Damage detection in aircraft engine borescope inspection using deep learning

Uçak motorlarının muayenesi motorun uçuşa elverişlilik için gerekli standardların sağlanmasını garanti etmesi sebebiyle uçuş güvenliğinin temel direklerinden biri sayılır. Ayrıca uçakların değerinin korunmasında da hayati bir öneme sahiptir. Baroskop ile muayene, günümüzde uçak motoru muayenelerinde en sık kullanılan görsel muayene yöntemidir. Ancak baroskopik muayenenin başarısı muayeneyi yapan denetimcilerin tecrübesine ve o anki konstanstrasyonlarına oldukça bağlı, zaman alan, sübjektif ve karmaşık bir işlemdir. Diğer yandan, havayolu şirketleri ve bakım, onarım merkezlerinin tasarruf tedbirleri denetimciler üzerinde baskı ve iş yükü oluşturmaktadır. Bu sebeplerden dolayı, insan faktöründen kaynaklı potansiyel riskleri en aza indirmek için baroskopik incelemelerde hasar tespitine destek olacak otomatik hasar tespit sistemlerine ihtiyaç vardır. Derin öğrenme son 10-15 yıl içerisinde farklı disiplinlerde çok geniş kullanım alanı bulmuş ve özellikle görüntü tanıma alanında oldukça başarılı sonuçlar vermiştir. Bu çalışmada, uçak motorlarının baroskopik incelemelerinden elde edilmiş fotoğraflardan otomatik hasar tespiti yapan, derin öğrenmeye dayalı bir sistem önermekteyiz. Sistem, Faster R-CNN mimarisine dayalı ve Inception v2 öznitelik çıkarıcıya sahip bir model kullanmaktadır. Veri miktarının yetersizliğinden dolayı çalışmada veri çoğaltma ve diğer aşırı uyum önleme yöntemleri kullanılmıştır. Önerilen sistem turbofan motorların her bölümünde çatlak, çentik, oyuk ve yanık hasar türleri tespitini desteklemektedir. Sistem sahadan elde edilmiş, orta ve yüksek seviye karmaşıklıkta görüntülerle eğitilmiş ve test edilmiştir. Önerilen sistem çentik, oyuk hasar sınıfı için %92.05, çatlak için %92.64 ve yanık hasar sınıfı için %81.14 ortalama hassasiyet (doğruluk) değerlerine erişmiştir. Sistemin genel ortalama hassasiyeti ise %88.61'e ulaşmıştır.