Yapay zekâ destekli sürü robotları ile tarım bitkilerinin yetiştirilmesi ve zirai mücadelede kullanılması

Bu tez çalışmasında, tarım bitkilerinin yetiştirilmesi ve zararlılardan korunması süreçlerinde kullanılmak üzere yapay zekâ destekli sürü drone sistemi geliştirilmiş ve Gazebo simülasyon ortamında modellenmiştir. Çalışmanın temel amacı, tarımsal üretim süreçlerinde otonom olarak görev yapabilen sürü robotlarının görev planlama, nesne tespiti ve rota optimizasyonu bileşenlerini bütünleşik bir mimaride bir araya getirmektir. Geliştirilen sistem hem veri toplama hem de ilaçlama işlevlerini eş zamanlı olarak gerçekleştirebilen çoklu drone yapısına sahiptir. Sürüde görev alan kâşif drone, tarım arazisini sensör verileriyle tarayarak görüntü toplamakta; bu görüntüler YOLO (You Only Look Once) tabanlı derin öğrenme modeliyle işlenmekte ve tespit edilen hedef konumlar ilaçlama drone'larına aktarılmaktadır. Böylece bitkilerin bulunduğu alanlara hassas ve hedef odaklı ilaçlama yapılabilmektedir. Sistem mimarisi; Robot İşletim Sistemi (ROS), ArduPilot, MAVLink ve MAVROS protokollerinin entegrasyonu ile çoklu drone haberleşmesini, veri akışını ve görev senkronizasyonunu sağlamaktadır. Görev planlamasında Karınca Kolonisi Optimizasyonu (Ant Colony Optimization – ACO) ve En Yakın Komşu (Nearest Neighbor – NN) algoritmaları birlikte kullanılarak rota optimizasyonu yapılmış; uçuş mesafesi, bataryanın şarj durumu (State of Charge – SOC) değeri ve görev süresi parametrelerinde anlamlı iyileşmeler elde edilmiştir. Optimizasyon uygulanmayan senaryoda toplam uçuş mesafesi 960 m iken NN algoritmasıyla bu değer %10 azalarak 865 m'ye, ACO algoritmasıyla ise %13.4 azalarak 831 m'ye düşürülmüştür. Buna paralel olarak batarya SOC değerleri sırasıyla %63, %65 ve %66 olarak ölçülmüş ve ACO ile %4.54'lük bir avantaj elde edilmiştir. Aynı şekilde uçuş süreleri de sırasıyla 491.39 s, 470.34 s ve 447.28 s olarak kayıt edilmiş olup ACO ile yaklaşık %9'a varan bir iyileşme sağlanmıştır. Nesne tespiti modülünde YOLOv3 ve YOLOv5 modelleri karşılaştırmalı olarak değerlendirilmiş; en yüksek doğruluk YOLOv5x modelinde (%99.5 mAP@0.5) elde edilmiştir. Ancak sistemin gerçek zamanlı çalışabilmesi için hesaplama verimliliği yüksek olan YOLOv3 mimarisi tercih edilmiştir. Böylelikle, donanımsal kaynak kullanımı azaltılırken nesne tespitinde yeterli doğruluk korunmuştur. Ayrıca bir drone'un devre dışı kaldığı acil durum senaryolarında görevlerin kalan drone'lara otomatik olarak devredilmesiyle sistemin güvenilirliği ve sürekliliği artırılmıştır. Tez kapsamında geliştirilen yapay zekâ destekli sürü drone mimarisi, tarımsal ilaçlama, bitki izleme ve veri toplama süreçlerinde hız, doğruluk, enerji verimliliği ve görev güvenliği açısından önemli kazanımlar sağlamıştır. Nesne tespiti, görev paylaşımı ve rota optimizasyonu süreçlerinin bütünleşik biçimde yürütülmesi, tarımsal üretim süreçlerinde insan müdahalesini en aza indiren, ölçeklenebilir ve otonom bir çözüm ortaya koymuştur. Elde edilen sonuçlar, sürü robotlarının koordineli hareket kabiliyetinin hem kaynak kullanımını optimize ettiğini hem de operasyonel sürekliliği artırdığını göstermektedir. Ayrıca sistemin açık kaynaklı simülasyon ortamında geliştirilen modüler yapısı, farklı donanım platformlarına kolaylıkla uyarlanabilmesine olanak tanımaktadır. Bu çalışma, gelecekte otonom tarım sistemlerinde sürü robotlarının yaygın kullanımına yönelik güçlü bir mühendislik altyapısı sunmaktadır.