Sabit kanatlı insansız hava araçları için kilitlenme algoritması

Abstract

İnsansız hava araçları (İHA), keşif, gözetleme, hedef tespiti ve angajman gibi kritik görevlerde giderek artan bir rol oynamakta, modern savunma ve güvenlik stratejilerinin ayrılmaz bir parçası haline gelmektedir. Ancak, İHA'ların bu görevleri otonom veya yarı otonom bir şekilde etkinlikle yerine getirebilmesi, özellikle dinamik, karmaşık ve potansiyel olarak düşmanca ortamlarda hedefleri doğru bir şekilde tespit edip kesintisiz takip edebilme yeteneklerine sıkı sıkıya bağlıdır. Mevcut sistemlerde, sınırlı hesaplama kaynaklarına sahip İHA platformlarında gerçek zamanlı, yüksek doğruluklu ve kararlı bir "hedef kilitlenme" mekanizması oluşturmak önemli bir teknolojik zorluk olarak karşımıza çıkmaktadır. Özellikle, anlık hedef kayıpları, yanlış hedef takipleri ve düşük işlem hızları gibi sorunlar, operasyonel etkinliği ciddi şekilde sekteye uğratabilmekte ve görev başarısızlıklarına yol açabilmektedir. Bu tez çalışmasında, tam da bu kritik problemlere odaklanarak, sabit kanatlı İHA'lar için optimum bir kilitlenme algoritması geliştirmek, yani hedefleri hızlı, doğru ve kesintisiz bir şekilde tespit edip takip edebilen bir sistem mimarisi oluşturmak amaçlanmaktadır. Bu amaca ulaşmak için, ilk olarak modern derin öğrenme tabanlı nesne tespit yaklaşımları incelenmiş ve YOLOv8 mimarisinin farklı boyutlardaki varyantları (YOLOv8n'den YOLOv8x'e), özel olarak oluşturulan bir İHA veri seti üzerinde performans (doğruluk ve hız metrikleri) açısından karşılaştırılmıştır. Bu analizler sonucunda, kaynak kısıtlı İHA platformları için en uygun hız-doğruluk dengesini sunan YOLOv8m modeli, temel tespit katmanı olarak belirlenmiş ve çeşitli optimizasyon teknikleriyle (veri artırma, transfer öğrenme) performansı en üst düzeye çıkarılmıştır. Başarılı bir tespitin ardından, hedefin zaman içindeki sürekliliğini sağlamak amacıyla, literatürde yaygın olarak kullanılan SORT, DeepSORT ve ByteTrack gibi farklı takip algoritmaları bu tespit altyapısıyla entegre edilmiştir. Geliştirilen entegre sistemlerin performansı, sadece genel video testleriyle sınırlı kalmamış, aynı zamanda X-Plane uçuş simülatörü aracılığıyla oluşturulan, farklı hava koşulları ve hedef davranışları içeren üç adet gerçekçi senaryo üzerinde de titizlikle sınanmıştır. Bu değerlendirmeler, Saniyedeki Kare Hızı (FPS), Çoklu Nesne Takip Hassasiyeti (MOTP), Kilitlenme Süresi gibi nicel metriklerin yanı sıra, algoritmaların anlık davranışlarını ve olası hata modlarını ortaya koyan nitel görsel analizlerle (simülasyon kayıtlarından alınan ekran görüntüleri) zenginleştirilmiştir. Bu bütüncül yaklaşım, özellikle DeepSORT'un sayısal olarak yüksek kilitlenme süresine rağmen yanlış hedeflere odaklanabildiğini veya SORT'un belirli anlarda hedefi kaybederken ByteTrack'in takibi başarıyla sürdürebildiğini net bir şekilde göstermiştir. Elde edilen kapsamlı bulgular ve karşılaştırmalı analizler, YOLOv8m nesne tespit modeli ile ByteTrack takip algoritmasının entegrasyonunun, İHA'lar için geliştirilen kilitlenme sisteminde en üstün ve dengeli performansı sunduğunu kesin olarak ortaya koymuştur. ByteTrack, yüksek işlem hızını (ortalama 50-66 FPS) korurken, yüksek takip doğruluğu (ortalama MOTP ~0.90) ve özellikle zorlu koşullarda daha kararlı ve kesintisiz bir takip yeteneği sergileyerek diğer algoritmalara kıyasla belirgin bir avantaj sağlamıştır. Bu kombinasyon, İHA'ların hedefi doğru tespit etme, kimliğini koruyarak izleme ve anlık kayıplara karşı direnç gösterme gibi temel kilitlenme gereksinimlerini etkin bir şekilde karşılamıştır. Bu tez, mevcut sabit kanatlı İHA hedef tespit ve takip sistemlerindeki hız, doğruluk ve kararlılık sorunlarına pratik bir çözüm önerisi sunarak literatüre katkıda bulunmaktadır. Önerilen YOLOv8m ve ByteTrack tabanlı sistem, İHA'ların otonom görev yeteneklerinin artırılmasına, operasyonel verimliliğin yükseltilmesine ve görev risklerinin azaltılmasına olanak tanıyarak bu alandaki gelecekteki araştırmalar ve sistem geliştirmeleri için değerli bir referans ve temel oluşturmaktadır.