Hassas güdümlü ateşli silahların grup halinde kullanımlarında taktiksel etkinliklerinin artırılması

Kızılötesi termal görüntüleme, nesnelerin yaydığı ısı enerjisinin algılanmasıyla oluşturulan bir görüntüleme yöntemidir. Görünür ışığa bağımlı olmaksızın hem gece hem de gündüz koşullarında etkili bir şekilde kullanılabilmektedir. Bu özellik, özellikle görüşün kısıtlandığı çevresel koşullarda (sis, yağmur, kar vb.) önemli avantajlar sağlamaktadır. Çevresel faktörlerden etkilenme oranının düşük olması, termal görüntüleme sistemlerini askeri ve sivil alanlarda kritik durumlar için güvenilir bir çözüm haline getirmektedir. Askeri operasyonlarda, düşman unsurlarının yoğun sis, karanlık veya diğer olumsuz hava koşulları altında tespit edilmesi sahadaki operasyonel başarıyı artırmaktadır. Sivil alanlarda ise güvenlik taramaları, yangın tespiti ve arama kurtarma operasyonları gibi çeşitli uygulamalarda kullanılmaktadır. Termal görüntüleme teknolojisinin geniş kullanım potansiyeline rağmen, uç cihazlarda uygulanması sırasında karşılaşılan sınırlamalar, performans ve enerji verimliliğinin optimize edilmesini gerektirmektedir. Uç cihazlar, sınırlı işlem gücü, düşük enerji kapasitesi ve kompakt donanım yapıları nedeniyle, özellikle enerji verimli algoritmaların geliştirilmesi ve hafif yapay zeka modellerinin tasarımı gibi yenilikçi çözümlere ihtiyaç duymaktadır. Derin öğrenme tabanlı nesne tespiti modelleri, termal görüntüleme alanında doğruluk oranlarını artırmakta ancak yüksek hesaplama gereksinimleri nedeniyle uç cihazlarda performans ve enerji tüketimi arasında bir denge kurulmasını zorunlu kılmaktadır. Tez çalışması, termal görüntüleme teknolojisinin uç cihazlarda nesne tespiti ve takibi için enerji verimli ve yüksek performanslı çözümler geliştirilmesine yönelik kapsamlı bir çerçeve sunmaktadır. Çalışmada, NVIDIA Jetson Nano, Xavier NX, Orin Nano, Orin NX ve Rockchip RK3588 gibi farklı uç cihaz platformlarının enerji tüketimi, işlem kapasitesi ve nesne tespiti performansları analiz edilmiştir. YOLOX, YOLOv8, YOLOv9, YOLOv10 ve Gold YOLO gibi yapay zeka tabanlı nesne tespiti modelleri bu uç cihazlarda çalıştırılarak termal görüntüler analiz edilmiştir. Modellerin doğruluk oranları, işlem hızları ve hesaplama maliyetleri karşılaştırılmıştır. Bu değerlendirme için RSH ve RSHAY parametreleri literatürde ilk kez bu tez çalışması ile tanımlanmış ve bu sayede hem uç donanım için en uygun yapay zeka modeli belirlenmiş hem de cihazlar arasında en verimli sistemin seçimi yapılmıştır. Gerçek zamanlı performansı artırmak amacıyla, obje tespit modellerinin yapısı optimize edilerek donanım hızlandırıcılar aktif şekilde kullanılmıştır. Jetson Orin Nano uç cihazında 512x512 piksel giriş çözünürlüğüne sahip YOLOv8 PostDas modelinin, termal görüntü analizinde en verimli uç donanım–obje tespit modeli çifti olduğu tespit edilmiştir. Çalışmanın bir diğer önemli katkısı, uç cihazların birbirleriyle koordinasyonunu sağlayan bir iletişim altyapısının geliştirilmesidir. Bu altyapı, uç cihazlarda tespit edilen nesnelerin ana sunucu bilgisayara aktarılmasını ve merkezi bir analiz süreci gerçekleştirilmesini içermektedir. Merkezi analiz sayesinde cihazlar arası koordinasyon sağlanmış ve nesne takibinde yenilikçi bir yaklaşım ortaya konmuştur. Sonuç olarak, termal görüntüleme sistemlerinin performansını artırırken enerji verimliliğini optimize eden tez çalışması, batarya ile çalışan taşınabilir gözetleme sistemlerinden insansız araçlara kadar geniş bir uygulama yelpazesi için ölçeklenebilir çözümler sunmuştur.