İNSANSIZ HAVA ARAÇLARINDA NOKTA BULUT YÖNTEMİ İLE İNİŞ PİSTİ ANALİZİ

Abstract

Günümüzde hızlı ulaşım, düşük maliyet ve can kayıplarını azaltması yönünden kullanılmaya başlanılmış olan İHA'lar kullanım alanlarının artmasına bağlı olarak hızlı bir şekilde gelişmeye devam etmektedir. Her ne kadar insansız olarak adlandırılsalar bile bu hava araçlarının bir pilot/uçuş görevlisi yardımıyla kontrol edilmesi gerekmektedir. Yapılan araştırmalar doğrultusunda, İHA kazalarının büyük bir kısmı iniş sırasında gerçekleşmektedir. Bu nedenle, bu kaza oranlarını azaltacak şekilde iniş aşamasında, iniş pistinin görüntü işleme yöntemleriyle tespit edilmesi ve nokta bulut yöntemiyle iniş pistinde bulunan engellerin analizi bu konuda atılacak büyük bir adımdır. Bu tez çalışmasında, İHA iniş sistemlerini anlayabilmek ve kolaylaştırabilmek amacıyla derin öğrenme ağları tabanlı uygulamalara yer verilmiştir. Kanat yapılarına bağlı olarak aerodinamik özellikleri birbirinden farklı İHA çeşitleri bulunduğundan dolayı bu çeşitlerden biri olan Quadrotor için yapım aşaması ve iniş pistinin tasarımı bu çalışmada gerçekleştirilmiştir. Tasarlanan İHA ile iniş yapacağı pistin görüntülerinin alınması ve alınan bu görüntülerin YOLOv8'de işlenmesi sonucunda İHA iniş pisti tespiti sağlanmıştır. İniş pistinin tespit aşamasında pist üzerinde, engel bulunma ve engel bulunmaması durumları belirlenmiştir. Ayrıca, nokta bulut, görüntü işleme, derin öğrenme ağları ve derin öğrenme mimarileri hakkında bilgiler verilerek açıklamalar sunulmuştur. Sonuç olarak, İHA'ların inişi sırasında pist görüntüsünün görüntü işleme yöntemleri ile işlenmesi ve nokta bulut yöntemi yardımıyla analizi yapılarak karşılaştırmaların değerlendirmesi verilmiştir.

Today, UAVs, which have started to be used in terms of fast transportation, low cost and reducing the loss of life, continue to develop rapidly due to the increase in their usage areas. Even though they are called unmanned, these aircraft must be controlled with the help of a pilot/flight attendant. According to the researches, the majority of UAV accidents occur during landing. Therefore, the detection of the landing strip with image processing methods and the analysis of the obstacles on the landing strip with the point cloud method during the landing stage, so as to reduce these accident rates, is a big step to be taken in this regard. In this thesis, applications based on deep learning networks are included in order to understand and facilitate the UAV landing systems. Since there are different types of UAVs with different aerodynamic properties depending on their wing structures, the construction phase and the design of the landing strip for Quadrotor, which is one of these types, were carried out in this study. As a result of taking the images of the runway on which the UAV will land with the designed UAV and processing these images in YOLOv8, the UAV landing strip is detected. During the determination of the landing strip, the presence and absence of obstacles on the runway were determined. In addition, information about point cloud, image processing, deep learning networks and deep learning architectures are given and explanations are presented. As a result, during the landing of the UAVs, the runway image is processed with image processing methods and the comparisons are evaluated by analyzing it with the help of point cloud method