Автоматизированное обнаружение дефектов конструкций воздушных судов с использованием глубокого обучения и компьютерного зрения

Ручной осмотр воздушных судов требует значительных трудозатрат и подвержен человеческим ошибкам, что может снижать уровень безопасности и точность контроля. В данном исследовании представлен автоматизированный подход к обнаружению дефектов на основе модели сегментации экземпляров Mask R-CNN для выявления трещин и вмятин в конструкциях воздушных судов. Для обучения модели Mask R-CNN на основе ResNet-101 был сформирован набор данных из 2 000 аннотированных изображений с использованием методов аугментации. Система продемонстрировала высокую эффективность обнаружения: для трещин точность составила 92,8%, полнота — 88,7%, а показатель F1 — 90,75%; для вмятин точность составила 91,2%, полнота — 88,1%, а показатель F1 — 89,62%. Оценка с использованием средней величины пересечения по объединению (IoU) и средней точности (AP@[IoU=0.50:0.95]) подтвердила точную локализацию и сегментацию дефектов. Полученные результаты демонстрируют потенциал модели для повышения надежности инспекций и эффективности эксплуатации, способствуя обеспечению более безопасного и стабильного технического обслуживания воздушных судов.