Представлен проект по развитию машинного обучения в области проверки поверхности воздушных судов
Проверки поверхности воздушного судна являются важнейшим и обязательным компонентом летной годности, в ходе которых используются визуальные и цифровые проверки для выявления мельчайших повреждений, износа или неисправностей.
Эти проблемы актуальны для любой юрисдикции, и не в последнюю очередь для такого центра обслуживания воздушных судов, как Сингапур . Для доцента Южно-Манского университета Пана Гуансуна они также создают постоянные трудности, которые он стремится преодолеть в своём новейшем передовом проекте по совершенствованию искусственного интеллекта, дополняющего эту задачу.
Проект под названием «Использование базовых моделей для проверки поверхности воздушных судов в открытых средах» решает три основные проблемы машинного обучения: отсутствие прецедентов реальных дефектов, необходимых для адекватного обучения системы искусственного интеллекта; отсутствие стандартизированного или полного списка типов дефектов; и аномалия, когда дефекты имеют тенденцию выглядеть по-разному при разном освещении и погодных условиях.
Цель проекта? Повышение безопасности полётов при снижении затрат на техническое обслуживание. Как отмечалось в исследовательском предложении профессора Пана, «решения проекта помогут… повысить эффективность инспекций в сложных условиях практического применения».
Проект использует знания из современных больших моделей визуального языка (LVLM), «которые предварительно обучены на данных в масштабе Интернета, чтобы помочь системе обнаруживать дефекты, независимо от того, есть ли у нас демонстрация типов дефектов».
«Эти методы также смогут адаптироваться к изменяющимся условиям, то есть, если условия проверки изменятся, например, изменится освещение или появятся новые типы камер, система автоматически настроится и продолжит работать без необходимости повторного обучения», — рассказал профессор Панг Управлению по управлению научными исследованиями и администрированию (ORGA).
Как правило, LVLM представляют собой продвинутые системы искусственного интеллекта, запрограммированные на понимание и обоснование изображений и текста, расположенных рядом. Другими словами, это позволяет системе «видеть» и «читать» одновременно.
Профессор Пан продолжил, что существующие в отрасли решения в большей степени ориентированы на методы сканирования. Они могут эффективно обнаруживать дефекты, похожие на ранее выявленные, но не в случае, если эти дефекты являются новыми для системы.
«Предлагаемые в нашем проекте методы значительно расширят возможности проверки типов дефектов, которые не видны в обучающих данных и/или демонстрируют изменяющийся внешний вид дефектов из-за изменений в естественных условиях», — сказал он.
Исследование проводится совместно с коллегами Джейми Нг и Джоуи Чжоу, старшими научными сотрудниками A*STAR, под руководством профессора Лим И-Пэна, директора по ИИ и науке о данных в Южном методистском университете.
Три проекта в одном
Проект, который сейчас находится в стадии реализации, разделён на три части, каждая из которых представляет собой отдельный мини-проект, направленный на решение трёх выявленных проблем инспекции воздушных судов в открытой среде. Первая часть направлена на то, чтобы помочь действующим LVLM распознавать дефекты, даже если им не предоставлено достаточно примеров и демонстраций.
Профессор Панг признал, что ирония заключается в том, что такие LVLM, которые обучаются с помощью больших наборов изображений и текста, не столь эффективны при работе с небольшим количеством (скажем, всего 5–10) дефектных изображений без текста.
Как указано в предложении, это первое в своём роде исследование, направленное на адаптацию существующей способности LVLM-модулей к обнаружению дефектов в пределах небольшой целевой области. Это, в свою очередь, повысит способность LVLM, например, отличать ложные срабатывания от реальных дефектов, говорится в заявлении.
Второй мини-проект посвящен тому факту, что недостатки, которые обучают распознавать LVLM, «иллюстрируют лишь неполное представление всех типов дефектов».
Целью данной работы является обучение ИИ распознавать закономерности на обычных изображениях самолёта и сравнивать их с немного изменёнными изображениями и изображениями реальных дефектов. Это позволит технологии лучше различать нормальные поверхности и дефектные, а также избегать случаев ошибочной классификации новых дефектов как нормальных.
Профессор Панг пояснил, что третий этап направлен на «использование контекстных изображений для мгновенной адаптации моделей к текущим условиям технического обслуживания». Это крайне важно, поскольку модели обнаружения на основе LVLM, разработанные в первых двух этапах проекта, могут дать сбой, если какой-либо этап технического обслуживания воздушного судна — тип воздушного судна, условия освещения и т. д. — изменится в зависимости от окружающей среды. Таким образом, третий этап направлен на обеспечение контекста для этих моделей.
Вдохновленный программой A*STAR по интеллектуальной автоматизированной системе визуального осмотра воздушных судов, которую возглавляет соавтор проекта доктор Нг, профессор Панг также заинтересовался этой темой в связи с недавними публичными исследованиями, которые продемонстрировали быстрое улучшение эффективности обнаружения дефектов.
Эти факторы в сочетании с его опытом в обнаружении аномалий заложили «прочную основу» для проекта.
«В ходе наших предыдущих исследований мы достигли высоких результатов как в использовании крупных моделей машинного зрения, так и в обнаружении дефектов», — заявил учёный, добавив, что он «весьма уверен» в достижении предложенных проектом целей.
Повышение безопасности в многомиллиардной отрасли
Поскольку прогнозируется рост мирового рынка инспекций поверхности воздушных судов с 4 млрд долларов США в 2023 году до 8 млрд долларов США к 2032 году, ожидается, что такие исследования внесут дополнительный вклад в решение вопросов безопасности полетов благодаря использованию более совершенных технологий, таких как интеллектуальные камеры, современные процессоры обработки изображений и роботы.
Хотя проект сосредоточен на двумерных изображениях, будущие исследования могут быть основаны на них, включая и интегрируя различные изображения, продолжил учёный. «Внедрение дополнительных модальных данных… в модели поможет ещё больше повысить точность обнаружения и расширить области применения», — сказал он.
«Техническое обслуживание промышленного оборудования имеет решающее значение для интеллектуальной промышленности или промышленности 4.0», — сказал профессор Пан.
«Мы с нетерпением ждём создания базовых моделей, которые смогут обеспечить контроль качества не только при техническом обслуживании самолётов, но и широкого спектра других объектов/материалов/изделий».
При наличии подходящей возможности эксперт в области искусственного интеллекта и науки о данных «очень заинтересован» в сотрудничестве как с государственными учреждениями, так и с отраслевыми партнёрами с целью «разработки решений для проверки дефектов в различных реальных сценариях».
Профессор Пан, которому, по его собственному признанию, «не повезло» играть с клавиатурой или компьютером, не жалеет о своих силах с тех пор, как на втором курсе бакалавриата попробовал свои силы в практическом проекте по анализу данных . С тех пор он посвятил своей дисциплине более десяти лет.
«Движущей силой… является мой огромный интерес к созданию обучающихся машин, которые помогут решать сложные проблемы общества», — сказал он.
Автор Игорь Савин
Контакты, администрация и авторы
