DERİN ÖĞRENME DESTEKLİ ENDÜSTRİYEL ROBOTLARDA OTONOM AL VE YERLEŞTİRME

Abstract

Endüstriyel robotlar, modern üretim süreçlerinde hız, hassasiyet ve verimlilik sağlayarak önemli bir rol üstlenmektedir. Robotik sistemlerde yaygın olarak kullanılan al ve yerleştir işlemleri, nesnelerin belirli bir konumdan alınarak hedeflenen başka bir konuma taşınmasını ifade eden temel uygulamalardan biridir. Bu tür uygulamalar, özellikle üretim, montaj, paketleme ve depolama süreçlerinde iş gücü ihtiyacını azaltmakta, zaman ve maliyet açısından önemli avantajlar sağlamaktadır. Bu tez çalışmasında, endüstriyel bir robot koluna RGB-D (Red, Green, Blue ve Depth) renk ve derinlik kamera entegre edilerek YOLO (You Only Look Once) tabanlı derin öğrenme algoritmaları ve görüntü işleme teknikleri kullanımıyla otonom bir al ve yerleştir sistemi geliştirilmiştir. Önerilen sistem, farklı renk ve boyutlardaki nesneleri 0.2 ms'de algılayabilmekte, sınıflandırabilmekte ve belirlenen hedef konumlara yüksek hassasiyetle yerleştirebilmektedir. Derinlik verisinin kullanılmasıyla nesnelerin üç boyutlu konumları tespit edilmiş ve robot kolunun kavrama ile taşıma doğruluğu artırılmıştır. Geliştirilen sistemin deneysel sonuçları, endüstriyel robotların otonom algılama, karar verme ve hareket yeteneklerinin geliştirilebileceğini göstermektedir. Elde edilen bulgular, üretim süreçlerinde verimliliğin artırılabileceğini ve operasyonel maliyetlerin düşürülebileceğini ortaya koymaktadır. Bu çalışma, görüntü tabanlı otonom robotik al ve yerleştir uygulamaları için etkili ve uygulanabilir bir yaklaşım sunmaktadır.

Industrial robots play a crucial role in modern manufacturing processes by providing speed, precision, and efficiency. Pick-and-place operations, widely used in robotic and automation systems, refer to the task of grasping an object from a specific location and placing it at a designated target position. These operations significantly reduce labor requirements while improving time and cost efficiency, particularly in production, assembly, packaging, and warehousing processes. In this thesis, an autonomous pick-and-place system is developed by integrating an RGB-D (Red, Green, Blue and Depth) color and depth camera into an industrial robotic arm and employing YOLO (You Only Look Once)–based deep learning algorithms together with image processing techniques. The proposed system is capable of detecting and classifying objects of varying colors and sizes within 0.2 ms, and placing them at predefined target locations with high precision. By utilizing depth information, the three-dimensional positions of the objects are accurately determined, which significantly improves the grasping and transportation accuracy of the robotic arm. Experimental results demonstrate that the developed system significantly improves the autonomous perception, decision-making, and motion capabilities of industrial robots. The findings indicate that productivity in manufacturing processes can be increased while operational costs can be reduced. This study presents an effective and practical solution for vision-based autonomous robotic pick-and-place applications.