SavedAdd your journal

Journals / Iğdır Üniversitesi Fen Bilimleri Enstitüsü Dergisi / 2026 / Cilt: 15 Sayı: 3

Autonomus Landing System for Aircraft: A Deep Learning and Computer Vision Based Approach

Hava Araçları için Otonom İniş Sistemi: Derin Öğrenme ve Bilgisayarlı Görü Tabanlı Bir Yaklaşım

Emre Şatır(İZMİR KATİP ÇELEBİ ÜNİVERSİTESİ)0000-0002-1950-5549
Elif Demirtaş(İZMİR KATİP ÇELEBİ ÜNİVERSİTESİ)0009-0006-0978-0287
Halim Ağdemir(İZMİR KATİP ÇELEBİ ÜNİVERSİTESİ)0009-0003-8889-1089
Fatma Yıldız(İZMİR KATİP ÇELEBİ ÜNİVERSİTESİ)0009-0004-2605-6456
Pages
726–743
Publication Date
2025-09-01
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Experimental results show that the proposed system can identify safe landing zones for aircraft with high accuracy.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:In recent years, the need for safe parking and landing systems for manned and unmanned aerial vehicles has increased with the expansion of their usage areas.
📊
Key Findings & Data:In this study, a YOLOv8-based object detection model is proposed to optimize aircraft landing processes and evaluate the safety of landing areas.
💡
Conclusion & Impact:Experimental results show that the proposed system can identify safe landing zones for aircraft with high accuracy.
🔬Design:Modeling & Simulation
📍Scope:Comprehensive Sample
⚙️Variables:Nesne tespiti · Hava araçları için otonom iniş · Derin öğrenme

Abstract

In recent years, the need for safe parking and landing systems for manned and unmanned aerial vehicles has increased with the expansion of their usage areas. In this study, a YOLOv8-based object detection model is proposed to optimize aircraft landing processes and evaluate the safety of landing areas. The developed system uses image processing techniques and artificial intelligence algorithms to identify potential obstacles and analyze the suitability of landing areas. In the study, various data sets are used, and the generalization capability of the model is enhanced by data augmentation techniques. Experimental results show that the proposed system can identify safe landing zones for aircraft with high accuracy. This study makes an important contribution to support safe and autonomous aircraft landing processes at airports and urban air mobility applications.

Özet

Son yıllarda, kullanım alanlarının genişlemesiyle birlikte, insanlı ve insansız hava araçları için güvenli park ve iniş sistemlerine duyulan ihtiyaç artmıştır. Bu çalışmada, hava araçlarının iniş süreçlerini optimize etmek ve iniş alanlarının güvenliğini değerlendirmek için YOLOv8 tabanlı bir nesne tespit modeli önerilmektedir. Geliştirilen sistem, görüntü işleme teknikleri ve yapay zeka algoritmalarını kullanarak potansiyel engelleri belirlemekte ve iniş alanlarının uygunluğunu analiz etmektedir. Çalışmada, çeşitli veri setleri kullanılmış ve veri artırma teknikleriyle modelin genelleme yeteneği güçlendirilmiştir. Deneysel sonuçlar, önerilen sistemin hava araçları için güvenli iniş bölgelerini yüksek doğrulukla belirleyebildiğini göstermektedir. Bu çalışma, havaalanlarında ve kentsel hava mobilitesi uygulamalarında güvenli ve otonom hava aracı iniş süreçlerini desteklemek için önemli bir katkı sunmaktadır.

🔖

Cite This Article

Şatır, E., Demirtaş, E., Ağdemir, H., Yıldız, F. (2025). Autonomus Landing System for Aircraft: A Deep Learning and Computer Vision Based Approach. Iğdır Üniversitesi Fen Bilimleri Enstitüsü Dergisi, Cilt: 15 Sayı: 3, 726–743. https://doi.org/10.21597/jist.1644324

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (48)

  1. Aldughayfiq, B., Ashfaq, F., Jhanjhi, N. Z., ve Humayun, M. (2023). YOLO-Based Deep Learning Model for Pressure Ulcer Detection and Classification. Healthcare (Basel, Switzerland), 11(9), 1222. Erişim adresi: https://doi.org/10.3390/healthcare11091222
  2. Arserim, M. A. ve Usta, A. (2023). İnsansız hava aracından çekilen videolar kullanılarak derin öğrenme yaklaşımı ile nesne tespiti. DÜMF Mühendislik Dergisi, 14(1), 9–15. Erişim adresi: https://doi.org/10.24012/dumf.1191160
  3. Atik, M. E., Duran, Z. ve Ozgunluk, R. (2022). Comparison of YOLO Versions for Object Detection from Aerial Images. International Journal of Environment and Geoinformatics (IJEGEO), 9(2), 281-290. Erişim adresi: https://doi.org/10.30897/ijegeo.1010741
  4. Boros, G. (2023). Do you know overfitting and underfitting? Medium. Erişim adresi: https://medium.com/@datascienceeurope/do-you-know-overfitting-and-underfitting-f27f87ac2f37
  5. Cabrera-Ponce, D. A. ve Martinez-Carranza, J. (2020). Onboard CNN-based processing for target detection and autonomous landing for MAVs. Sensors, 20(16), 4643. Erişim adresi: https://doi.org/10.1007/978-3-030-49076-8_19
  6. Carion, N., Massa, F., Synnaeve, G., Usunier, N., Kirillov, A. ve Zagoruyko, S. (2020). End-to-end object detection with transformers. Proceedings of the European Conference on Computer Vision (ECCV). Erişim adresi: https://arxiv.org/abs/2005.12872
  7. Choi, D., Chhabra, A. ve Kim, D. (2022, January 3–7). Collision avoidance of unmanned aerial vehicles using fuzzy inference system-aided enhanced potential field. AIAA SCITECH 2022 Forum, San Diego, CA, United States. Erişim adresi: https://doi.org/10.2514/6.2022-0272
  8. Doğan, F. ve Türkoğlu, İ. (2019). Derin Öğrenme Modelleri ve Uygulama Alanlarına İlişkin Bir Derleme. DÜMF Mühendislik Dergisi. Erişim adresi: https://doi.org/10.24012/dumf.411130
  9. Eği, Y. (2023). YOLO V7 and computer vision-based mask-wearing warning system for congested public areas. Journal of the Institute of Science and Technology, 13(1), 22-32. Erişim adresi: https://doi.org/10.21597/jist.1243233
  10. Ekmen, M. İ. ve Aydoğdu, Ö. (2020). İnsansız hava araçları için görüntü işleme tabanlı otonom iniş. Avrupa Bilim ve Teknoloji Dergisi, 297-303. Erişim adresi: https://doi.org/10.31590/ejosat.804502
  11. Elfaki, A. O., Messoudi, W., Bushnag, A., Abuzneid, S. ve Alhmiedat, T. (2023). A smart real-time parking control and monitoring system. Sensors, 23, 9741. Erişim adresi: https://doi.org/10.3390/s23249741
  12. Erişti, E. (2010). Görüntü işleme ve OpenCV. Akademik Bilişim 2010 - XII. Akademik Bilişim Konferansı Bildirileri. Muğla Üniversitesi.
  13. Girshick, R. (2015). Fast R-CNN. Proceedings of the IEEE International Conference on Computer Vision, 1440-1448.
  14. Harris, D. (2015). Decision making in aviation (1st ed.). Washington, DC: Routledge. Erişim adresi: https://doi.org/10.4324/9781315095080
  15. Haritaoglu, I., Harwood, D. ve Davis, L. S. (2000). Real-time surveillance of people and their activities. IEEE Transactions on Pattern Analysis and Machine Intelligence, 22(8), 809-830. Erişim adresi: https://doi.org/10.1109/34.868683
  16. Hussain, M. (2023). YOLO-v1 to YOLO-v8, the Rise of YOLO and Its Complementary Nature toward Digital Manufacturing and Industrial Defect Detection. Machines, 11(7), 677. Erişim adresi: https://doi.org/10.3390/machines11070677
  17. Jiang, P., Ergu, D., Liu, F., Cai, Y. ve Ma, B. (2022). A review of YOLO algorithm developments. Procedia Computer Science, 199, 1066–1073. Erişim adresi: https://doi.org/10.1016/j.procs.2022.01.135
  18. Jocher, G., Qiu, J. ve Chaurasia, A. (2023). Ultralytics YOLO (Version 8.0.0) [Computer software]. Erişim adresi: https://github.com/ultralytics/ultralytics
  19. Kaggle. (2024). Datalagi Dataset [Veri seti]. Erişim adresi: https://www.kaggle.com/datasets/papalagiuavteam/datalagi
  20. Karaköse, E. ve Aksu, M. (2024). İnsansız hava araçlarında nokta bulutu verisi kullanılarak iniş pisti uygunluk analizi. Fırat Üniversitesi Mühendislik Bilimleri Dergisi, 36(2), 535-551. Erişim adresi: https://doi.org/10.35234/fumbd.1393959
  21. Kılıç, Ö., Aydemir, M. ve Öztürk Özdemir, P. (2022). Uçak görüntülerinin sınıflandırılmasında farklı yapay zekâ algoritmalarının performansı. SETSCI Conference Proceedings, 14, 84-88. Erişim adresi: https://doi.org/10.36287/setsci.5.2.018
  22. Kunduracıoğlu, İ. ve Paçal, İ. (2024). Deep Learning-Based Disease Detection in Sugarcane Leaves: Evaluating EfficientNet Models. Journal of Operations Intelligence, 2(1), 321-235. Erişim adresi: https://doi.org/10.31181/jopi21202423
  23. LeCun, Y., Bengio, Y. ve Hinton, G. (2015). Deep learning. Nature, 521, 436–444. Erişim adresi: https://www.researchgate.net/publication/277411157_Deep_Learning
  24. Liu, C., Meng, F., Zhu, Z. ve Zhou, L. (2023). Object detection of UAV aerial image based on YOLOv8. Frontiers in Computing and Intelligent Systems, 5(3), 46–50. Erişim adresi: https://doi.org/10.54097/fcis.v5i3.13852
  25. Liu, W., Anguelov, D., Erhan, D., Szegedy, C., Reed, S., Fu, C. Y. ve Berg, A. C. (2016). SSD: Single shot multibox detector. Proceedings of the European Conference on Computer Vision, 21-37.
  26. MakeSense. (2024). MakeSense Annotation Tool [Online araç]. Erişim adresi: https://www.makesense.ai
  27. McManamon, P. (2015). Field guide to LiDAR. Washington, DC: SPIE Press.
  28. Pacal, İ. (2022). Deep Learning Approaches for Classification of Breast Cancer in Ultrasound (US) Images. Journal of the Institute of Science and Technology, 12(4), 1917-1927. https://doi.org/10.21597/jist.1183679
  29. Pacal, I. (2023). Göğüs Röntgeni Görüntülerinden Otomatik COVID-19 Teşhisi için Görü Transformatörüne Dayalı Bir Yaklaşım. Journal of the Institute of Science and Technology, 13(2), 778-791. https://doi.org/10.21597/jist.1225156
  30. Pacal, I., & Alaftekin, M. (2023). Türk İşaret Dilinin Sınıflandırılması için Derin Öğrenme Yaklaşımları. Journal of the Institute of Science and Technology, 13(2), 760-777. https://doi.org/10.21597/jist.1223457
  31. Paszke, A., Gross, S., Massa, F., Lerer, A., Bradbury, J., Chanan, G.,. ve Chintala, S. (2019). PyTorch: An imperative style, high-performance deep learning library. Advances in Neural Information Processing Systems, 32, 8026-8037.
  32. Redmon, J., Divvala, S., Girshick, R. ve Farhadi, A. (2016). You only look once: Unified, real-time object detection. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 779-788.
  33. Ren, S., He, K., Girshick, R. ve Sun, J. (2015). Faster R-CNN: Towards real-time object detection with region proposal networks. Proceedings of the 28th International Conference on Neural Information Processing Systems, 91-99.
  34. Roboflow. (2024). Aerial Maritime Drone Dataset [Veri seti]. Erişim adresi: https://public.roboflow.com/object-detection/aerial-maritime
  35. Roboflow. (2024). CarPK Dataset [Veri seti]. Erişim adresi: https://universe.roboflow.com/elpida-eleftheriadi/carpk-xk8e1
  36. Roboflow. (2024). VAID Dataset [Veri seti]. Erişim adresi: https://universe.roboflow.com/chandler-sun/vaid-mnnde
  37. Roboflow. (2024). Vehicle Detection from Satellite [Veri seti]. Erişim adresi: https://universe.roboflow.com/chargepoly/vehicle-detection-from-satellite
  38. Roboflow. (2024). PKLot dataset [Veri seti]. Erişim adresi: https://public.roboflow.com/object-detection/pklot
  39. Shen, S., Yu, G., Zhang, L., Yan, Y. ve Zhai, Z. (2025). LandNet: Combine CNN and Transformer to Learn Absolute Camera Pose for the Fixed-Wing Aircraft Approach and Landing. Remote Sensing, 17(4), 653. Erişim adresi: https://doi.org/10.3390/rs17040653
  40. Shorten, C. ve Khoshgoftaar, T. M. (2019). A survey on image data augmentation for deep learning. Journal of Big Data, 6, 60. Erişim adresi: https://doi.org/10.1186/s40537-019-0197-0
  41. Tan, L., Huangfu, T., Wu, L. ve Chen, W. (2021). Comparison of YOLO v3, Faster R-CNN, and SSD for real-time pill identification. Research Square. https://doi.org/10.21203/rs.3.rs-668895/v1
  42. Taşyürek, M. ve Gül, E. (2023). Nesne Tespitinde En Uygun Modelin Seçimi İçin Görüntüler Üzerinde Evrişimli Sinir Ağları ile Çekişmeli Saldırı Tespiti. Journal of the Institute of Science and Technology, 13(4), 2353-2363. Erişim adresi: https://doi.org/10.21597/jist.1281262
  43. Tekin, A. ve Bozkır, A. S. (2024). Enhance or Leave It: An Investigation of the Image Enhancement in Small Object Detection in Aerial Images. Journal of the Institute of Science and Technology, 14(1), 8-17. Erişim adresi: https://doi.org/10.21597/jist.1328255
  44. Vezıroglu, E., Pacal, I., & Coşkunçay, A. (2023). Derin Evrişimli Sinir Ağları Kullanılarak Pirinç Hastalıklarının Sınıflandırılması. Journal of the Institute of Science and Technology, 13(2), 792-814. https://doi.org/10.21597/jist.1265769
  45. Wang, W. ve Ma, J. (2024). Applications of machine learning and deep learning in aerospace engineering and aero-engine engineering. Advances in Engineering Innovation, 6(1), 54–72. Erişim adresi: https://doi.org/10.54254/2977-3903/6/2024060
  46. Wang, Z., Wu, Y. ve Niu, Q. (2020). Multi-sensor fusion in automated driving: A survey. IEEE Access, 8, 2847-2868. Erişim adresi: https://doi.org/10.1109/ACCESS.2019.2962554
  47. Yılmaz, H. A. ve Kutbay, M. A. (2024). YOLOv8-based drone detection using hyperparameter optimization and data augmentation techniques. Computers, 13(2), 234. Erişim adresi: https://doi.org/10.3390/computers13020234
  48. Paszke, A., Gross, S., Massa, F., Lerer, A., Bradbury, J., Chanan, G.,. ve Chintala, S. (2019). PyTorch: An imperative style, high-performance deep learning library. Advances in Neural Information Processing Systems, 32, 8026-8037.