Havalimanı pistlerinde yabancı madde tespiti için derin öğrenme yaklaşımı

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, mAP@0.50 ve mAP@0.50–0.95 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.