Kritik Görevler İçin Akıllı İnsansız Hava Aracı: Gerçek Zamanlı Görsel Zekâya Sahip Bir VTOL İHA’nın Geliştirilmesi

Abstract

Bu çalışma, arama-kurtarma, gözetleme ve hassas tarım gibi kritik görevler için optimize edilmiş, yerleşik gerçek zamanlı görsel zekâ sistemine sahip sabit kanatlı bir Dikey Kalkış ve İniş (VTOL) insansız hava aracının (İHA) tasarımını, üretimini ve değerlendirmesini sunmaktadır. İHA, hafif ve düşük maliyetli malzemeler ile 3B baskı bileşenleri kullanılarak üretilmiş, bu sayede geliştirme maliyetleri önemli ölçüde azaltılmış ve sistemin hem akademik araştırmalarda hem de saha uygulamalarında erişilebilirliği artırılmıştır. Bu çalışmanın temel katkısı, tamamen açık kaynaklı bir mimari içerisinde VTOL işlevselliğinin, gömülü donanım üzerinde gerçek zamanlı derin öğrenme çıkarımıyla bütünleştirilmesidir. Mevcut İHA’ların çoğu hacimli veya pahalı donanımlara bağımlı iken, önerilen sistem nesne tespitini (YOLOv5s) doğrudan Raspberry Pi 4B üzerinde gerçekleştirerek harici hesaplamaya gerek duymadan verimli yerleşik işlem yapabilmektedir. Üç farklı algılama modeli — YOLOv5s, Tiny-YOLOv4 ve MobileNet-SSD — özel olarak oluşturulmuş bir hava veri kümesi üzerinde eğitilmiş ve gerçek zamanlı performans açısından değerlendirilmiştir. YOLOv5s modeli, %82,4 ortalama hassasiyet (mAP@0.5) ve 4,2 FPS değerleriyle en yüksek doğruluğu elde etmiştir. Modüler ve ölçeklenebilir tasarımı sayesinde, önerilen İHA platformu, gerçek dünya koşullarında akıllı hava sistemlerinin uygulanması için pratik ve ekonomik bir çözüm sunmaktadır.

This study presents the design, construction, and evaluation of a fixed-wing Vertical Take-Off and Landing (VTOL) unmanned aerial vehicle (UAV) equipped with an onboard real-time visual-intelligence system optimized for critical missions such as search and rescue, surveillance, and precision agriculture. The UAV was built using lightweight, cost-effective materials and 3D-printed components, which considerably reduced development costs and improved accessibility for both academic research and field applications. A central contribution of this work is the integration of VTOL functionality with real-time deep-learning inference on embedded hardware within a fully open-source architecture. Unlike most existing UAVs that depend on bulky or expensive hardware, the proposed system performs efficient object detection (YOLOv5s) directly on a Raspberry Pi 4B, enabling onboard processing without external computation. Three detection models—YOLOv5s, Tiny-YOLOv4, and MobileNet-SSD—were trained on a custom aerial dataset and evaluated for real-time performance. YOLOv5s achieved the highest accuracy, with a mean Average Precision (mAP@0.5) of 82.4 % at 4.2 FPS. Owing to its modular and scalable design, the proposed UAV platform offers a practical and affordable solution for implementing intelligent aerial systems in real-world critical-mission environments.