Son yıllarda İnsansız Hava Araçları (İHA) görevlerini düşük maliyetlerle yerine
getirebildikleri için gittikçe daha popüler hale gelmiştir. İnsansız Hava Araçları ile
oluşturulmuş gerçek zamanlı bir ortomozaik, hem hızın hem de verimliliğin gerekli olduğu
görevlerde yardımcı olabilir. Deprem, sel ve çığ gibi afet senaryolarında bir alana yapılan
hızlı ve doğruluğu yüksek bir gözlem, ilk yardım ekipleri için önemlidir. Sayısal yüzey
modelleri, ortomozaikler ve nesne tespit algoritmaları hızlı karar verme ve müdahale
etmede önemli rol oynayabilir. Bir ortomozaik gözlemlenmek istenen bölgeye genel bir
bakış sağlar. Operatörün ilgilenilen bölgeleri bulmasına ve nesne tespit algoritmaları da bu
bölgelerde ilgilenilen nesnelerin tespitine yardımcı olur. Bu çalışmada, İHA’nın kamera ve
GPS verileri birleştirilerek gözlemlenen bir ortamı gerçek zamanlı olarak iki ve üç boyutlu
haritalandıran monoküler SLAM tabanlı bir haritalama sistemi geliştirilmiştir. Geliştirilen
sisteme oldukça hızlı çalışan derin öğrenme tabanlı bir nesne tespiti yöntemi eklenmiştir.
Geliştirilen haritalama ve nesne tespit yönteminin performansı yeri gözlemleyen bir
İHA’dan alınan görüntülerle hem tek İHA hem de çoklu İHA senaryosunda incelenmiştir
Fast and accurate observation of an area in disaster scenarios such as earthquake, flood
and avalanche is crucial for first aid teams. Digital surface models, orthomosaics and object
detection algorithms can play an important role for rapid decision making and response in
such scenarios. In recent years, Unmanned Aerial Vehicles (UAVs) have become increasingly
popular because of their ability to perform tasks at lower costs. A realtime
orthomosaic
generated by using UAVs can be helpful for various tasks where both speed and efficiency
are required. An orthomosaic provides an overview of the area to be observed, and helps
the operator to find the regions of interest. Then, object detection algorithms help to identify
the desired objects in those regions. In this study, a monocular SLAM based system, which
combines the camera and GPS data of the UAV, has been developed for mapping the observed
environment in realtime.
A deep learning based stateoftheart
object detection method is
adapted to the system in order to detect objects in real time and acquire their global positions.
The performance of the developed method is evaluated in both single and multiple UAVs
scenarios