بازگشت به جستجو

استفاده از شبکه های عصبی کانولوشن برای خودکارسازی بازرسی بصری تعمیر و نگهداری هواپیما

عنوان	استفاده از شبکه های عصبی کانولوشن برای خودکارسازی بازرسی بصری تعمیر و نگهداری هواپیما
نویسنده	دوغرو، آنیل، بوارفا، س.، آریزار، ر.، آیدوغان، ریحان
تاریخ انتشار:	2020-12
محل انتشار	- MDPI
موضوع	بازرسی تعمیر و نگهداری هواپیما، تشخیص ناهنجاری، بازرسی نقص، شبکه های عصبی کانولوشن، Mask R-CNN، شبکه های متخاصم مولد، تقویت تصویر
نوع	دوره ای
زبان	انگلیسی
دیجیتال	بله
نسخه خطی	خیر
کتابخانه:	دانشگاه اوزیغین
شناسه دارایی کتابخانه	2226-4310
شماره ثبت	31456c59-ea24-403f-91e3-e0fc2b008ef9
محل کتابخانه	علوم کامپیوتر
تاریخ	2020-12
متن نمونه	شبکه‌های عصبی کانولوشن همراه با پهپادهای مستقل به‌طور فزاینده‌ای به‌عنوان عاملی برای خودکارسازی جزئی فرآیند بازرسی بصری تعمیر و نگهداری هواپیما دیده می‌شوند. چنین مفهوم نوآورانه ای می تواند تأثیر قابل توجهی بر عملیات هواپیما داشته باشد. اگرچه مهندسین تعمیر و نگهداری هواپیما طیف گسترده ای از عیوب را شناسایی و طبقه بندی می کنند، زمان صرف شده برای بازرسی می تواند به میزان قابل توجهی کاهش یابد. نمونه هایی از عیوب که می توانند به طور خودکار شناسایی شوند عبارتند از فرورفتگی هواپیما، نقص رنگ، ترک و سوراخ، و آسیب ناشی از صاعقه. علاوه بر این، این مفهوم همچنین می تواند دقت تشخیص آسیب را افزایش دهد و تعداد حوادث بازرسی هواپیما را که مربوط به عوامل انسانی مانند خستگی و فشار زمان است، کاهش دهد. در کار قبلی خود، ما یک معماری شبکه عصبی کانولوشنال اخیر که توسط MASK R-CNN شناخته شده است، برای تشخیص فرورفتگی هواپیما اعمال کرده ایم. MASK-RCNN به این دلیل انتخاب شد که تشخیص چندین شی را در یک تصویر در حالی که همزمان برای هر نمونه یک ماسک تقسیم بندی ایجاد می کند، امکان پذیر می کند. نمرات F-1 و F-2 قبلاً به دست آمده به ترتیب 62.67% و 59.35% بود. این مقاله کار قبلی را با استفاده از تکنیک‌های مختلف برای بهبود و ارزیابی عملکرد پیش‌بینی به صورت تجربی گسترش می‌دهد. این رویکرد شامل (1) متعادل کردن مجموعه داده اصلی با افزودن تصاویر بدون فرورفتگی است. (2) افزایش همگنی داده ها تنها با تمرکز بر تصاویر بال. (3) بررسی پتانسیل سه تکنیک تقویت در بهبود عملکرد مدل یعنی چرخش، چرخش و تاری. و (4) استفاده از یک پیش طبقه بندی کننده در ترکیب با MASK R-CNN. نتایج نشان می‌دهد که یک رویکرد ترکیبی ترکیبی از MASK R-CNN و تکنیک‌های تقویت منجر به بهبود عملکرد با امتیاز F-1 (67.50٪) و امتیاز F-2 (66.37٪) می‌شود.
DOI	10.3390/aerospace7120171
Cilt	7

مشاهده در منبع دانشگاه اوزیغین دانشگاه اوزیغین - موتور جستجوی آثار تاریخی، آرشیوها و نشریات

دانشگاه اوزیغین

استفاده از شبکه های عصبی کانولوشن برای خودکارسازی بازرسی بصری تعمیر و نگهداری هواپیما

نویسنده دوغرو، آنیل، بوارفا، س.، آریزار، ر.، آیدوغان، ریحان

تاریخ انتشار 2020-12

محل انتشار - MDPI

موضوع بازرسی تعمیر و نگهداری هواپیما، تشخیص ناهنجاری، بازرسی نقص، شبکه های عصبی کانولوشن، Mask R-CNN، شبکه های متخاصم مولد، تقویت تصویر

نوع دوره ای

زبان انگلیسی

دیجیتال بله

نسخه خطی خیر

کتابخانه دانشگاه اوزیغین

شناسه دارایی کتابخانه 2226-4310

شماره ثبت 31456c59-ea24-403f-91e3-e0fc2b008ef9

محل کتابخانه علوم کامپیوتر

تاریخ 2020-12

متن نمونه شبکه‌های عصبی کانولوشن همراه با پهپادهای مستقل به‌طور فزاینده‌ای به‌عنوان عاملی برای خودکارسازی جزئی فرآیند بازرسی بصری تعمیر و نگهداری هواپیما دیده می‌شوند. چنین مفهوم نوآورانه ای می تواند تأثیر قابل توجهی بر عملیات هواپیما داشته باشد. اگرچه مهندسین تعمیر و نگهداری هواپیما طیف گسترده ای از عیوب را شناسایی و طبقه بندی می کنند، زمان صرف شده برای بازرسی می تواند به میزان قابل توجهی کاهش یابد. نمونه هایی از عیوب که می توانند به طور خودکار شناسایی شوند عبارتند از فرورفتگی هواپیما، نقص رنگ، ترک و سوراخ، و آسیب ناشی از صاعقه. علاوه بر این، این مفهوم همچنین می تواند دقت تشخیص آسیب را افزایش دهد و تعداد حوادث بازرسی هواپیما را که مربوط به عوامل انسانی مانند خستگی و فشار زمان است، کاهش دهد. در کار قبلی خود، ما یک معماری شبکه عصبی کانولوشنال اخیر که توسط MASK R-CNN شناخته شده است، برای تشخیص فرورفتگی هواپیما اعمال کرده ایم. MASK-RCNN به این دلیل انتخاب شد که تشخیص چندین شی را در یک تصویر در حالی که همزمان برای هر نمونه یک ماسک تقسیم بندی ایجاد می کند، امکان پذیر می کند. نمرات F-1 و F-2 قبلاً به دست آمده به ترتیب 62.67% و 59.35% بود. این مقاله کار قبلی را با استفاده از تکنیک‌های مختلف برای بهبود و ارزیابی عملکرد پیش‌بینی به صورت تجربی گسترش می‌دهد. این رویکرد شامل (1) متعادل کردن مجموعه داده اصلی با افزودن تصاویر بدون فرورفتگی است. (2) افزایش همگنی داده ها تنها با تمرکز بر تصاویر بال. (3) بررسی پتانسیل سه تکنیک تقویت در بهبود عملکرد مدل یعنی چرخش، چرخش و تاری. و (4) استفاده از یک پیش طبقه بندی کننده در ترکیب با MASK R-CNN. نتایج نشان می‌دهد که یک رویکرد ترکیبی ترکیبی از MASK R-CNN و تکنیک‌های تقویت منجر به بهبود عملکرد با امتیاز F-1 (67.50٪) و امتیاز F-2 (66.37٪) می‌شود.

DOI 10.3390/aerospace7120171

Cilt 7