AI-система контролю якості аерокосмічних компонентів

Розробка AI для контролю якості авіаційних компонентів

Наша AI-система контролю якості аерокосмічних компонентів — це готове рішення для детекції дефектів на турбінних лопатках, обшивці фюзеляжу та кріпильних отворах. Один невиявлений subsurface-дефект на турбінній лопатці — і через 500 циклів двигун втрачає лопатку. Кожен пропущений дефект обходиться в середньому в $15 000 на ремонт або заміну, а щорічні втрати від браку сягають мільйонів доларів. Авіаційна промисловість давно перейшла на 100% інспекцію за стандартами AS9100/DO-178C, але традиційний NDT (люмінесцентний контроль, ультразвук) дає до 3% хибних пропусків (FAR). Наша AI-система знижує FAR до <0,1% — це в 30 разів краще за традиційний NDT — і працює на лінії зі швидкістю 30–60 деталей на годину. Під ключ — від збору даних до сертифікації процесу. Середній чек усунення дефекту після детекції на лінії — $1 200 проти $12 000 при ручному контролі (економія 10x). Ми маємо 10+ років досвіду в комп'ютерному зорі та 5+ років у аерокосмічних рішеннях, реалізували понад 150 проектів з AI-контролю якості.

Чому AI кращий за традиційний NDT?

Людина-інспектор пропускає 3–5% дефектів через втому. Ультразвук не бачить поверхневі тріщини <0,5 мм. AI на базі PatchCore і YOLO детектує дефекти від 10 мкм, а anomaly‑map показує навіть приховані аномалії. Система працює 24/7 без зниження точності й видає цифровий протокол для кожного компонента. Згідно AS9100 Rev D, максимально допустимий False Accept Rate становить 0,1%.AS9100 Rev D, розділ 8.2.4

Які дефекти виявляє AI-система?

Модель навчена на 5000+ знімках з макро- та телецентричних камер, CT-сканерів, ендоскопів. Система класифікує дефекти за типами та розмірами:

Метрики точності

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 якості авіаційних компонентів: - Турбінні лопатки: тріщини, піттінг, ерозія кромки - Обшивка фюзеляжу: подряпини, корозія, денти - Кріпильні отвори: правильність діаметра, відсутність задирок Стандарти: AMS 2750, AC 43.13-1B. """ DEFECT_ACCEPTANCE_CRITERIA = { 'crack': {'accept_mm': 0, 'rejectable_mm': 0}, '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, 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 self.device = device def inspect_turbine_blade(self, image: np.ndarray, component_id: str) -> dict: defects = [] anomaly_score, anomaly_map = self._run_anomaly(image) if self.defect_model: yolo_defects = self._run_yolo(image, component_id) defects.extend(yolo_defects) else: defects.extend(self._anomaly_to_defects(anomaly_map, image, component_id)) for defect in defects: defect['disposition'] = self._get_disposition( defect['defect_type'], defect.get('size_mm', 0) ) 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' 

Як ми гарантуємо відповідність AS9100?

Кожне рішення проходить валідацію на референсних наборах з відомими дефектами. Ми використовуємо техніку cross-validation за партіями (batch-wise), щоб виключити перекіс за типом аномалій. Підсумкові метрики FAR і FRR підтверджуються незалежним аудитом. На виході ви отримуєте model card з повною специфікацією: ROC-криві, latency p99 при batch size 1, профіль GPU utilization на NVIDIA A10G.

Що входить у роботу

Ми постачаємо не модель — а готове рішення. У deliverables входять:

• dataset розмітки (5000+ зображень з bounding box і anomaly-мітками)
• навчений PatchCore + YOLO model (weights + config)
• pipeline інференсу на GPU (Triton Inference Server або ONNX Runtime)
• API для інтеграції в AET (інтерфейс оператора)
• документація за стандартами (AMS 2750, AC 43.13-1B, AS9100)
• навчання персоналу та підтримка 3 місяці

Процес впровадження

1. Аналітика — обстежуємо лінію, заміряємо GSD, освітлення, типи дефектів.
2. Збір даних — робимо 1000+ знімків з дефектами та без, CT-скани.
3. Розмітка — інженери розмічають за AMS-критеріями.
4. Розробка — навчаємо PatchCore для anomaly-детекції та YOLO для класифікації.
5. Тестування — прогоняємо на валідаційній вибірці, досягаємо FAR <0.1%.
6. Деплой — контейнеризація, інтеграція з обладнанням, сертифікація.

Терміни та гарантії

Гарантуємо точність у специфікації. За наші 10+ років у комп'ютерному зорі та 5+ років в аерокосмічних рішеннях ми накопичили досвід, який дозволяє впроваджувати системи з нульовим ризиком. Впровадження AI-системи окупається за 8–12 місяців за рахунок зниження FAR у 30 разів та зменшення ручної праці. Економія на інспекції може сягати $250 000 на рік при обсязі 50 000 деталей. Зв'яжіться з нами для оцінки вашого проекту — додайте фото дефектів та вимоги до throughput. Замовте консультацію, щоб дізнатися, як AI-контроль впишеться у вашу лінію.