Yazar
Doğru, Anıl, Bouarfa, S., Arizar, R., Aydoğan, Reyhan
Basım Tarihi
2020-12
Basım Yeri
-
MDPI
Konu
Uçak bakım denetimi, Anormallik tespiti, Kusur denetimi, Evrişimli sinir ağları, Maske R-CNN, Üretken rakip ağlar, Görüntü büyütme
Tür
Süreli Yayın
Dil
İngilizce
Dijital
Evet
Yazma
Hayır
Kütüphane
Özyeğin Üniversitesi
Demirbaş Numarası
2226-4310
Kayıt Numarası
31456c59-ea24-403f-91e3-e0fc2b008ef9
Lokasyon
Bilgisayar Bilimi
Tarih
2020-12
Örnek Metin
Otonom dronlarla birleştirilmiş Evrişimsel Sinir Ağları, giderek artan oranda, uçak bakım görsel inceleme sürecini kısmen otomatikleştirmeyi mümkün kılan unsurlar olarak görülüyor. Böyle yenilikçi bir konseptin uçak operasyonları üzerinde önemli bir etkisi olabilir. Destekleyici uçak bakım mühendisleri çok çeşitli kusurları tespit edip sınıflandırsa da, inceleme için harcanan süre önemli ölçüde azaltılabilir. Otomatik olarak tespit edilebilecek kusur örnekleri arasında uçaktaki ezikler, boya kusurları, çatlaklar ve delikler ve yıldırım çarpması hasarı yer alır. Ek olarak bu konsept, hasar tespitinin doğruluğunu da artırabilir ve yorgunluk ve zaman baskısı gibi insan faktörleriyle ilgili uçak muayene olaylarının sayısını azaltabilir. Önceki çalışmamızda, uçak göçüklerini tespit etmek için MASK R-CNN tarafından bilinen yeni bir Evrişimli Sinir Ağı mimarisini uyguladık. MASK-RCNN, bir görüntüdeki birden fazla nesnenin algılanmasına olanak tanırken aynı anda her örnek için bir segmentasyon maskesi oluşturması nedeniyle seçildi. Daha önce elde edilen F-1 ve F-2 puanları sırasıyla %62,67 ve %59,35 idi. Bu makale, tahmin performansını deneysel olarak geliştirmek ve değerlendirmek için farklı teknikler uygulayarak önceki çalışmayı genişletmektedir. Yaklaşımın kullanım alanları şunları içerir: (1) Orijinal veri kümesini, eziksiz görüntüler ekleyerek dengelemek; (2) Yalnızca kanat görüntülerine odaklanılarak veri homojenliğinin artırılması; (3) Model performansını iyileştirmede üç büyütme tekniğinin (çevirme, döndürme ve bulanıklaştırma) potansiyelinin araştırılması; ve (4) MASK R-CNN ile birlikte bir ön sınıflandırıcının kullanılması. Sonuçlar, MASK R-CNN ve güçlendirme tekniklerini birleştiren hibrit bir yaklaşımın, F-1 puanı (%67,50) ve F-2 puanı (%66,37) ile gelişmiş bir performansa yol açtığını göstermektedir.
DOI
10.3390/aerospace7120171
Cilt
7
