Sztuczna inteligencja wkracza do lotnictwa: Nowy projekt usprawni inspekcje powierzchni samolotów

Inspekcje powierzchni samolotów to kluczowy element zapewnienia bezpieczeństwa lotów. Wykrywanie nawet drobnych uszkodzeń, śladów zużycia czy wad jest niezwykle istotne, ale i kosztowne. Asystent profesor Pang Guansong z SMU (Singapore Management University) podjął wyzwanie usprawnienia tego procesu za pomocą sztucznej inteligencji.

Projekt, zatytułowany „Wykorzystanie modeli fundamentowych do inspekcji powierzchni samolotów w otwartych środowiskach”, koncentruje się na trzech głównych problemach związanych z uczeniem maszynowym: braku wystarczającej ilości danych dotyczących defektów do trenowania AI, braku standardowej listy typów uszkodzeń oraz zmienności wyglądu wad w zależności od warunków oświetleniowych i pogodowych.

Nowe podejście do wykrywania wad

Podejście profesora Panga opiera się na wykorzystaniu wiedzy z dużych wizualno-językowych modeli (LVLM), które są wstępnie trenowane na ogromnych zbiorach danych z Internetu. Pozwala to systemowi wykrywać defekty niezależnie od tego, czy istnieją przykłady danego typu uszkodzenia. Co więcej, system ma być adaptowalny do zmieniających się warunków, takich jak oświetlenie czy typ kamery, bez konieczności ponownego trenowania.

„Obecne rozwiązania w branży koncentrują się bardziej na technikach skanowania” – wyjaśnia profesor Pang. „Działają dobrze w wykrywaniu defektów podobnych do wcześniej zarejestrowanych, ale zawodzą, gdy pojawiają się nowe.” Proponowane rozwiązanie ma rozszerzyć możliwości inspekcji na defekty, które nie były widziane w danych treningowych lub których wygląd zmienia się w naturalnych warunkach.

Trzy etapy projektu

Projekt realizowany jest we współpracy z Jamie Ng i Joey Zhou z A*STAR, pod opieką profesora Lim Ee-Peng. Podzielony jest na trzy części, z których każda odpowiada na jedno z wcześniej zidentyfikowanych wyzwań.

Pierwsza część ma na celu umożliwienie istniejącym LVLM rozpoznawania defektów, nawet jeśli nie mają wystarczającej liczby przykładów. Paradoksalnie, LVLM, które są trenowane na ogromnych zbiorach danych, nie są tak skuteczne, gdy mają do dyspozycji tylko kilka zdjęć defektów bez tekstu. Badacze chcą dostosować zdolność rozpoznawania LVLM do uczenia się o defektach w małym, ukierunkowanym obszarze. Ma to poprawić zdolność LVLM do odróżniania fałszywych alarmów od rzeczywistych defektów.

Druga część projektu dotyczy faktu, że defekty, na których trenowane są LVLM, stanowią jedynie niekompletny obraz wszystkich typów uszkodzeń. Celem jest wytrenowanie AI do rozpoznawania wzorców w normalnych obrazach samolotów i porównywania ich z nieznacznie zmienionymi obrazami oraz rzeczywistymi obrazami defektów. Pozwoli to technologii lepiej rozróżniać normalne powierzchnie od wadliwych i unikać sytuacji, w których nowe defekty są błędnie klasyfikowane jako normalne.

Trzeci etap ma na celu wykorzystanie obrazów „w kontekście”, aby natychmiast dostosować modele do bieżących scen konserwacyjnych. Modele wykrywania oparte na LVLM z pierwszych dwóch etapów mogą zawieść, gdy jakakolwiek część procesu konserwacji samolotu – typy samolotów, warunki oświetleniowe itp. – różni się w zależności od środowiska. Ta trzecia część ma zatem dostarczyć kontekst tym modelom.

Przyszłość inspekcji lotniczych

Profesor Pang jest przekonany o sukcesie projektu, który ma przyczynić się do poprawy bezpieczeństwa lotów i obniżenia kosztów utrzymania samolotów. Globalny rynek inspekcji powierzchni samolotów ma wzrosnąć z 4 miliardów USD w 2023 roku do 8 miliardów USD w 2032 roku. Oczekuje się, że postęp w technologiach, takich jak inteligentne kamery, zaawansowane procesory obrazu i roboty, wpłynie pozytywnie na bezpieczeństwo lotnicze. Choć projekt skupia się na obrazach dwuwymiarowych, przyszłe badania mogą rozszerzyć go o różne rodzaje obrazowania, co jeszcze bardziej poprawi dokładność wykrywania i rozszerzy scenariusze zastosowań.

Profesor Pang wyraża chęć współpracy z agencjami rządowymi i partnerami przemysłowymi w celu opracowania rozwiązań do inspekcji defektów w różnych rzeczywistych scenariuszach. Jak sam przyznaje, jego motywacją jest tworzenie maszyn uczących się, które pomagają rozwiązywać trudne problemy społeczne.