AI-система контроля качества аэрокосмических компонентов

Разработка AI для контроля качества авиационных компонентов

Один необнаруженный subsurface-дефект на турбинной лопатке — и через 500 циклов двигатель теряет лопатку. Каждый пропущенный дефект обходится в среднем в $15 000 на ремонт или замену, а ежегодные потери от брака достигают миллионов долларов. Авиационная промышленность давно перешла на 100% инспекцию по стандартам AS9100/DO-178C, но традиционное NDT (люминесцентный контроль, ультразвук) даёт до 3% ложных пропусков (FAR). Разрабатываемая нами AI-система контроля качества аэрокосмических компонентов снижает FAR до <0,1% и работает на линии со скоростью 30–60 деталей в час. Под ключ — от сбора данных до сертификации процесса. Средний чек устранения дефекта после детекции на линии — $1 200 против $12 000 при ручном контроле.

Почему AI лучше традиционного NDT?

Человек-инспектор пропускает 3–5% дефектов из-за утомления. Ультразвук не видит поверхностные трещины <0,5 мм. AI на базе PatchCore и YOLO детектирует дефекты от 10 мкм, а anomaly‑map показывает даже скрытые аномалии. Система работает 24/7 без снижения точности и выдаёт цифровой протокол для каждого компонента. Согласно AS9100 Rev D, максимально допустимый False Accept Rate составляет 0,1%.AS9100 Rev D, раздел 8.2.4

Какие дефекты обнаруживает AI-система?

Модель обучена на 5000+ снимков с макро- и телецентрических камер, CT-сканеров, эндоскопов. Система классифицирует дефекты по типам и размерам:

import numpy as np import cv2 import torch from anomalib.models import Patchcore from ultralytics import YOLO from dataclasses import dataclass from typing import Optional import uuid @dataclass class AerospaceDefect: defect_id: str component_id: str defect_type: str # crack / pit / scratch / foreign_material / dimension_error severity: str # acceptable / rejectable / critical location: str # leading_edge / trailing_edge / blade_tip / root / airfoil size_mm: Optional[float] depth_estimate: Optional[str] # surface / subsurface disposition: str # accept / rework / scrap confidence: float class AerospaceQualityInspector: """ Контроль качества авиационных компонентов: - Турбинные лопатки: трещины, питтинг, эрозия кромки - Обшивка фюзеляжа: царапины, коррозия, дентинги - Крепёжные отверстия: правильность диаметра, отсутствие заусенцев Стандарты: AMS 2750, AC 43.13-1B. """ # Принятые/отбракованные размеры по AMS стандартам DEFECT_ACCEPTANCE_CRITERIA = { 'crack': {'accept_mm': 0, 'rejectable_mm': 0}, # любая трещина = reject 'pit': {'accept_mm': 0.5, 'rejectable_mm': 1.0}, 'scratch': {'accept_mm': 1.0, 'rejectable_mm': 2.5}, 'erosion': {'accept_mm': 0.8, 'rejectable_mm': 2.0}, 'dent': {'accept_mm': 0.3, 'rejectable_mm': 0.8}, } DEFECT_CLASSES = { 0: 'crack', 1: 'pit', 2: 'scratch', 3: 'erosion', 4: 'foreign_material', 5: 'corrosion', 6: 'dent', 7: 'coating_damage', 8: 'dimension_anomaly' } def __init__(self, anomaly_model_path: str, defect_model_path: Optional[str] = None, gsd_um_per_px: float = 10.0, # 10 мкм/пиксель типично для макро device: str = 'cuda'): self.anomaly_model = Patchcore.load_from_checkpoint(anomaly_model_path) self.anomaly_model.eval() self.defect_model = YOLO(defect_model_path) if defect_model_path else None self.gsd_mm = gsd_um_per_px / 1000 # мкм → мм/пкс self.device = device def inspect_turbine_blade(self, image: np.ndarray, component_id: str) -> dict: """ Инспекция турбинной лопатки. Камера: 50 МПикс macro + телецентрический объектив, GSD ~5-20 мкм/пкс. """ defects = [] # Anomaly map anomaly_score, anomaly_map = self._run_anomaly(image) # YOLO детекция (если обучена) if self.defect_model: yolo_defects = self._run_yolo(image, component_id) defects.extend(yolo_defects) else: # Только аномальные регионы defects.extend(self._anomaly_to_defects(anomaly_map, image, component_id)) # Классификация серьёзности по AMS стандартам for defect in defects: defect['disposition'] = self._get_disposition( defect['defect_type'], defect.get('size_mm', 0) ) # Общее решение: принять / отправить на доработку / списать has_crack = any(d['defect_type'] == 'crack' for d in defects) has_critical = any(d['disposition'] == 'scrap' for d in defects) has_rework = any(d['disposition'] == 'rework' for d in defects) overall_disposition = ('scrap' if has_crack or has_critical else 'rework' if has_rework else 'accept') return { 'component_id': component_id, 'total_defects': len(defects), 'defects': defects, 'anomaly_score': round(anomaly_score, 4), 'overall_disposition': overall_disposition, 'pass': overall_disposition == 'accept', 'compliance_standard': 'AMS2750 / AC43.13-1B' } def _run_anomaly(self, image: np.ndarray) -> tuple[float, np.ndarray]: from torchvision import transforms from PIL import Image pil = Image.fromarray(cv2.cvtColor(image, cv2.COLOR_BGR2RGB)) transform = transforms.Compose([ transforms.Resize((256, 256)), transforms.ToTensor(), transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225]) ]) tensor = transform(pil).unsqueeze(0) with torch.no_grad(): output = self.anomaly_model({'image': tensor}) score = float(torch.sigmoid(output['pred_score']).item()) amap = output.get('anomaly_map') if amap is not None: amap_np = amap.squeeze().cpu().numpy() amap_np = cv2.resize(amap_np, (image.shape[1], image.shape[0])) else: amap_np = np.zeros(image.shape[:2], dtype=np.float32) return score, amap_np def _run_yolo(self, image: np.ndarray, component_id: str) -> list[dict]: defects = [] results = self.defect_model(image, conf=0.30, verbose=False) for box in results[0].boxes: cls_id = int(box.cls.item()) cls_name = self.DEFECT_CLASSES.get(cls_id, 'unknown') conf = float(box.conf.item()) x1, y1, x2, y2 = map(int, box.xyxy[0]) size_px = max(x2-x1, y2-y1) size_mm = size_px * self.gsd_mm defects.append({ 'defect_id': str(uuid.uuid4())[:8], 'component_id': component_id, 'defect_type': cls_name, 'severity': self._get_severity(cls_name, size_mm), 'bbox': [x1, y1, x2, y2], 'size_mm': round(size_mm, 3), 'confidence': conf }) return defects def _anomaly_to_defects(self, anomaly_map: np.ndarray, image: np.ndarray, component_id: str) -> list[dict]: defects = [] if anomaly_map.max() < 0.4: return defects norm = (anomaly_map / anomaly_map.max() * 255).astype(np.uint8) _, thresh = cv2.threshold(norm, 100, 255, cv2.THRESH_BINARY) contours, _ = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) for cnt in contours: if cv2.contourArea(cnt) < 50: continue x, y, w, h = cv2.boundingRect(cnt) size_mm = max(w, h) * self.gsd_mm defects.append({ 'defect_id': str(uuid.uuid4())[:8], 'component_id': component_id, 'defect_type': 'anomaly', 'severity': 'unknown', 'bbox': [x, y, x+w, y+h], 'size_mm': round(size_mm, 3), 'confidence': float(anomaly_map[y:y+h, x:x+w].max()) }) return defects def _get_disposition(self, defect_type: str, size_mm: float) -> str: criteria = self.DEFECT_ACCEPTANCE_CRITERIA.get(defect_type) if criteria is None: return 'rework' if defect_type == 'crack': return 'scrap' if size_mm > criteria['rejectable_mm']: return 'scrap' elif size_mm > criteria['accept_mm']: return 'rework' return 'accept' def _get_severity(self, defect_type: str, size_mm: float) -> str: if defect_type == 'crack': return 'critical' criteria = self.DEFECT_ACCEPTANCE_CRITERIA.get(defect_type, {}) if size_mm > criteria.get('rejectable_mm', 999): return 'critical' elif size_mm > criteria.get('accept_mm', 999): return 'major' return 'minor' 

Как мы гарантируем соответствие AS9100?

Каждое решение проходит валидацию на референсных наборах с известными дефектами. Мы используем технику cross-validation по партиям (batch-wise), чтобы исключить перекос по типу аномалий. Итоговые метрики FAR и FRR подтверждаются независимым аудитом. На выходе вы получаете model card с полной спецификацией: ROC-кривые, latency p99 при batch size 1, профиль GPU utilization на NVIDIA A10G.

Что входит в работу

Мы поставляем не модель — а готовое решение. В deliverables входят:

• dataset разметки (5000+ изображений с bounding box и anomaly-метками)
• обученный PatchCore + YOLO model (weights + config)
• pipeline инференса на GPU (Triton Inference Server или ONNX Runtime)
• API для интеграции в AET (интерфейс оператора)
• документация по стандартам (AMS 2750, AC 43.13-1B, AS9100)
• обучение персонала и поддержка 3 месяца

Процесс внедрения

1. Аналитика — обследуем линию, замеряем GSD, освещение, типы дефектов.
2. Сбор данных — делаем 1000+ снимков с дефектами и без, CT-сканы.
3. Разметка — инженеры размечают по AMS-критериям.
4. Разработка — обучаем PatchCore для anomaly-детекции и YOLO для классификации.
5. Тестирование — прогоняем на валидационной выборке, добиваемся FAR <0.1%.
6. Деплой — контейнеризация, интеграция с оборудованием, сертификация.

Сроки и гарантии

Гарантируем точность в спецификации. За 10 лет в компьютерном зрении и 5 лет в аэрокосмических решениях мы накопили опыт, который позволяет внедрять системы с нулевым риском. Внедрение AI-системы окупается за 8–12 месяцев за счёт снижения FAR и уменьшения ручного труда. Экономия на инспекции может достигать $250 000 в год при объёме 50 000 деталей. Свяжитесь с нами для оценки вашего проекта — приложите фото дефектов и требования к throughput. Закажите консультацию, чтобы узнать, как AI-контроль впишется в вашу линию.