Geri Dön

Uçuşa elverişlilik için derin öğrenme yöntemi ile pist yüzeyi çatlak tespiti yaklaşımı

Deep learning based runway surface crack detection approach for airworthiness

  1. Tez No: 811866
  2. Yazar: FATMANUR GÜVEN
  3. Danışmanlar: PROF. DR. ALPER BAŞTÜRK
  4. Tez Türü: Yüksek Lisans
  5. Konular: Havacılık Mühendisliği, Sivil Havacılık, Aeronautical Engineering, Civil Aviation
  6. Anahtar Kelimeler: Uçuşa elverişlilik, pist yüzey denetimi, derin öğrenme, evrişimli sinir ağları, Airworthiness, runway surface control, deep learning, convolutional neural network
  7. Yıl: 2023
  8. Dil: Türkçe
  9. Üniversite: Erciyes Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Sivil Havacılık Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 84

Özet

Uçuş emniyeti, günümüz havacılık endüstrisinde en çok önem verilen temel konular arasındadır. Pist yüzey şartlarının denetim ve kontrolleri, güvenli bir uçuş için büyük önem taşır. Pist yüzey şartlarında kontrol edilecek hususlardan biri pist üzerindeki zemin hasarı, kaba veya kırık yüzeylerdir (çatlama, kırılma, kopma, açılma vb.). Bunun kontrolü, ilgili alanda eğitim almış personeller tarafından yapılır ancak bu tarz bir kontrol zaman alıcı bir süreçtir. Derin öğrenme, son yıllarda oldukça popüler hale gelmiş bir makine öğrenmesi yaklaşımıdır. Temel olarak verinin temsilinden öğrenmeye dayalıdır. Bir görüntü için temsil denildiğinde; piksel başına yoğunluk değerlerinin bir vektörü veya kenar kümeleri, özel şekiller gibi özellikler anlaşılabilir. Bu özellikleri gerekli keşif yeterli düzeyde yapılabildiğinde veriyi daha iyi temsil etmektedir. Bu aşamada yine bir avantaj olarak, derin öğrenme yöntemleri, elle çıkarılan özellikler (handcrafted features) yerine veriyi en iyi temsil eden hiyerarşik özellik çıkarımı için etkin işlevlere sahiptirler. Bu tez çalışmasında, farklı bir yaklaşım olarak pist yüzeyindeki çatlakların tespiti için iki farklı derin öğrenme modeli sunulmuştur. İlk modelde evrişimli sinir ağı sıfırdan eğitilmiş, ikinci modelde ise önceden eğitilmiş AlexNet mimarisi ile sınıflandırma gerçekleştirilmiştir. Modeller, veriler üzerinde test edilmiş ve elde ettikleri başarı oranları tespit edilmiştir.

Özet (Çeviri)

Flight safety is one of the most important fundamental issues in today's aviation industry. The monitoring and control of runway surface conditions is of great importance for a safe flight. Runway surface conditions include checking for damage to the runway surface and rough or broken surfaces (cracks, breaks, tears, openings, etc.). These inspections are carried out by trained personnel, but this type of inspection is a time-consuming process. Deep learning has become a very popular machine learning technique in recent years. It focuses mainly on learning data representations. A vector of intensity values per pixel, or features such as edge clusters and user-defined shapes, can be taken into account when considering a representation for an image. These features better represent the data if the necessary discovery can be made at an appropriate level. Deep learning techniques now have an advantage over traditional methods in that they use effective hierarchical feature extraction algorithms that best reflect the data. This thesis proposes two different deep learning models as an alternative approach to crack detection on runway surfaces. The first approach is to train convolutional neural networks from scratch for classification, while the second approach is to fine-tune the pre-trained AlexNet architecture. The models were tested on the data and their success rates were determined.

Benzer Tezler

  1. Damage detection in aircraft engine borescope inspection using deep learning

    Uçak motorlarının baroskopik incelemesinde derin öğrenme kullanılarak hasar tespiti

    İSMAİL UZUN

    Doktora

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAksaray Üniversitesi

    Elektrik-Elektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. MEHMET REŞİT TOLUN

  2. Uçuşa elverişliliğin zaman serilerinde kisa vadeli kestirimiçin modellenmesi

    Short-term prediction model of airworthiness in time series

    ALİ TATLI

    Doktora

    Türkçe

    Türkçe

    2022

    Havacılık ve Uzay MühendisliğiEskişehir Teknik Üniversitesi

    Havacılık Elektrik ve Elektroniği Ana Bilim Dalı

    PROF. DR. TAHİR HİKMET KARAKOÇ

    DOÇ. DR. TANSU FİLİK

  3. İnsansız hava araçlarındaki servo eyleyiciler için güvenilirlik analizi

    Reliability analysis of servo actuators installed in an unmanned air vehicle

    ALTUĞ TÜFEKÇİOĞLU

    Yüksek Lisans

    Türkçe

    Türkçe

    2018

    Uçak Mühendisliğiİstanbul Teknik Üniversitesi

    Uçak ve Uzay Mühendisliği Ana Bilim Dalı

    PROF. DR. MELİKE NİKBAY

  4. Development of methods for reducing scheduled maintenance downtime of aircraft

    Uçakların planlı bakım için yerde kalış sürelerinin azaltılmasına yönelik yöntem ve analiz metotlarının geliştirilmesi

    CANER ŞENTÜRK

    Doktora

    İngilizce

    İngilizce

    2018

    Uçak Mühendisliğiİstanbul Teknik Üniversitesi

    Uçak ve Uzay Mühendisliği Ana Bilim Dalı

    PROF. DR. İBRAHİM OZKOL

  5. Blok zinciri teknolojisinin aviyonik sistemlerde kullanılabilirliğinin araştırılması

    Investigation of applicability of blockchain technology to avionics systems

    AYŞENUR SAYIL

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Uçak MühendisliğiErciyes Üniversitesi

    Uçak Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ HARUN ÇELİK