Uçuş emniyeti, havacılık endüstrisindeki önemli konulardan biridir. Uçuş emniyetini doğrudan etkileyen hususlardan biri ise uçuş pistlerinin yüzey şartlarıdır. Pistlerin yüzey şartlarının denetim ve kontrolleri güvenli bir uçuş için büyük önem arz eder. Pist yüzeylerinde denetlenen başlıca durumlar, çatlama, kırılma, kopma, açılma ve kabarma gibi zemin hasarlarıdır. İlgili denetimsel işlemler zaman alıcı süreçler olup, alanında eğitim almış uzman personel tarafından yapılmaktadır. Derin öğrenme, son yıllarda popülerliği oldukça artan bir makine öğrenmesi yaklaşımıdır. Bu çalışmada, uçuş pistlerinin yüzeylerindeki çatlaklıkların tespitini yapmak amacıyla iki farklı derin öğrenme modeli geliştirilmiştir. İlk model bu çalışmaya yönelik baştan tasarlanan ve sıfırdan eğitilen özgün bir evrişimli sinir ağı iken; ikinci model AlexNet mimarisinin aktarmalı öğrenme yoluyla bu çalışmaya özgü eğitilmiş sürümüdür. Modeller, veriler üzerinde test edilmiş ve elde ettikleri başarı oranları raporlanmıştır.
Flight safety is one of the important issues in the aviation industry. One of the issues that directly affects flight safety is the surface conditions of the runways. Inspection and control of runway surface conditions are of great importance for a safe flight. The main conditions inspected on runway surfaces are ground damages such as cracking, breaking, rupture, opening and heaving. The related inspection procedures are time-consuming processes and are carried out by specialized personnel trained in the related field. Deep learning is a machine learning approach that has become increasingly popular in recent years. In this study, two different deep learning models are developed to detect cracks on the surface of runways. The first model is a pure convolutional neural network designed and trained from scratch for this study, while the second model is a version of the AlexNet architecture trained for this study through transfer learning. The models were tested on the data and their success rates were reported.
