Sentetik görüş sistemlerinde yapay zeka tabanlı görüntü iyileştirme ve veri entegrasyonu
Artificial intelligence-based image enhancement and data integration in synthetic vision systems
- Tez No: 1018498
- Danışmanlar: PROF. DR. TARIK ÖZKUL
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Savunma ve Savunma Teknolojileri, Electrical and Electronics Engineering, Computer Engineering and Computer Science and Control, Defense and Defense Technologies
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: İngilizce
- Üniversite: İstanbul Sabahattin Zaim Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bulut girişimi, Dünya Gözlem Uydularının (EOS) görüntüleme verimliliğini ve operasyonel güvenilirliğini etkileyen en büyük sorunlardan biri olmaya devam etmektedir. Bulutluluk düzeyi kabul edilebilir sınırların üzerine çıktığında, EOS tarafından çekilen görüntülerin %80'ine kadarı kullanılamaz hâle gelmektedir. Bu durum, görev verimliliğinin düşmesine, operasyon maliyetlerinin artmasına ve kullanıcı taleplerinin zamanında karşılanmasını zorlaştırmaktadır. Mevcut uydu sistemlerinin karar verme süreçlerinde yer kontrol merkezlerine aşırı bağımlı olması, iletişimi yavaşlatmakta ve çevresel değişikliklere hızlı uyum sağlamayı güçleştirmektedir. Bu tez çalışması, bulut girişimi koşullarında uydu davranışını simüle eden drone tabanlı bir test platformu kullanılarak doğrulanan, yapay zekâ destekli otonom bir karar destek sisteminin tasarımını ve uygulanmasını önermektedir. Önerilen sistem; gerçek zamanlı bir bulut tespit modeli, uçuş bilgisayarı tabanlı bir otonom yeniden planlama algoritması ve Pixhawk tarafından kontrol edilen çok rotorlu bir platformu birleştirerek uyduların bulut tarafından engellenmiş hedeflerden akıllıca kaçınabilmesini göstermektedir. 38-Cloud veri seti kullanılarak oluşturulan çok aşamalı makine öğrenimi hattı, veri bölme işleminden ikili sınıflandırmaya kadar ilerlemiş ve geliştirilen hafif ONNX modelinin Raspberry Pi üzerinde gerçek zamanlı çalışmaya uygun olduğu görülmüştür. Model %74.5 doğruluk, yaklaşık 100 ms uçuş bilgisayarı üzerinde çıkarım süresi ve tutarlı performans değerleri elde etmiştir. Model çıktıları, hedeflerin bulut durumuna göre otomatik olarak hizmet verildiği, atlandığı veya değiştirildiği özel bir rota yeniden planlama algoritmasını yönlendirmiştir. SITL, MAVProxy, DroneKit ve Gazebo gibi simülasyon ortamları kullanılmış, ardından önceden belirlenen bir güzergâh üzerine yerleştirilen müşteri–bulut temsil nesneleriyle dış saha testleri gerçekleştirilmiştir. Sistem, dış ortam testlerinde %100 doğru karar verme başarısı elde etmiş ve patentli uydu teknolojisinde tanımlanan davranışı başarılı bir şekilde taklit etmiştir. Bu tez, erişilebilir drone teknolojisi kullanılarak uyduların otonom performansının düşük maliyetli ve etkili bir şekilde test edilebileceğini göstermektedir. Sonuçlar, yapay zekâ tabanlı bulut değerlendirmesinin gerçek zamanlı uçuş yeniden planlamayla birleştirilmesinin görev verimliliğini önemli ölçüde artırabileceğini, yer kontrolüne olan bağımlılığı azaltabileceğini ve gelecekteki akıllı EOS mimarileri için güçlü bir temel oluşturabileceğini ortaya koymaktadır. Geliştirilen platform, yöntemler ve elde edilen bulgular, otonom uydu operasyonlarını geliştirmeyi hedefleyen araştırmacılar, mühendisler ve ulusal uzay girişimleri için değerli katkılar sunmaktadır.
Özet (Çeviri)
Cloud interference is still one of the biggest problems that affects the imaging efficiency and operational reliability of Earth Observation Satellites (EOS). When clouds cover more than acceptable levels, up to 80% of the photographs taken by EOS become unusable. This makes missions less productive, costs more to run, and makes it harder to meet client needs on time. Current satellite systems depend a lot on ground-control centers to make decisions. This slows down communication and makes it harder to quickly adjust to changes in the environment. This thesis proposes the design and implementation of an AI-assisted autonomous decision support system, validated using a drone-based test platform that simulates satellite behavior in conditions of cloud interference. The proposed system combines a real-time cloud-detection model, an autonomous replanning algorithm based on a flight computer, and a Pixhawk-controlled multirotor platform to show how satellites may smartly avoid targets that are blocked by clouds. The 38-Cloud dataset was used to construct a multi-phase machine learning pipeline that progressed from data splitting to binary classification. The lightweight ONNX model previously developed was found to be suitable for real-time operation on a Raspberry Pi companion computer, achieving an accuracy of 74.5%, an onboard inference time of approximately 100 ms, and consistent performance. The model's output was used to drive a custom route-replanning algorithm through which targets were automatically served, skipped, or switched based on cloud-related conditions. Simulation environments including SITL, MAVProxy, DroneKit, and Gazebo were employed, followed by outdoor field tests in which customer–cloud analog objects were placed along a predefined path. The system achieved 100% correct decision-making during outdoor tests, successfully mimicking the behavior described in the patented satellite technology. This thesis shows a useful, low-cost way to test how well satellites can perform on their own using easily available drone technology. Results show that combining AI-based cloud evaluation with real-time flight replanning can make missions far more efficient, lower the need for ground control, and set the stage for future intelligent EOS architectures. The established platform, methodologies, and results provide significant insights for researchers, engineers, and national space efforts focused on enhancing autonomous satellite operations.
Benzer Tezler
- Benek gürültüsü gidermeye dayalı veri artırma ile derin ağlarda radar hedef sınıflandırma
Despeckling based data augmentation approach in deep learning based radar target classification
ŞAKİR HÜDAİ MERT CEYLAN
Yüksek Lisans
Türkçe
2022
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. IŞIN ERER
- Fusion of RGB and thermal image pairs for object and face liveness detection
Nesne ve yüz canlılığı tespiti için RGB ve termal görüntü çiftlerinin birleştirilmesi
MERVE ERŞAN
Yüksek Lisans
İngilizce
2026
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. TAYFUN AKGÜL
- Derin öğrenme yöntemleri kullanılarak fotovoltaik hücre elektrolüminesans görüntülerindeki kusurların tespiti
Detection of defects in photovoltaic cell electroluminescence images using deep learning methods
MUSTAFA YUSUF DEMİRCİ
Doktora
Türkçe
2024
Elektrik ve Elektronik MühendisliğiHarran ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ NURETTİN BEŞLİ
DOÇ. DR. ABDÜLKADİR GÜMÜŞÇÜ
- Application and analysis of deep learning techniques on the problem of depth estimation from a single image
Derin öğrenme tekniklerinin tekil görüntüden derinlik tahmini problemi üzerinde uygulanması ve incelenmesi
ALİCAN MERTAN
Yüksek Lisans
İngilizce
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. GÖZDE ÜNAL
- Distributed anomaly-based intrusion detection system for IoT environment using Blockchain technology
Dağıtılmış anomali tabanlı saldırı tespit sistemi Blockchain teknolojisi kullanılan IoT ortamı için
NOUHA HEJAZI
Yüksek Lisans
İngilizce
2022
Bilgi ve Belge Yönetimiİstanbul Teknik ÜniversitesiBilişim Uygulamaları Ana Bilim Dalı
DOÇ. DR. ENVER ÖZDEMİR