12345678
12345678
ABCDEF
ABCDEF
X 0000 Y 00000
Samet Can Ceylan
BlogAna sayfa
ÇİZEN© 2026 Samet Can Ceylan
KONUMKonya, Türkiye
REVİZYONI · 2026
Başa dön ↑
Blog/Proje notu
Samet Can Ceylan10 Mayıs 2026Güncellendi 22 Kasım 20263 dk okuma
TEKNOFEST FINALIST

Otonom Tarım Robotu Edge AI, Görüntü İşleme & ROS 2

Araç üstü endüstriyel bir edge bilgisayarda gerçek zamanlı görüntü işleme, ROS 2 kontrolü ve sensör füzyonu çalıştıran otonom tarım aracı — bulut bağlantısına gerek yok.

  • Edge AI
  • Endüstriyel PC
  • ROS 2
  • OpenCV
  • YOLO
  • Python
Araç üstü edge bilgisayar, kamera sistemi ve motor sürücüleri olan otonom tarım aracı

Problem & Motivasyon

Tarım sektörü geniş alanları verimli şekilde izlemekte zorlanıyor. Manuel denetim yavaş ve emek yoğun. Otonom sistemler ürün izleme maliyetlerini düşürürken doğruluk ve tutarlılığı artırabilir.

Bu proje, edge AI’ın tarımsal robotikte nasıl kullanılabileceğini gösteriyor: gerçek zamanlı bitki tespiti ve otonom navigasyon tamamen araç üzerinde çalışıyor.

Çalıştığım hesaplama platformları

Tek bir karta bağlı kalmak yerine işe uygun bilgisayarı seçip entegre ediyorum. Projelerimde çalıştığım platformlar:

Endüstriyel mini PC’ler (x86)

ROS 2 ana düğümü, çoklu kamera ve ağır görüntü işleme — sahada sızdırmaz kabin içinde.

GPU’lu edge AI modülleri

Düşük güçte, nicelenmiş (INT8) modellerle gerçek zamanlı derin öğrenme çıkarımı.

Tek kart bilgisayarlar (SBC)

Sensör ağ geçidi, telemetri ve hafif kontrol görevleri.

PLC, uçuş kontrolcüleri & MCU’lar

Deterministik I/O ve motor kontrolü için Siemens PLC, Pixhawk ve ESP32.

Teknik altyapı

Donanım

  • → GPU’lu endüstriyel edge bilgisayar
  • → USB HD Camera (640x480, 30 FPS)
  • → Encoder’lı DC motorlar
  • → IMU sensörü (MPU6050)
  • → LiDAR sensörü (RPLidar)
  • → Güç yönetimi (5V / 12V hatlar)
  • → Alüminyum şasi & 3D baskı parçalar

Yazılım

  • → ROS 2 Foxy
  • → OpenCV 4.5
  • → Python 3.8+
  • → PyTorch (bitki tespit modeli)
  • → Gazebo simülatörü
  • → SLAM navigasyon yığını
  • → Özel kontrol algoritmaları

Donanım mimarisi

Edge hesaplama birimi (ana kontrolcü)
├── GPU'lu endüstriyel bilgisayar
├── Linux + ROS 2 çalışma ortamı
├── Cihaz üzerinde YZ çıkarımı (INT8)
└── Regüleli 12V → 5V besleme

Bağlı cihazlar:
├── Kamera modülü (USB)
├── Motor sürücü (GPIO / PWM)
├── IMU sensörü (I2C)
├── LiDAR (Serial / USB)
└── Encoder geri beslemesi (GPIO)

Edge bilgisayar ana işlem birimi olarak ROS 2’yi merkezi ara yazılım olarak çalıştırır. Tüm sensörler standart arayüzlerle (USB, I2C, Serial) bağlanır; bu sayede aynı tasarım başka bir endüstriyel bilgisayara taşınabilir. Güç dağıtımı, yük altında kararlı çalışma için çift hat kullanır.

Yazılım mimarisi

ROS 2 Node Architecture:
┌─────────────────────────────────────┐
│    Camera Driver Node               │
│ (USB camera → /camera/image)        │
└──────────────┬──────────────────────┘
               │
┌──────────────▼──────────────────────┐
│  Vision Processing Node             │
│  - OpenCV frame processing          │
│  - Plant detection (PyTorch)        │
│  - Target localization              │
│  (→ /vision/target_location)        │
└──────────────┬──────────────────────┘
               │
┌──────────────▼──────────────────────┐
│  Navigation & Control Node          │
│  - SLAM (LiDAR-based)               │
│  - Path planning (A* algorithm)     │
│  - Motor control                    │
│  (→ /motor/cmd_vel)                 │
└──────────────┬──────────────────────┘
               │
┌──────────────▼──────────────────────┐
│  Motor Driver Node                  │
│  (PWM to DC motor controllers)      │
└─────────────────────────────────────┘

Önemli uygulama detayları

Bitki tespiti

Edge bilgisayar için optimize edilmiş, önceden eğitilmiş bir YOLO modeli. Model, %85’in üzerinde tespit doğruluğunu korurken daha hızlı çıkarım (~60 FPS) için INT8’e nicelendi.

# Çıkarım süresi: 16–17 ms (60 FPS) # Model boyutu: 25 MB (nicelenmiş) # Doğruluk: test veri setinde %87.3

SLAM navigasyonu

LiDAR verisiyle gerçek zamanlı SLAM, 2B doluluk haritası oluşturur. Robot parçacık filtreleriyle haritadaki konumunu bulur ve GPS olmadan bilinmeyen arazide otonom ilerler.

Motor kontrolü

Tekerlek encoder geri beslemesiyle PID hız kontrolü. Her motor, yörünge takibi ve diferansiyel sürüş için bağımsız olarak kontrol edilir.

Sonuçlar

Otonom çalışma

Maks. menzil
2.5 km
Pil ömrü
6–8 saat
Ort. hız
0.8 m/s

Görüntü işleme

Tespit doğruluğu
87.3%
FPS
60 FPS
Tespit menzili
3–5 m

Öğrendiklerim

  • ✓Gömülü donanımda edge AI çıkarımı dikkatli optimizasyon gerektirir. Gerçek zamanlı performans için model nicelleştirmesi (INT8) şarttır.
  • ✓Hesaplama platformu seçimi bir mühendislik dengesidir: güç bütçesi, ısıl yönetim, I/O ve dayanıklılık en az ham performans kadar önemlidir.
  • ✓ROS 2 çok düğümlü koordinasyonu kolaylaştırır, ancak zaman kritik döngülerde ağ gecikmesi dikkatle yönetilmelidir.
  • ✓Güç yönetimi kritiktir. Motor anahtarlamasından kaynaklanan voltaj dalgalanmaları, uygun filtreleme eklenene kadar sensör okumalarını bozdu.
  • ✓Gazebo’da test etmek hata ayıklama süresini %60 azalttı. Saha testleri engebeli araziye özgü zorlukları ortaya çıkardı.

Robotik ya da otomasyon projen mi var?

Endüstriyel ve gömülü bilgisayarlar, ROS 2, OpenCV ve otonom sistemlerle çalışıyorum. İş birliği veya danışmanlık için iletişime geç.

İletişime geç