Tez No	İndirme	Tez Künye	Durumu
788055		Damage detection in aircraft engine borescope inspection using deep learning / Uçak motorlarının baroskopik incelemesinde derin öğrenme kullanılarak hasar tespiti Yazar:İSMAİL UZUN Danışman: PROF. DR. MEHMET REŞİT TOLUN Yer Bilgisi: Aksaray Üniversitesi / Fen Bilimleri Enstitüsü / Elektrik-Elektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control ; Elektrik ve Elektronik Mühendisliği = Electrical and Electronics Engineering ; Uçak Mühendisliği = Aircraft Engineering Dizin:	Onaylandı Doktora İngilizce 2023 83 s.
Uçak motorlarının muayenesi motorun uçuşa elverişlilik için gerekli standardların sağlanmasını garanti etmesi sebebiyle uçuş güvenliğinin temel direklerinden biri sayılır. Ayrıca uçakların değerinin korunmasında da hayati bir öneme sahiptir. Baroskop ile muayene, günümüzde uçak motoru muayenelerinde en sık kullanılan görsel muayene yöntemidir. Ancak baroskopik muayenenin başarısı muayeneyi yapan denetimcilerin tecrübesine ve o anki konstanstrasyonlarına oldukça bağlı, zaman alan, sübjektif ve karmaşık bir işlemdir. Diğer yandan, havayolu şirketleri ve bakım, onarım merkezlerinin tasarruf tedbirleri denetimciler üzerinde baskı ve iş yükü oluşturmaktadır. Bu sebeplerden dolayı, insan faktöründen kaynaklı potansiyel riskleri en aza indirmek için baroskopik incelemelerde hasar tespitine destek olacak otomatik hasar tespit sistemlerine ihtiyaç vardır. Derin öğrenme son 10-15 yıl içerisinde farklı disiplinlerde çok geniş kullanım alanı bulmuş ve özellikle görüntü tanıma alanında oldukça başarılı sonuçlar vermiştir. Bu çalışmada, uçak motorlarının baroskopik incelemelerinden elde edilmiş fotoğraflardan otomatik hasar tespiti yapan, derin öğrenmeye dayalı bir sistem önermekteyiz. Sistem, Faster R-CNN mimarisine dayalı ve Inception v2 öznitelik çıkarıcıya sahip bir model kullanmaktadır. Veri miktarının yetersizliğinden dolayı çalışmada veri çoğaltma ve diğer aşırı uyum önleme yöntemleri kullanılmıştır. Önerilen sistem turbofan motorların her bölümünde çatlak, çentik, oyuk ve yanık hasar türleri tespitini desteklemektedir. Sistem sahadan elde edilmiş, orta ve yüksek seviye karmaşıklıkta görüntülerle eğitilmiş ve test edilmiştir. Önerilen sistem çentik, oyuk hasar sınıfı için %92.05, çatlak için %92.64 ve yanık hasar sınıfı için %81.14 ortalama hassasiyet (doğruluk) değerlerine erişmiştir. Sistemin genel ortalama hassasiyeti ise %88.61'e ulaşmıştır.
Aircraft engine inspection is a key pillar of aviation safety by maintaining adequate performance standards to ensure the airworthiness of an engine. In addition, it is vital for asset value retention. Borescope inspection is currently the most widely used aircraft engine visual inspection method. However, borescope inspection is a time consuming, subjective, and complex process which heavily depends on the experience of the inspector as well as on their concentration level during inspection. On the other hand, cost saving of airlines and maintenance, repair, and overhaul (MRO) centers expose pressure and workload on inspectors. These make an automated system to support damage detection during borescope inspection necessary to avoid potential risks. Deep learning has found very wide application and has proven to be very successful during the last 10-15 years in the image recognition domain. In this research, we suggest a deep learning based automated damage detection framework from aircraft engine borescope inspection images. Faster R-CNN based deep learning model with Inception v2 feature extractor is utilized for the architecture. Due to the limited number of images, data augmentation and other overfitting methods are employed. The framework supports crack, burn, nick and dent damage types across all modules of turbofan engines. It is trained and validated with moderate to complex borescope images obtained from the field. The framework achieves 92.05% accuracy for nick or dent, 92.64% for crack and 81.14% for burn damage classes. Moreover, it achieves 88.61% average accuracy.