Uluslararası araştırma ekibi, güneş paneli temizleyen robotların yüzeyde yön bulmasına yardımcı olmak amacıyla 6.200 görüntüden oluşan açık bir veri seti yayımladı. Koleksiyon; temiz panelleri, dijital olarak kirletilmiş görüntüleri ve laboratuvarda fiziksel kirlenmeye maruz bırakılan panelleri içeriyor.
Çalışma yeni bir ticari robot tanıtmıyor. Bunun yerine, robotların farklı kir koşullarında panel çizgilerini ne ölçüde tanıyabildiğini sınamak için kullanılabilecek veriler sunuyor. Kuş pisliği, su lekesi, toz ve parlama, hücreler arasındaki boşlukları ya da panel çerçevesinin sınırlarını görünmez hâle getirebiliyor.
Araştırmacılar, aynı çizgi düzenini değişen kirlenme seviyelerinde koruyarak görüntü işleme algoritmalarının hangi koşullarda zorlandığını karşılaştırmayı hedefledi.
Görüntüler altı farklı koşulda hazırlandı
Ekip, önce 800 temiz görüntüyü elle etiketledi. Etiketlerde üç çizgi sınıfı yer aldı: hücreler arasındaki beyaz boşluklar ile hücre ve çerçeve arasındaki yatay ve dikey sınırlar. Her temiz görüntüden beş farklı kirlenme düzeyinde yeni örnekler oluşturuldu. Böylece her yüzey, temiz hâli de dâhil olmak üzere altı koşulda incelenebilir hâle geldi.
Görüntüler, panel yüzeyinden yaklaşık 15 santimetre yüksekte, robotun önüne yerleştirilen kamerayla kaydedildi. Ham kayıtların çözünürlüğü 320 × 240 piksel, çekim hızı ise saniyede 60 kareydi. Geometrik düzeltmenin ardından görüntüler 160 × 120 piksele küçültüldü. Araştırmacılar bu boyutu, robot üzerindeki gerçek zamanlı işlemenin sınırlı hesaplama kaynaklarını göz önünde bulundurarak seçti.
Yapay kirlenme, gerçek laboratuvar görüntüleriyle karşılaştırılıyor
Eğitim ve doğrulama bölümlerinde toplam 4.800 görüntü bulunuyor. Bunların 3.846’sı eğitim, 954’ü doğrulama için ayrıldı. Test kümesinde ise temiz ve yapay kirlenmiş koşullardan 1.200 görüntünün yanı sıra farklı panellerden alınan 200 gerçek laboratuvar görüntüsü yer alıyor.
Gerçek kirlenme örnekleri, yapay olarak kirletilmiş görüntülerle eğitilen modellerin fiziksel koşullarda nasıl performans gösterdiğini incelemeye imkân veriyor.
Veri setindeki etiketler çizginin bulunup bulunmadığıyla sınırlı değil; çizginin konumu, yönü, uç noktaları ve sınıfı da belirtiliyor. Bu bilgiler çizgi tespitinin yanı sıra robotun yön açısını hesaplama ve dönüş başlatma üzerine yapılacak araştırmalarda kullanılabiliyor.
Araştırmacılar, üçüncü sürümde eğitim, doğrulama ve test bölümleri arasında birbirine çok benzeyen tekrarları ayıkladıklarını ve 14.956 çizgi etiketini yeniden kontrol ettiklerini bildirdi. 23 Ağustos tarihli bu sürüm, CC BY 4.0 lisansıyla açık erişime sunuldu. Konu, 15 Ekim’de yayımlanan bir araştırma haberiyle yeniden gündeme geldi.
Sonraki aşamada fiziksel robotlarda doğrulama hedefleniyor
Ekip, ilerleyen çalışmalarda hafif yapay zekâ modellerini hareket sensörleri ve tekerlek ölçümleriyle birleştirmeyi planlıyor. Amaç, sistemleri fiziksel robotlarda daha gerçekçi koşullarda doğrulamak.
