Нейросетевая система лазерной диагностики элементов остекления кабин самолетов

Оценка технического состояния элементов остекления кабин самолетов оперативно-тактической авиации по-прежнему остается наиболее важной задачей в обеспечении безопасности полетов. Для повышения оперативности операций по неразрушающему контролю элементов остекления с использованием метода спекл-структур оптического излучения предлагается использовать нейросетевые технологии для автоматического определения контролируемых участков на кабине самолета. Для реализации данной задачи были использованы технологии искусственного интеллекта, основанные на алгоритмах семантической сегментации, классификации и обнаружения контролируемых участков по установленным маркерам на кабине за счет применения сверточной нейросети на архитектуре YOLOv8. Применение технологий машинного зрения позволило в реальном масштабе времени осуществлять измерение величины выхода остекления из заделки при создании избыточного давления внутри кабины и тем самым сократить время на оценку технического состояния не менее чем в 10 раз. Установлена причина расхождения результатов применения метода спекл-структур оптического излучения при определении величины выхода остекления из заделки с «ленточным» методом, выработаны рекомендации для снижения погрешностей измерений.

1. Ариничев И. В. Семантическая сегментация ржавчин и пятнистостей пшеницы / И. В. Ариничев, С. В. Полянских, И. В. Ариничева // Компьютерная оптика. 2023. Том 47. № 1. С. 118-125. DOI 10.18287/2412-6179-CO-1130.

2. Беликов А. А. EFFICIENTUDET – новая архитектура для семантической сегментации изображения / Наукосфера. 2023. № 4(2). С. 191-198. EDN CSTXOL.

3. Гаврилов Д. А. Исследование применимости сверточной нейронной сети U-Net к задаче сегментации изображений авиационной техники // Компьютерная оптика. 2021. Том 45. № 4. С. 575-579. DOI 10.18287/2412-6179-CO-804.

4. Михалев О. Н. Машинное зрение и распознавание объектов с помощью нейронных сетей // О. Н. Михалев, А. С. Янюшкин // Робототехника и техническая кибернетика. 2022. Т. 10. № 2. С. 113-120. DOI 10.31776/RTCJ.10204.

5. Новые способы акустической диагностики воздушных судов / А. В. Попов [и др.] // Инженер и промышленник сегодня. 2022. № 3(57). С. 48-53.

6. Оценка усталостных повреждений в органическом стекле оптическими методами / А. П. Владимиров, И. С. Каманцев, Н. А. Друкаренко [и др.] / Оптика и спектроскопия. 2019. № 5. С. 870-880. DOI 10.21883/OS.2019.11.48530.165-19.

7. Половинкин А. Е. Управляющая система порогового распознавания объектов с применением искусственного интеллекта на основе нейронной сети YOLO / А. Е. Половинкин, В. В. Белозерских // Высокопроизводительные вычислительные системы и технологии. 2023. Т. 7. № 1. С. 97-105. EDN LCSZRK.

8. Попов А. В. Система оценки прочности конструкций авиационной и ракетно-космической техники на основе метода акустической эмиссии / А. В. Попов, Д. Н. Тесля, А. Б. Комлев // Контроль. Диагностика. 2018. № 8. С. 34-39. DOI 10.14489/td.2018.08.pp.034-039.

9. Преснецов А. М. Разработка программно-аппаратного комплекса для мониторинга производственной деятельности с использованием нейросети YOLOv8 / А. М. Преснецов, А. П. Тюрин // Интеллектуальные системы в производстве. 2023. Т. 21. № 2. С. 140-151. DOI 10.22213/2410-9304-2023-2-140-151.

10. Прокопенко В. В. Применения нейросетевой модели YOLO в рамках задачи детектирования эмоций // Наукосфера. 2023. № 5-2. С. 305-311. EDN JCRBWE.

11. Свидетельство о государственной регистрации программы для ЭВМ № 2023617647 Российская Федерация. Программный модуль определения величины перемещения диффузных объектов по анализу параметров цифровой спекл-фотографии: № 2023616464: заявл. 04.04.2023: опубл. 12.04.2023 / П. В. Павлов, И. С. Лагошный, А. П. Владимиров [и др.]. EDN UBNZVD.

12. Спекл-диагностика элементов остекления кабин воздушных судов из органического стекла / А. П. Владимиров, И. С. Каманцев, Н. А. Друкаренко [и др.] // Авиационная промышленность. 2021. №3-4. С. 97-103. EDN BIRSXH.

13. Степанов А. Р. Аппаратно-программный комплекс спекл-лазерной диагностики элементов остекления кабин самолетов / А. Р. Степанов, П. В. Павлов, А. П. Владимиров // Труды МАИ. 2023. № 129 // [Электронный ресурс]. 2023. – URL: https://trudymai.ru/upload/iblock/23a/ee6elfeedmlwwnbvz9rfxl6h92e7dpg3/23_Stepanov_Pavlov_Vladimirov.pdf?lang=ru&issue=129. DOI 10.34759/trd-2023-129-23 (дата обращения: 27.11.2023).

14. Филичкин С. А. Сравнение эффективности алгоритмов YOLOv5 и YOLOv8 для обнаружения средств индивидуальной защиты человека / С. А. Филичкин, С. В. Вологдин // Интеллектуальные системы в производстве. 2023. Т. 21. № 3. С. 124-131. DOI 10.22213/2410-9304-2023-3-124-131.

15. Terven J. R. A comprehensive review of yolo: from yolov1 to YOLOv8 and beyond. [официальный репозиторий YOLOv8] / J. R. Terven, D. M. Cordova-Esparaza // Under review in ACM Computing Surveys. April 4, 2023 // [Электронный ресурс]. – 2023. URL: https://arxiv.org/pdf/2304.00501v1.pdf (дата обращения: 27 ноября 2023).