ESSirius-SkyCommand GCS-Autonomousflight

Telemetri paneli görünümü

Harita tabanlı görev planlama

Gerçek Zamanlı Failsafe Monitörü (Dashboard Görünümü)

Gerçek Zamanlı Failsafe Monitörü (Grafikler Sekmesi)

Görev Komuta Merkezi – Görev Planlama

Uçuş Telemetri Grafik Paneli

Gazebo Simülasyon Ortamı

MAVSDK Preflight Check

AI Destekli Hava Durumu ve Uçuş Analizi

Açıklama: ESSirius GCS – Autonomous Flight, insansız hava araçlarının (İHA/UAV) kontrolü için geliştirilmiş, modern ve modüler bir yer kontrol sistemi (Ground Control System – GCS) yazılımıdır. Proje, yalnızca bir arayüzden ibaret olmayıp, uçuşun her aşamasını kapsayan kapsamlı bir mimariye sahiptir. Yazılımın çekirdeği, MAVLink protokolü üzerinden araçlarla doğrudan haberleşmeye dayanır. Bu sayede sistem, uçuş sırasında telemetri verilerini gerçek zamanlı olarak alabilir, komutları anında iletebilir ve kullanıcıya hızlı geri bildirim sunabilir.

Proje mimarisi, çoklu iş parçacığı (multi-threading) kullanılarak inşa edilmiştir. Böylece telemetri akışı, görev yönetimi, arayüz güncellemeleri ve haberleşme işlemleri birbirinden bağımsız ve senkronize şekilde yürütülmektedir. Bu yapı, yüksek güvenilirlik ve kesintisiz bir kullanıcı deneyimi sağlar. Ek olarak, yazılım nesne yönelimli programlama (OOP) ilkelerine uygun şekilde tasarlanmış olup, her modül bağımsız sınıflar halinde geliştirilmiştir. Bu yaklaşım, sistemin farklı İHA platformlarına kolayca uyarlanmasını ve yeni modüllerin sorunsuzca eklenmesini mümkün kılar.

Uygulama arayüzü, PyQt5 kullanılarak geliştirilmiş modern ve sezgisel bir tasarıma sahiptir. Kullanıcı, harita tabanlı görev planlama ekranı üzerinden uçuş rotalarını belirleyebilir, waypoint’ler ekleyebilir ve farklı uçuş modları (AUTO, GUIDED, RTL vb.) arasında kolayca geçiş yapabilir. Ayrıca manuel kontrol modülü, hız, irtifa ve yön gibi parametrelerin hassas bir şekilde yönetilmesine olanak tanır.

Proje yalnızca temel kontrol işlevleriyle sınırlı değildir; aynı zamanda ileri seviye özellikler de içerir. Bunlar arasında gerçek zamanlı telemetri loglama, LiDAR entegrasyonu ile çevresel veri toplama, GPS spoofing testleri ve elektronik harp (EH) senaryoları yer almaktadır. Bu sayede yazılım, yalnızca standart uçuş operasyonları için değil, aynı zamanda savunma ve güvenlik odaklı araştırmalar için de güçlü bir araç haline gelmektedir.

Sonuç olarak, ESSirius GCS – Autonomous Flight, hem akademik hem de endüstriyel kullanıma hitap eden, modern, güvenilir ve ölçeklenebilir bir İHA kontrol yazılımıdır. Modüler yapısı, genişletilebilir mimarisi ve çok yönlü özellikleriyle, günümüzün hızla gelişen insansız hava aracı teknolojilerine yenilikçi bir çözüm sunmaktadır.

Kullanılan Teknolojiler: Python, PyQt5, MAVLink, Multi-threading, Object-Oriented Programming (OOP), Harita API (Mission Planning), Telemetri Loglama, LiDAR entegrasyonu, GPS Spoofing, Elektronik Harp (EH) modülleri

Yapım Süresi: 7 Ay

V-Tail Fighter UAV – Autonomous GCS

Main Control Panel

Flight Confirmation Panel

Mission Planner Ardupilot Test Images

Flight Time & Battery Monitor

Postflight Report

Postflight Report

Preflight Checklist

Telemetry Dashboard

GPS Map Control

Object Detection System

Açıklama: V-Tail Fighter UAV GCS, sabit kanatlı savaşçı sınıf insansız hava araçlarının (UAV/İHA) kontrolü için geliştirilmiş, modern ve entegre bir yer kontrol sistemi (Ground Control System – GCS) yazılımıdır. Sistem, yalnızca bir kullanıcı arayüzü değil; uçuş öncesinden uçuş sonrasına kadar tüm görev döngüsünü kapsayan kapsamlı bir operasyon yönetim çözümüdür. MAVLink protokolü üzerinden doğrudan haberleşme sağlayarak, gerçek zamanlı telemetri verilerini işler ve kritik komutları gecikmesiz iletir.

Yazılım mimarisi, çoklu iş parçacığı (multi-threading) yapısı üzerine kurulmuştur. Böylece telemetri akışı, görev yönetimi, arayüz güncellemeleri, servo/power izleme ve nesne tespiti gibi işlemler birbirinden bağımsız fakat senkronize şekilde çalışır. Nesne yönelimli programlama (OOP) prensiplerine göre tasarlanmış olan sistem, modüler yapısıyla kolay genişletme ve farklı UAV platformlarına hızlı adaptasyon imkanı sunar.

PyQt5 tabanlı modern arayüzü sayesinde kullanıcılar, harita tabanlı görev planlama ekranından rota çizebilir, waypoint ekleyebilir ve AUTO, GUIDED, RTL gibi farklı uçuş modları arasında kolayca geçiş yapabilir. Manuel kontrol modülü ise hız, irtifa ve yön gibi parametrelerin hassas şekilde yönetilmesine olanak tanır. Ayrıca uçuş öncesi ve sonrası checklist ekranları, operasyonel güvenliği artırmak için otomatik doğrulama sağlar.

Geliştirilen sistem yalnızca temel kontrol işlevleriyle sınırlı değildir; ileri seviye özellikler de sunmaktadır. Bunlar arasında preflight & postflight checklist, telemetri dashboard, güç ve servo izleme modülü, GPS tabanlı harita kontrolü ve YOLOv8 nesne tespiti bulunmaktadır. Uçuş sonrası otomatik raporlama özelliği sayesinde batarya, mesafe, süre ve performans verileri analiz edilerek kayıt altına alınır.

Sonuç olarak, V-Tail Fighter UAV GCS; akademik çalışmalar, endüstriyel uygulamalar ve savunma senaryoları için uygun, güvenilir ve yenilikçi bir yazılımdır. Modüler mimarisi ve ölçeklenebilir yapısıyla hızla gelişen UAV teknolojilerine modern bir çözüm sunmaktadır.

Kullanılan Teknolojiler: Python, PyQt5, MAVLink, Multi-threading, Object-Oriented Programming (OOP), Harita API (Mission Planning), Telemetry Dashboard, Preflight/Postflight Checklist, Servo & Power Monitoring, YOLOv8 Object Detection

Yapım Süresi: 6 Ay

Advanced C Image Feature Detection with OpenCV

Edge Map (High Threshold)

Edge Map (Low Threshold)

Corner Detection

Line Detection

Açıklama: Advanced C++ Image Feature Detection, bilgisayar görüsü alanında nesnelerin kenar, köşe ve çizgi gibi temel özniteliklerini çıkarmak için geliştirilmiş modern bir görüntü işleme uygulamasıdır. Proje, yalnızca basit bir filtreleme aracı değil; farklı öznitelik çıkarım yöntemlerini tek bir çatı altında sunan kapsamlı bir sistemdir. Çekirdek yapı, OpenCV kütüphanesi üzerine inşa edilmiştir ve yüksek verimlilik için C++ dilinin performans avantajlarından yararlanır.

Uygulama mimarisi modüler bir tasarıma sahiptir. Edge Detection, Corner Detection ve Line Detection gibi farklı algoritmalar bağımsız sınıflar halinde uygulanmış, böylece hem okunabilirlik hem de esneklik artırılmıştır. Bu yaklaşım, yeni algoritmaların veya geliştirmelerin projeye kolayca eklenmesine olanak tanır. Ayrıca, kullanıcıya gerçek zamanlı olarak sonuçları görme imkanı sağlayan dinamik bir arayüz de mevcuttur.

Proje, özellikle savunma, havacılık ve endüstriyel görüntü işleme alanlarına yönelik bir altyapı sunar. Örneğin, bir uçak üzerinde köşe, kenar ve çizgi haritalarının çıkarılması; hem yapısal analiz hem de bilgisayarlı görü tabanlı takip sistemleri için kritik öneme sahiptir. Bu sayede uygulama, yalnızca akademik deneyler için değil, gerçek dünya senaryolarında da kullanılabilir bir çözüm sunmaktadır.

Sonuç olarak, Advanced C++ Image Feature Detection; modüler yapısı, optimize edilmiş algoritmaları ve OpenCV’nin güçlü fonksiyonları ile modern bir görüntü işleme çözümüdür. Bu proje, hem bilgisayar görüsü öğrenmek isteyenler hem de endüstriyel uygulamalarda kullanılabilecek hızlı ve güvenilir bir öznitelik çıkarım sistemi arayanlar için değerli bir kaynaktır.

Kullanılan Teknolojiler: C++, OpenCV, Object-Oriented Programming (OOP), Edge Detection, Corner Detection, Line Detection, Image Processing Algorithms

Yapım Süresi: 2 Ay

K-Means Clustering Algorithm Advanced OOP Data Visualization with C and Gnuplot

Kmeans Output Image

Console Output Image

UML Diagram

Açıklama: Advanced C++ K-Means Clustering, büyük veri kümelerini anlamlandırmak için geliştirilmiş, yüksek performanslı bir kümeleme uygulamasıdır. Proje yalnızca temel bir algoritma uygulaması değil; görsel çıktılarla birlikte kullanıcıya sezgisel ve detaylı bir analiz ortamı sunar. Çekirdek yapı C++ ile inşa edilmiş, verilerin görselleştirilmesi için ise Gnuplot entegrasyonu kullanılmıştır.

Yazılım, nesne yönelimli programlama (OOP) prensiplerine uygun olarak tasarlanmış olup; veri işleme, kümeleme ve görselleştirme aşamaları ayrı modüller şeklinde uygulanmıştır. Bu sayede hem okunabilirlik hem de genişletilebilirlik sağlanmıştır. Kullanıcı farklı parametrelerle deneyler yapabilir, küme sayılarını değiştirerek sonuçların grafiksel yansımalarını anlık olarak gözlemleyebilir.

Proje, akademik araştırmalardan mühendislik analizlerine kadar geniş bir kullanım alanına hitap eder. Özellikle veri madenciliği, istatistiksel analiz ve yapay zeka öncesi veri hazırlama süreçlerinde güçlü bir araç görevi görür. Görsel çıktılar sayesinde kullanıcılar yalnızca sayısal sonuçlarla sınırlı kalmaz, aynı zamanda kümelerin mekansal dağılımını da kolayca yorumlayabilir.

Sonuç olarak, Advanced C++ K-Means Clustering; hızlı, esnek ve görselleştirme destekli yapısıyla modern veri analizi projelerine yenilikçi bir katkı sağlar. Hem öğrenim sürecinde kavramları pekiştirmek isteyenler hem de gerçek dünya problemlerinde pratik çözümler üretmek isteyenler için değerli bir sistemdir.

Kullanılan Teknolojiler: C++, OOP, K-Means Algoritması, Veri Görselleştirme, Gnuplot, İstatistiksel Analiz

Geliştirme Süresi: 1,5 Ay

RealTime ImageLab

Main Interface

Original vs Edge Detection (Sobel)

Advanced Edge Detection (Scharr/Prewitt)

HSV Conversion Result

Açıklama: Real-Time Image Processor, PyQt5 tabanlı, gerçek zamanlı çalışan gelişmiş bir görüntü işleme uygulamasıdır. Proje yalnızca temel dönüşümler değil; aynı zamanda kenar tespiti, segmentasyon ve renk uzayı dönüşümleri gibi birçok algoritmayı görsel çıktılarla birlikte kullanıcıya sunar. Çekirdek yapı Python + OpenCV üzerine kurulmuş, gelişmiş görüntü işleme ve segmentasyon yöntemleri için scikit-image kütüphanesi entegre edilmiştir. Kullanıcı dostu arayüz için PyQt5 tercih edilmiştir.

Yazılım, nesne yönelimli programlama (OOP) prensiplerine uygun olarak modüler yapıda tasarlanmıştır. - Dönüşüm modülü: RGB → HSV, RGB → GRAY renk uzayı dönüşümleri - Kenar tespiti modülü: Roberts, Sobel, Scharr, Prewitt filtreleri - Segmentasyon modülü: Multi-Otsu, Chan-Vese, Morphological Snakes (scikit-image) - Dosya yönetimi ve çıktı modülü: Görselleri açma, kaydetme, export alma, undo/redo işlemleri

Bu modüler yapı sayesinde hem okunabilirlik hem de genişletilebilirlik sağlanmıştır. Kullanıcı farklı algoritmalar arasında geçiş yapabilir, eşik değerlerini slider üzerinden değiştirerek sonuçları anlık gözlemleyebilir.

Proje; bilgisayarla görü uygulamaları, görüntü ön işleme ve yapay zeka öncesi veri hazırlama süreçlerinde güçlü bir araçtır. Görsel çıktılar sayesinde kullanıcılar yalnızca sayısal sonuçlarla sınırlı kalmaz, aynı zamanda görüntülerin renk uzayı ve kenar yapısını kolayca yorumlayabilir.

Sonuç olarak, Real-Time Image Processor; hızlı, modüler ve görselleştirme destekli yapısıyla modern görüntü işleme projelerine yenilikçi bir katkı sağlar. Hem öğrenim sürecinde kavramları pekiştirmek isteyenler hem de gerçek dünya problemlerinde pratik çözümler üretmek isteyenler için değerli bir sistemdir.

Kullanılan Teknolojiler: Python, PyQt5, OpenCV, scikit-image, OOP, RGB → HSV/GRAY dönüşümleri, Kenar Tespiti (Roberts, Sobel, Scharr, Prewitt), Segmentasyon (Multi-Otsu, Chan-Vese, Morphological Snakes)

Geliştirme Süresi: 1 Ay

AgriEdge Robot Control Panel

Main Interface

Zirai Asistan

Devre Şeması

Derinlik Tahmini Mesafe ölçümü

Simulasyon Ortamının Hazırlanması

LIDAR ile Mapping denemesi

RTAB-Map ile Mapping Testi

MİDAS ile derinlik tahmini

Sağlıklı Domates Tespiti Testi

Fiziksel Deney Ortamı

Açıklama: AgriEdge Agricultural Robot, otonom yapay zekâ destekli, akıllı tarım çözümü olarak tasarlanmış gelişmiş bir sistemdir. Proje yalnızca temel hareket ve sensör entegrasyonları değil; aynı zamanda nesne tanıma (YOLOv8), 3B haritalama (RTAB-Map, LiDAR, Kinect), çapa mekanizması ve karar destek süreçleri gibi çok sayıda teknolojiyi bir araya getirerek tarımda iş gücü açığını azaltmayı hedefler. Çekirdek yapı Python + ROS (Robot Operating System) üzerine kurulmuş, görsel işleme için OpenCV, scikit-image ve veri artırma için Albumentations kütüphaneleri entegre edilmiştir. Simülasyon ve test süreçleri için Gazebo kullanılmıştır. Verilerin saklanması ve yönetimi için MongoDB tercih edilmiştir. 3D modelleme ve mekanik tasarım süreçlerinde Blender kullanılmıştır. Proje ayrıca TÜBİTAK 2209-B Üniversite Öğrencileri Sanayiye Yönelik Araştırma Projeleri Destek Programı tarafından da desteklenmiştir.

Yazılım ve donanım, nesne yönelimli programlama (OOP) ve modüler mimari prensipleriyle geliştirilmiştir. - Algılama ve sensör modülü: LiDAR, UWB, Kinect RGB-D, IMU, sıcaklık, nem ve ışık sensörleri - Görüntü işleme ve yapay zekâ modülü: YOLOv8 (nesne tanıma), Roboflow (etiketleme), Albumentations (data augmentation), scikit-image (segmentasyon), OpenCV (görüntü işleme) - Haritalama modülü: RTAB-Map (Kinect derinlik verisi ile 3B haritalama), LiDAR tabanlı SLAM - Mekanik modül: Hilal biçimli çapa düzeneği + nem sensörü entegrasyonu - Arayüz modülü: Türkçe dil destekli PyQt5 tabanlı kullanıcı arayüzü, kontrol paneli, konsol komut penceresi, takvim ve hava durumu pencereleri - Simülasyon modülü: ROS + Gazebo ortamında sanal tarla senaryoları - Veri tabanı modülü: MongoDB ile tarla verilerinin kaydı ve yönetimi

Bu modüler yapı sayesinde hem okunabilirlik hem de genişletilebilirlik sağlanmıştır. Çiftçi; bitki tespiti, çapa kontrolü, nem ölçümü ve haritalama gibi farklı işlevler arasında geçiş yapabilir, anlık olarak toplanan sensör verilerini kullanıcı arayüzünde izleyebilir.

Proje, otonom tarım robotları, bilgisayarla görü, çevresel veri toplama ve tarımsal karar destek süreçlerinde güçlü bir araçtır. Gerçek zamanlı haritalama, görüntü işleme ve çiftçi arayüzü sayesinde yalnızca sayısal çıktılarla değil, görsel verilerle de kullanıcıya zengin bilgi sağlar.

Sonuç olarak, AgriEdge Agricultural Robot; otonom, yapay zekâ destekli, modüler ve çiftçi dostu yapısıyla tarımsal verimliliğe yenilikçi bir katkı sunar. Hem akademik araştırmalarda hem de endüstriyel tarım uygulamalarında pratik çözümler üretebilecek niteliktedir.

Kullanılan Teknolojiler: Python, ROS, Gazebo, PyQt5, OpenCV, scikit-image, Albumentations, YOLOv8, Roboflow, MongoDB, Blender, RTAB-Map, LiDAR, UWB, Kinect RGB-D, IMU, sıcaklık/nem/ışık sensörleri, Raspberry Pi 4

Geliştirme Süresi: 1 Yıl (Bitirme Projesi, 2024-2025)

Destek: TÜBİTAK 2209-B Üniversite Öğrencileri Sanayiye Yönelik Araştırma Projeleri Destek Programı

12V DC Power Supply & Li-Ion Charger Boost PCB

Li-Ion Charger Boost PCB 3D View

Li-Ion Charger Boost PCB 2D View

Li-Ion Charger Boost PCB

Li-Ion Charger Boost PCB Şematik

12V DC Power Supply PCB 3D View

12V DC Power Supply PCB 2D View

12V DC Power Supply PCB

12V DC Power Supply PCB Şematik

Açıklama: 12V DC Power Supply PCB ve Li-Ion Charger Boost PCB, temel güç elektroniği devrelerini öğretmek ve pratikte kullanmak amacıyla tasarlanmış iki ayrı PCB projesidir. Proje yalnızca teorik değil; aynı zamanda şematik tasarım, PCB yerleşimi, 3D modelleme ve Gerber üretim dosyaları ile birlikte paylaşılmıştır.

- 12V DC Power Supply PCB: Köprü diyot, filtre kondansatörleri ve L7812 lineer regülatör entegresi kullanılarak tasarlanmış güvenilir bir doğrultucu ve voltaj regülatörüdür. Giriş AC gerilimi 12V DC çıkışa dönüştürür. LED göstergesi sayesinde çıkış durumu kolayca takip edilebilir.

- Li-Ion Charger Boost PCB: TP4056 şarj entegresi ve TPS61040 boost konvertörü ile tek hücreli Li-Ion pilleri şarj edebilir ve 5V çıkış üretebilir. Devrede USB giriş/çıkış portları, şarj/dolu durumunu gösteren LED’ler ve koruma elemanları yer alır.

Bu iki tasarım, hem öğrenim sürecinde PCB tasarım becerilerini geliştirmek isteyen öğrenciler için hem de küçük ölçekli elektronik projelerde kullanılabilecek pratik çözümler sunar.

Sonuç olarak, 12V DC Power Supply PCB ve Li-Ion Charger Boost PCB; temel, anlaşılır ve uygulamaya yönelik yapısıyla elektronik mühendisliği öğreniminde önemli bir katkı sağlar.

Kullanılan Teknolojiler / Bileşenler: Köprü diyot, L7812 regülatör, filtre kondansatörleri, LED göstergeler, TP4056 şarj entegresi, TPS61040 boost konvertörü, USB giriş/çıkış portları, koruma diyotları, pasif elemanlar (direnç, kondansatör, bobin)

Geliştirme Süresi: 2 Hafta (her bir PCB için)

Paylaşım: Şematik, PCB, 3D tasarım ve Gerber dosyaları GitHub üzerinde açık kaynaklı olarak yayımlanmıştır.

DSP-Based 128-Point FFT Spectral Analysis

128-Point FFT Blok Diyagramı

TI TMS320F28335 Geliştirme Kartı

Açıklama: DSP-Based 128-Point FFT Spectral Analysis, Texas Instruments TMS320F28335 DSP üzerinde gerçek zamanlı çalışan bir 128 nokta FFT uygulamasıdır. Çalışmanın amacı, ADC’den alınan dijital örnekler üzerinde iki baskın sinüzoidal frekans bileşenini tespit etmek ve FFT algoritmasının performansını mikro-saniye seviyesinde ölçmektir .

Yöntem: - Giriş verileri x_buffer_6.h dosyasından alınarak kompleks diziye dönüştürüldü. - FFT için 128 adet twiddle factor önceden hesaplandı. - FFT128() fonksiyonu kullanılarak zaman domeni → frekans domeni dönüşümü yapıldı. - Karmaşık spektrumdan genlikler hesaplanıp iki en büyük tepe değeri bulundu. - İndeksler frekans eksenine çevrilerek baskın frekanslar elde edildi .

Sonuçlar: - Tespit edilen frekanslar ≈ 500 Hz ve 1375 Hz - Gerçek frekanslar: 475 Hz ve 1374 Hz - Hata payı: %5.26 (ilk frekansta), %0.073 (ikinci frekansta) - FFT yürütme süresi: 87 µs (240.800 clock cycle @150 MHz)

Teknik Çıkarımlar: - 128-nokta FFT için frekans çözünürlüğü Δf = 62.5 Hz’dir. Daha yüksek doğruluk için en az 512 noktalı FFT gerekir. - Windowing uygulanmadığında spektral sızıntı gözlemlenebilir. - DMA kullanımı ve Radix-4 FFT algoritmaları performansı artırabilir .

Sonuç olarak bu proje, DSP tabanlı sinyal işleme konusunda hem eğitimsel hem de endüstriyel uygulamalar için güçlü bir örnek teşkil etmektedir. Gerçek zamanlı spektral analiz, gömülü sistemlerde frekans tespiti, hata analizi ve performans optimizasyonu açısından değerli kazanımlar sağlamaktadır.

Kullanılan Teknolojiler / Bileşenler: TI TMS320F28335 DSP, Code Composer Studio, 128-Point FFT, C dili, CPU Timer0, Twiddle Factors, Magnitude Spectrum Hesaplama, Peak Detection

Geliştirme Süresi: 4 Hafta