Projet pour augmenter l'apprentissage automatique dans les inspections de surface des avions
Les inspections de surface des avions sont une composante critique et obligatoire de la navigabilité qui utilise des vérifications visuelles et numériques pour repérer les dégâts, l'usure ou le dysfonctionnement.
Ce sont des problèmes de poids dans toute juridiction, notamment un centre d'entretien d'avions comme Singapour. Pour le professeur adjoint SMU Pang Guansong, ils portent également des défis persistants qu'il vise à surmonter avec son dernier projet de pointe visant à améliorer l'intelligence artificielle augmentant la tâche.
Le projet, intitulé «Tiration des modèles de fondation pour l'inspection de la surface des avions dans des environnements ouverts», aborde trois principales problèmes d'apprentissage automatique: un manque de précédents de défauts réels nécessaires pour former adéquatement un système d'IA; le manque d'une liste standardisée ou complète des types de défauts; et l'anomalie des défauts tendant à sembler différente dans différentes conditions d'éclairage et météorologiques.
L'objectif du projet? Encore plus sûr de voler à des coûts d'entretien inférieurs. Comme l'a noté la proposition de recherche du professeur Pang, les «solutions du projet aideront… améliorer les performances d'inspection dans des environnements d'application pratiques sophistiqués».
Le projet utilise les connaissances à partir de grands modèles de vision actuels (LVLMS) « qui sont pré-entraînés sur les données à l'échelle d'Internet pour aider le système à repérer les défauts, que nous ayons des démonstrations des types de défauts ».
« Les techniques seront également en mesure de s'adapter aux conditions changeantes, c'est-à-dire que si les conditions d'inspection changent – comme des types d'éclairage ou de nouveaux caméras différents – le système s'ajuste afin qu'il fonctionne toujours bien sans tout recycler », a déclaré le professeur Pang au Bureau de la gouvernance et de l'administration de la recherche (Orga).
Généralement, les LVLM sont des systèmes AI avancés programmés pour comprendre et fournir un raisonnement aux images et au texte qui sont placés ensemble. En d'autres termes, il permet à un système de «voir» et de «lire» en même temps.
Les solutions existantes dans l'industrie se concentrent davantage sur les techniques de numérisation, a poursuivi le professeur Pang. Ceux-ci peuvent bien fonctionner dans la détection de défauts similaires aux défauts précédemment enregistrés, mais pas si les défauts sont nouveaux dans le système.
« Les techniques proposées [in our project] prolongera largement les capacités d'inspecter les types de défauts qui ne sont pas observés dans les données de formation et / ou présentent une apparence de défaut de change en raison de changements dans les conditions naturelles « , a-t-il déclaré.
La recherche est effectuée conjointement avec les collaborateurs Jamie Ng et Joey Zhou, tous deux scientifiques principaux en A * Star, avec le mentorat du professeur Lim Ee-Peng, directeur de l'IA et des sciences des données chez SMU.
Trois projets en un
Désormais bien en cours, le projet est divisé en trois parties, chacun un mini-projet qui lui est propre qui relève les trois défis identifiés de l'inspection des avions dans des environnements ouverts. La première partie vise à permettre aux LVLM existants de reconnaître les défauts même lorsqu'ils n'ont pas eu grand-chose à faire en termes d'exemples et de démonstrations.
L'ironie ici, a reconnu le professeur Pang, est que de tels LVLM – qui sont formés avec des ensembles massifs d'images et de texte – ne sont pas aussi efficaces pour travailler avec un petit nombre d'images de défaut « dire seulement cinq à 10 », sans texte.
Au fur et à mesure que sa proposition définit, il s'agit de la première recherche de ce genre pour adapter la capacité de reconnaissance actuelle des LVLM à apprendre les défauts dans une petite zone ciblée. Cela améliorera ensuite la capacité d'un LVLMS, par exemple, à distinguer les faux positifs des défauts réels, dit-il.
Le deuxième mini-projet traite ensuite du fait que les défauts que les LVLM sont formés pour reconnaître « illustrer uniquement une vue incomplète de tous les types de défauts ».
Ici, l'objectif est de former l'IA à reconnaître les modèles dans les images d'aéronefs normaux et de les comparer à des images légèrement modifiées et à des images de défauts réels. Cela permettra à la technologie de mieux distinguer les surfaces normales et les imparfaits, et éviter les incidents où il a mal classé les nouveaux défauts comme d'habitude.
La troisième phase, a expliqué le professeur Pang, vise à « utiliser des images en contexte pour adapter instantanément les modèles aux scènes de maintenance en cours ». Ceci est crucial car les modèles de détection basés sur le LVLM des deux premières phases du projet peuvent échouer lorsque toute partie du processus de maintenance des avions – types d'aération, conditions d'éclairage, etc. – Varies avec l'environnement. Cette troisième partie cherche donc à fournir un contexte à ces modèles.
Inspiré par le programme Smart Aircraft Visual Inspection System de * Star d'un * Star, dirigé par le collaborateur de projet, le Dr Ng, l'intérêt du professeur Pang pour le sujet a également été piqué par des recherches publiques récentes qui ont montré une amélioration rapide des performances de détection des défauts.
Ces facteurs, couplés à son expertise dans la détection des anomalies, ont jeté « une base solide » pour le projet.
« Dans nos recherches antérieures, nous avons établi de solides compétences dans l'utilisation de modèles de vision importants et de détection des défauts », a déclaré l'académique, ajoutant qu'il était « très confiant » de frapper des objectifs de projet proposés.
Avocation de l'impact de la sécurité dans une industrie d'un milliard de dollars
Avec le marché mondial des inspections de surface des avions qui devraient passer de 4 milliards de dollars américains en 2023 à 8 milliards de dollars américains d'ici 2032, de telles recherches devraient profiter davantage des problèmes de sécurité aérienne sur le dos de meilleures technologies telles que les caméras intelligentes, les processeurs d'image avancés et les robots.
Bien que le projet se concentre sur des images bidimensionnelles, les recherches futures peuvent s'appuyer sur elles en introduisant et en intégrant une variété d'images, a poursuivi l'académique. L'apport « plus d'entrée de modalité… dans les modèles aidera à améliorer encore la précision de détection et à étendre les scénarios d'application », a-t-il déclaré.
« La maintenance industrielle est d'une importance centrale pour l'industrie intelligente ou l'industrie 4.0 », a déclaré le professeur Pang.
« Nous sommes impatients de créer des modèles de fondation qui peuvent prendre en charge le contrôle de la qualité non seulement dans la maintenance des avions, mais aussi une large gamme d'autres objets / matériaux / produits. »
Compte tenu de la bonne opportunité, l'IA et l'expert en science des données sont « très désireux » de travailler avec les agences gouvernementales et les partenaires de l'industrie pour « développer des solutions pour l'inspection des défauts dans divers scénarios du monde réel ».
Pour un enfant qui, de son propre aveu, « n'a pas eu la chance » de jouer avec des claviers ou des ordinateurs, le professeur Pang n'a pas regardé en arrière depuis qu'il a mouillé son bec dans un projet de données de données pratique dans sa deuxième année d'étude de premier cycle. Il s'est depuis consacré à sa discipline choisie depuis plus d'une décennie.
« Le moteur… est mon fort intérêt à faire des machines d'apprentissage qui aident à résoudre des problèmes difficiles dans la société », a-t-il déclaré.
