Havalimanı pistlerinde yabancı madde tespiti için derin öğrenme yaklaşımı
Deep learning approach for foreign object detection on airport runways
- Tez No: 953277
- Danışmanlar: DR. ÖĞR. ÜYESİ ÖMER OSMAN DURSUN
- Tez Türü: Yüksek Lisans
- Konular: Sivil Havacılık, Civil Aviation
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Fırat Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Havacılık Bilimi ve Teknolojileri Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 57
Özet
Pist üzerindeki yabancı nesneler, uçuş güvenliğini doğrudan tehdit eden ciddi bir risktir ve bu nedenle hızlı, doğru ve güvenilir şekilde tespit edilmeleri hayati öneme sahiptir. Çalışmanın amacı; havalimanı pistlerinde bulunan yabancı nesnelerin yabancı madde hasarı (YMH) tespitinde kullanılabilecek, derin öğrenmeye dayalı bir nesne algılama sistemi kurmak ve farklı YOLO mimarilerinin (YOLOv5, YOLOv8 ve YOLOv11) performanslarını karşılaştırmalı olarak değerlendirmektir. Tezin temel hipotezi, modern derin öğrenme temelli nesne algılama algoritmalarının YMH tespiti görevlerinde geleneksel yöntemlere kıyasla daha yüksek doğruluk, daha az yanlış negatif oranı ve farklı çevresel koşullara karşı daha yüksek dayanıklılık sağlayabileceğidir. Bu doğrultuda, hazır olarak sunulan YOLOv5s, YOLOv8s ve yeni nesil YOLOv11-s modelleri kullanılarak kapsamlı deneyler gerçekleştirilmiştir. Tez kapsamında kullanılan veri seti, havalimanı ortamında toplanmış olan ve 31 farklı yabancı nesne sınıfı ile çeşitli hava ve ışık koşullarını içeren FOD-RUNWAY veri setidir. Değerlendirme sürecinde modeller; doğruluk (precision), duyarlılık (recall), F1 skoru, [email protected] ve [email protected]–0.95 gibi çeşitli metrikler kullanılarak kıyaslanmıştır. Elde edilen sonuçlara göre, YOLOv11-s modeli, hafif yapısına rağmen YOLOv5s ve YOLOv8s modellerine kıyasla daha yüksek F1 skoru (0.861) ve daha iyi duyarlılık (0.826) sergilemiştir. Bu durum, özellikle güvenlik açısından kritik olan uygulamalarda yanlış negatiflerin azaltılması açısından önemli bir avantaj sağlamaktadır. YOLOv8s modeli, genel doğruluk ve mAP performansı bakımından öne çıkarken, YOLOv5s bazı durumlarda daha düşük recall oranlarına sahip olmuştur. Ayrıca, YOLOv11-s modelinin yalnızca 9.45 milyon parametreye sahip olması ve yaklaşık 45 dakikalık bir sürede orta seviye donanımda eğitilebilmesi, sınırlı kaynaklara sahip gömülü sistemlerde veya gerçek zamanlı havaalanı uygulamalarında kullanılabilirliğini artırmaktadır. Sonuç olarak, bu tezde herhangi bir yeni mimari geliştirilmeden, hazır ve güncel YOLO modellerinin performansları derinlemesine analiz edilmiştir. Elde edilen bulgular, derin öğrenme yöntemlerinin YMH tespitinde geleneksel sistemlere göre önemli avantajlar sunduğunu ve özellikle YOLOv11-s modelinin hafif yapısı ve güçlü genelleme kabiliyeti sayesinde havalimanlarında gerçek zamanlı ve ölçeklenebilir güvenlik çözümleri için etkili bir seçenek olabileceğini ortaya koymaktadır.
Özet (Çeviri)
The aim of this thesis is to establish a deep learning-based object detection system for identifying foreign object debris (FOD) on airport runways and to conduct a comparative performance evaluation of different YOLO architectures (YOLOv5, YOLOv8, and YOLOv11). Foreign objects on runways pose a serious threat to flight safety, making their fast, accurate, and reliable detection critically important. The central hypothesis of the thesis is that modern deep learning-based object detection algorithms offer higher accuracy, lower false negative rates, and greater robustness to varying environmental conditions compared to traditional methods for FOD detection. Accordingly, comprehensive experiments were conducted using publicly available YOLOv5s, YOLOv8s, and the latest YOLOv11-s models. The dataset used in this study is the FOD-A dataset, which was collected in airport environments and includes 31 different FOD classes under various weather and lighting conditions. The models were evaluated using performance metrics such as precision, recall, F1-score, [email protected], and [email protected]–0.95. According to the results, the YOLOv11-s model, despite its lightweight architecture, outperformed YOLOv5s and YOLOv8s in terms of F1-score (0.861) and recall (0.826). This demonstrates a significant advantage in minimizing false negatives, especially in safety-critical applications. While the YOLOv8s model stood out in terms of overall precision and mAP performance, YOLOv5s exhibited lower recall in certain scenarios. Furthermore, the YOLOv11-s model, with only 9.45 million parameters and a training time of approximately 45 minutes on a mid-range GPU, offers high applicability in resource-constrained embedded systems or real-time airport applications. In conclusion, this thesis does not introduce a new architecture but provides an in-depth analysis of the performance of existing YOLO models. The findings highlight that deep learning methods offer significant advantages over traditional systems in FOD detection, and the YOLOv11-s model, in particular, emerges as an effective and scalable solution for real-time runway safety due to its lightweight structure and strong generalization capability.
Benzer Tezler
- Uzman sistem tabanlı müzayede ile çoklu-robot görev paylaşımı
Multi-robot task allocation by expert system based auctions
SAVAŞ ÖZTÜRK
Doktora
Türkçe
2014
Bilim ve TeknolojiMarmara ÜniversitesiElektronik ve Bilgisayar Sistemleri Eğitimi Ana Bilim Dalı
YRD. DOÇ. DR. AHMET EMİN KUZUCUOĞLU
- Havalimanı pistlerinde donmayı engellemek amacıyla elektrotermal özelliklere sahip betonların üretimi ve incelenmesi
Production and investigation of concretes with electrothermal properties to prevent freezing in airport runways
HEYDAR DEHGHANPOUR
Doktora
Türkçe
2019
İnşaat MühendisliğiSakarya Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. KEMALETTİN YILMAZ
- Uzantıları kesişen pistlerde geliş trafiği sıralaması için bir benzetim modeli önerisi
A simulation model proposal for sequencing arrival traffic at converging runways
ÖZLEM ŞAHİN MERİÇ
Doktora
Türkçe
2011
Sivil HavacılıkAnadolu ÜniversitesiSivil Havacılık Ana Bilim Dalı
YRD. DOÇ. DR. ÖZNUR USANMAZ
- Birbirine yakın paralel pistlerde RNP uçuş prosedürlerinin CBS yöntemine dayalı tasarımı
The design of RNP flight procedures based on GIS method in closely-spaced parallel runways
ÖZLEM ŞAHİN
Yüksek Lisans
Türkçe
2006
Sivil HavacılıkAnadolu ÜniversitesiSivil Havacılık Ana Bilim Dalı
Y.DOÇ.DR. ÖZNUR USANMAZ
- İstanbul Havalimanı'nda rüzgarın uçuş operasyonlarına etkisi
The effect of wind on flight operations at Istanbul Airport
SEHER NİLAY ÇOŞKUN
Yüksek Lisans
Türkçe
2019
Meteorolojiİstanbul Teknik ÜniversitesiMeteoroloji Mühendisliği Ana Bilim Dalı
PROF. DR. MİKDAT KADIOĞLU