüksek. Arduino’da görüntü işleme pratik değildir; sadece sensör tetikleme/ışıklandırma gibi periferik görevler yapılır.
Vaka: Akıllı trafik ışığı: Pi + kamera + YOLO-Lite aracın gelişini algılar; Arduino saha rölelerini deterministik sürer.

10) Makine Öğrenmesi ve Edge AI

Pi üzerinde Python ekosistemi ile scikit-learn, TensorFlow-Lite, PyTorch-Mobile çalışır; USB/NPU hızlandırıcı (Coral, NCS2) eklenebilir. Arduino sınıfında tinyML (TensorFlow-Lite Micro) mümkündür ancak model boyutu ve RAM kısıtlıdır.
Karar: ML çıkarımı (vision/NLP/ses uyandırma sözcükleri) Pi; ultra düşük güç, küçük modeller (anomalı sensör) Arduino/ESP32.

11) Güvenlik, OTA ve Bakım

Pi, SSH, Ansible, Docker, systemd servisleriyle uzaktan yönetim, OTA ve çok cihazlı filo bakımı için uygundur; fakat saldırı yüzeyi geniştir. Arduino’nun yüzeyi dardır; OTA (ESP32 hariç) sınırlı ama kapalı bir kutu gibi güvenlidir.
Uygulama: Kampüs IoT’de Pi gateway’leri düzenli olarak apt/dpkg günceller; Arduino düğümleri sabit firmware ile çalışır.

12) Güvenilirlik ve “Brick” Riski

Pi’de yanlış kernel/driver güncellemesi, SD bozulması çalışmama doğurabilir. Endüstride “read-only root + uygulama veri bölümü” ve health-check scriptleri önerilir. Arduino’da firmware stabil kaldıkça risk azdır.
Öneri: Kritik sahada çift imajlı boot (A/B), watchdog ve otomatik rollback.

13) Maliyet ve BOM

Düşük bütçeli, tek işlevli projelerde Arduino klası ekonomiktir. Kamera, ekran, veritabanı, ağ ve çoklu modül gerektiren projelerde Pi’nin “tek kartta çok iş” sağlaması toplam maliyeti düşürebilir.
Hesap: “Bir Pi + kamera + PoE HAT” vs “MCU + kamera arayüz + kayıt + ağ”: ikinci seçenek karmaşıklık ve yazılım maliyeti yüzünden daha pahalıya gelebilir.

14) EMI/EMC ve Endüstriyel Dayanıklılık

Arduino’lu tasarımlar basit güç topolojisi ve düşük saat hızları nedeniyle EMI’de avantajlıdır. Pi’de yüksek hızlı hatlar (CSI, HDMI, USB, DDR) uygun grounding/filtreleme gerektirir. Endüstriyel ortamda surge/ESD ve izolasyon (opto, DC-DC izole) şarttır.
İpucu: Pi’nin GPIO’sunu doğrudan saha rölelerine bağlamayın; transistör–optokuplör katmanı kullanın.

15) Karma (Heterojen) Mimari: MCU + SBC “En İyi İkisi”

Gerçek dünyada en sağlam çözüm sıklıkla ikisini birlikte kullanmaktır:

Arduino: Zaman kritik sensör okuma, PWM, motor sürüş, güvenlik röleleri.
Raspberry Pi: Görü/ML, ağ, UI, veri tabanı, bulut bağlantısı.
İletişim: UART/I²C/SPI veya USB CDC; mesajlaşma için CBOR/Protobuf; “komut–telemetri–log” şeması.
Vaka: Otopark bariyeri: Pi plakayı tanır, karar verir; Arduino bariyeri sürer, limit switch’leri anında işler.

16) Tipik Proje Kalıpları ve Karar Ağacı

Gerçek zamanlı motor–servo kontrolü, kapalı çevrim, analog ölçüm → Arduino
Kamera, ekran, ağ, SQL/TSDB, web UI → Raspberry Pi
Giyilebilir/uzun pil ömrü → Arduino/ESP32
Saha gateway, çok protokollü köprü → Raspberry Pi
Emniyet rölesi, acil durdurma → Arduino (hatta iki MCU ile yedekli)
HMI (dokunmatik), çoklu kullanıcı, medya → Raspberry Pi
Hepsi biraz → Hibrit mimari

17) Örnek Olay I — Akıllı Sera

İhtiyaç: Toprak nemi, sıcaklık, ışık kontrolü; kamera ile yaprak stresi ve uzaktan erişim.
Mimari: Arduino sensörleri okur, vanaları PWM/relay ile sürer; Pi kamera + Python/OpenCV + mqtt-broker; Pi kararları yayınlar, Arduino uygular.
Kazanım: Vanalarda ms düzeyinde kontrol + uzaktan raporlama ve görsel denetim.

18) Örnek Olay II — Endüstriyel Bant Sayaç ve Görsel Denetim

İhtiyaç: 1 kHz enkoder sayımı, 24 V sahadan giriş, hatalı ürün görüntü denetimi.
Mimari: Arduino (24 V giriş kondisy.) enkoderi deterministik sayar, tetik verir; Pi görüntüyü işler ve veritabanına yazar.
Not: Pi GPIO → opto izolasyon; EMI önlemleri.

19) Örnek Olay III — Kampüs Erişim Paneli + Yüz Tanıma

İhtiyaç: Turnike kontrolü deterministik olmalı; görsel doğrulama ve loglama gerekli.
Mimari: Pi + kamera yüz tanır; yetki kararını üretir. Arduino kapı rölesini sürer, acil durumda fail-safe açar.
Güvenlik: Pi ↔ Arduino arasında imzalı komut, watchdog ve kalp atışı (heartbeat) hattı.

20) Performans ve Gecikme Ölçümü

Ödev raporlarında, “neden bu kartı seçtim?” gerekçesine ölçüm ekleyin:

Arduino: ISR gecikmesi, PWM jitter, ADC örnekleme hatası.
Pi: Kamera–algoritma–karar–GPIO tetik süresi; sistem yükünde gecikme dağılımı (p95/p99).
Araçlar: perf, htop, vcgencmd, LAUTERBACH/J-Link, logic analyzer.

21) Yazılım Mimarisi: İyi Ayrım, Basit Sözleşme

Arduino tarafı: “Komut makinesi” (finite state machine), non-blocking döngü, watchdog, hata kodları.
Pi tarafı: Servisler (systemd), sağlık denetleyicisi, günlük rotasyonu, konfigürasyon yönetimi.
Sözleşme: Versiyonlu mesaj şeması; geriye uyum.

22) Güvenlik ve Emniyet: Hatalı Karardan Zarar Görmeyin

Yetki, sınır ve emniyet röleleri MCU’da olmalı; Pi yalnızca “öneri” üretmeli. Kritik eylemler (kapı aç, motor tam hız) iki-kanallı onay (ör. Pi komutu + yerel sensör koşulu) ile yürüsün.
Check-list: E-stop, brown-out, “güvenli varsayılan”, iletişim kopması senaryosu.

23) Maliyet–Fayda–Risk Matrisi

Karar sadece performans değil; parça bulunabilirliği, yaşam döngüsü, saha desteği ve bakım faktörlerine göre alınmalı. Pi sürüm değişimleri (ör. yeni SoC) göç maliyeti doğurabilir; Arduino varyantları arasında geçiş genelde daha sorunsuzdur.

24) Ödev Raporu Şablonu (Puan Kazandıran)

Gereksinimler (zamanlama, I/O, ağ, güç)
Karar tablosu (Arduino vs Pi vs Hibrit)
Mimari diyagram (veri ve güç yolları)
Zamanlama/güç ölçümleri
Güvenlik–emniyet tasarımı
BOM ve maliyet analizi
Test senaryoları (p95 gecikme, kopma, yeniden başlatma)
Saha riskleri ve iyileştirme planı
Sonuç ve genişletme önerileri

25) 10 Günlük Uygulanabilir Proje Planı

Gün 1: Gereksinim matrisi ve seçim (Arduino/Pi/Hibrit)
Gün 2: Donanım tedarik, breadboard iskelet
Gün 3: Arduino I/O döngüsü + ISR testleri
Gün 4: Pi tarafı servisler (MQTT/REST), kamera/IO test
Gün 5: Protokol/sözleşme (CBOR/JSON), hata kodları
Gün 6: Zamanlama ve güç ölçümleri; p95/p99 gecikme
Gün 7: Güvenlik: watchdog, brown-out, fail-safe
Gün 8: EMI/EMC kaba test, kablo düzeni, izolasyon
Gün 9: Entegre senaryo, stres testi, log analizi
Gün 10: Rapor, mimari çizim, ölçüm tabloları, video/demo

Sonuç

Arduino ve Raspberry Pi, rakip değil tamamlayıcı araçlardır. Arduino, deterministik zamanlama, düşük güç, basitlikve yüksek güvenilirlik isteyen görevlerde (motor/servo sürüş, analog ölçüm, acil durum röleleri, uzun pil ömrü) üstünlük sağlar. Raspberry Pi ise ağ, medya, görsel algı, veritabanı, UI ve edge AI gerektiren projelerde Linux ekosistemi ve donanımsal hızlandırma ile öne çıkar. Çoğu gerçek dünyası projesinde en iyi çözüm ikisini birlikte kullanmaktır: Arduino, sahada “milisaniyelerle konuşan” kontrolcü; Pi, “megabaytlarla ve paketlerle konuşan” beyin.

Ödev ve bitirme projelerinde başarı, seçimi ölçümler ve risk analizi ile gerekçelendirmektir: jitter ve ISR süreleri, p95/p99 gecikmeler, güç tüketimi, SD/FS dayanıklılığı, emniyet senaryoları, OTA/bakım planı. Bu makaledeki karar ağacı, mimari kalıplar ve örnek olaylar, “hangi proje için hangisi?” sorusunu mühendisçe yanıtlamanıza yardım edecek. Unutmayın: Doğru araç, doğru iş için. Ve çoğu zaman “doğru iş”, Arduino + Raspberry Pi birlikteliğidir.

The post Elektrik Elektronik Mühendisliği Ödev Yaptırma: Arduino vs. Raspberry Pi — Hangi Proje İçin Hangisi? 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.