Using drones and artificial intelligence to assess damage in aircraft assembly joints

• Autorzy: Krysiak, Marcin , Kubik, Filip

Warianty tytułu

PL

Użycie dronów oraz sztucznej inteligencji w procesie oceny uszkodzeń połączeń montażowych samolotu

• Języki publikacji: EN

Abstrakty

EN

Rapid development of Artificial Intelligence (AI) technologies in recent years has created new opportunities to address the growing challenges in the aviation industry. Machine learning and Deep Learning, particularly through Convolutional Neural Networks (CNNs), have advanced image recognition capabilities, enhancing inspection processes possibilities. This paper explores the integration of AI with drones to improve the precision, efficiency, and speed of inspections of airframe emphasizing the necessity of accurate equipment preparation and precise operational planning. The study demonstrates how AI algorithms can process high-resolution images and sensor data to identify and classify defects. The motivation for this paper is to address the critical need for more efficient inspection methods in aviation, driven by the industry's increasing demand for higher repair process throughput and stringent safety standards.

PL

Szybki rozwój technologii sztucznej inteligencji (SI) w ostatnich latach stworzył nowe możliwości radzenia sobie z rosnącymi wyzwaniami w przemyśle lotniczym. Metody uczenia maszynowego i głębokiego uczenia, szczególnie za pomocą konwolucyjnych sieci neuronowych (CNN), poprawiły zdolności rozpoznawania obrazów, usprawniając możliwości procesów inspekcji. Niniejszy artykuł opisuje propozycję integracji SI z dronami i w celu poprawy precyzji, efektywności i szybkości inspekcji płatowców podkreślając konieczność dokładnego przygotowania sprzętu i precyzyjnego planowania operacji. Tekst omawia przetwarzanie obrazów wysokiej rozdzielczości i danych z czujników, identyfikując i klasyfikując uszkodzenia. Motywacją do omówienia danego tematu jest konieczność opracowania bardziej efektywnych metod inspekcji w lotnictwie, co wynika z rosnącego zapotrzebowania na większą przepustowość procesów napraw i rygorystyczne standardy bezpieczeństwa w branży.

Słowa kluczowe

PL

sztuczna inteligencja; rozpoznawanie obrazów; drony; wykrywanie uszkodzeń

EN

artificial intelligence; image recognition; drones; defects detection

• Czasopismo: Technologia i Automatyzacja Montażu
• Rocznik: 2024
• Tom: nr 2
• Strony: 47--53
• Opis fizyczny: Bibliogr. 26 poz., rys.

Twórcy

autor

Krysiak, Marcin

• The Faculty of Mechanical Engineering and Aeronautics, Rzeszów University of Technology, Powstańców Warszawy 12, 35-959 Rzeszów, Poland,

autor

Kubik, Filip

• The Faculty of Mechanical Engineering and Aeronautics, Rzeszów University of Technology, Powstańców Warszawy 12, 35-959 Rzeszów, Poland

Bibliografia

• Amosov, O. S., Amosova, S. G., & Iochkov, I. O. (2022). Deep Neural Network Recognition of Rivet Joint Defects in Aircraft Products. Sensors, 22(3417). doi:http://doi.org/10.3390/s22093417.
• Andreopoulos, A., & Tsotsos, J. K. (2013). 50 Years of object recognition: Directions forward. Computer Vision and Image Understanding, 827-891. doi:http://doi.org/10. 1016/j.cviu.2013.04.005.
• Bagheri, M., Akbarib, A., & Mirbagheri, S. A. (2019). Advanced control of membrane fouling in filtration systems usingartificial intelligence and machine learning techniques:A critical review. Process Safety and Environmental Protection, 123, 229-252. doi:https://doi. org/10.1016/j.psep.2019.01.01.
• Brandoli, B., Geus, A. R., Souza, J. R., Spadon, G., Soares, A., Jose F. Rodrigues, J., . . . Matwin, S. (2021). Aircraft Fuselage Corrosion Detection Using Artificial Intelligence. Sensors, 21.
• Copeland, B. J., & Proudfoot, D. (2007). Artificial intelligence: History, foundations, and philosophical issues. Philosophy of psychology and cognitive science, 429-482. doi:https://doi.org/10.1016/B978-044451540-7/50032-3.
• Deng, J., Dong, W., Socher, R., Li, L.-J., Li, K., & Fei-Fei, L. (2009). ImageNet: A Large-Scale Hierarchical Image Database. 2009 IEEE Computer Society Conference on Computer Vision and Pattern Recognition, (pp. 248-255). Miami. doi:http://doi.org/10.1109/CVPR.2009.5206848.
• Future of Aviation. https://www.icao.int/Meetings/Future OfAviation/Pages/default.aspx (access: 10.06.2024).
• Garbuno, D. M. The Global Impact Of The Pratt & Whitney Engine Issues. https://simpleflying.com/global-impact-pratt-whitney-engine-issues/ (access: 10.06.2024).
• GROWTH AND FORECAST 2024 - 2043. https://www. grupooneair.com/analysis-global-growth-commercial-aviation/ (access: 10.06.2024).
• Hinton, G. E., Osindero, S., & Teh, Y.-W. (2006). A Fast Learning Algorithm for Deep Belief Nets. Neural Computation, 18, 1527-1554.
• Javidi, B. (2002). Image Recognition and Classification: Algorithms, Systems, and Applications. New York: Marcel Dekker.
• Kaartinen, E., Dunphy, K., & Sadhu, A. (2022). LiDAR-Based Structural Health Monitoring: Applications in Civil Infrastructure Systems. Sensors 2022, 22. doi:https://doi.org/10.3390/s22124610.
• Kaushikkumar, P. (2024). Ethical Reflections on Data-Centric AI: Balancing Benefits and Risks. International Journal of Artificial Intelligence Research and Development, 2(1), 1-17.
• Kuittinen, M. (2024). Exploring the Effects of Artificial Intelligence Capabilities on Firm Performance. Kuopio: University of Eastern Finland, Faculty of Social Sciences and Business, Department of Business.
• LeCun, Y., Bottou, L., Bengio, Y., & Haffne, P. (1998). Gradient-Based Learning Applied to Document Recognition. Proceedings of the IEEE, 2278-2324. doi: https://doi.org/10.1109/5.726791.
• Long, J., Shelhamer, E., & Darrell, T. (2015). Fully Convolutional Networks for Semantic Segmentation. 2015 IEEE Conference on Computer Vision and Pattern Recognition, (pp. 3431-3440). Boston. doi:http://doi. org/10.1109/CVPR.2015.7298965.
• Milson, S., & Bruce, A. (2024). The Intelligent Data Era: How AI is Shaping the Future of Big Data. EasyChair Preprint no. 11896.
• National Transport Safety Board. (2024). Aviation Investigation Preliminary Report - Accident Number: DCA24MA063.
• Nex, F., & Remondino, F. (2014). UAV for 3D mapping applications: A review. Applied Geomatics, 6. doi:http://doi.org/10.1007/s12518-013-0120-x.
• Pargieła, K. (2023). Optimising UAV Data Acquisition and Processing for Photogrammetry: A Review. GEOMATICS AND ENVIRONMENTAL ENGINEERING, 17(3), pp. 29-59. doi:https://doi.org/10.7494/geom.2023.17.3.29.
• Sun, H., Yan, H., Hassanalian, M., Zhang, J., & Abdelkef, A. (2023). UAV Platforms for Data Acquisition and Intervention Practices in Forestry: Towards More Intelligent Applications. Aerospace. doi:https://doi.org/10.3390/aerospace10030317.
• Yao, H., Qin, R., & Chen, X. (2019). Unmanned Aerial Vehicle for Remote Sensing Applications - A Review. Remote Sens, 11. doi:https://doi.org/10.3390/rs11121443.
• Zachariah, R. A., Sharma, S., & Kumar, V. (2023). Systematic review of passenger demand forecasting in aviation industry. Multimedia Tools and Applications, 1-37. doi:https://doi.org/10.1007/s11042-023-15552-1.
• Zhao, H., Xi, J., Zheng, K., Shi, Z., Lin, J., Nikbin, K., . . . Wang, B. (2020). A review on solid riveting techniques in aircraft assembling. Manufacturing Review, 7(40).
• Zuchniak, K., Dzwiniel, W., Majerz, E., Pasternak, A., & Dragan, K. (2021). Corrosion detection on aircraft fuselage with multi-teacher knowledge distillation. Computational Science - ICCS 2021.
• Zwęgliński, T. (2020). The Use of Drones in Disaster Aerial Needs Reconnaissance and Damage Assessment - Three-Dimensional Modeling and Orthophoto Map Study. Sustainability, 12. doi:http://doi.org/10.3390/su12156080.

Identyfikatory

DOI

10.7862/tiam.2024.2.6