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.

Як distribution shift вбиває метрики CV-моделі в промисловості

На виробництві ставлять камеру, контролюють якість продукції. Модель навчена на 10 000 розмічених зображень — точність на тесті mAP 0.84. Запускають у продакшен — і в перший же тиждень пропускають 30% дефектів. Освітлення на лінії змінюється по змінах, distribution shift обнуляє метрики. Це класична історія з Computer Vision у промисловості, де розпізнавання образів дає збій без правильної обробки дрейфу.

Наші інженери з досвідом 60+ проектів з комп'ютерного зору знають, як виключити такі сценарії. Гарантуємо стабільну роботу моделі в реальних умовах.

Які архітектури детекції об'єктів обрати: YOLO, RT‑DETR чи інші?

YOLO — стандарт для real‑time детекції. YOLOv8 та YOLOv11 від Ultralytics — найбільш використовувані версії у виробництві: простий API, активна спільнота, вбудована валідація та експорт в ONNX/TensorRT. Для задач з високими вимогами до точності та коли latency менш критична — RT‑DETR, transformer‑based архітектура без NMS, дає кращий mAP на COCO при порівнянній швидкості з YOLOv8l.

Типова помилка при навчанні детектора: датасет 8000 зображень, 3 класи, fine‑tune YOLOv8m — F1 0.73 на валідації. Дивимося confusion matrix — один клас майже ніколи не детектується. Причина: дисбаланс 1:23. Рішення: oversampling рідкісного класу, focal loss для objectness, аугментації (Mosaic, MixUp вимкнути для рідкісного класу — вони його «розмивають»). Transfer learning обов'язковий: передтреновані на COCO ваги скорочують потребу в даних у 10 разів. Fine‑tune на 500–2000 доменних зображеннях дає робочу модель за 1–2 дні на одній GPU.

Для edge deployment: експорт в ONNX → TensorRT engine. YOLOv8n в TensorRT FP16 на Jetson AGX Orin дає 150+ FPS при P99 latency < 8 ms — це в 3 рази швидше, ніж ONNX Runtime без TensorRT. На сервері A10G: 700+ FPS для YOLOv8n в TensorRT INT8.

Як fine‑tuning YOLO допомагає в розпізнаванні образів?

Припустимо, потрібно знаходити мікродефекти на поверхні металу — задача з високою роздільною здатністю та перекосом класів. Використовуємо YOLOv8m, передтренований на COCO (документація Ultralytics), і донавчаємо на 2000 власних зображень. Застосовуємо аугментації Mosaic, MixUp, random perspective. Після 200 епох mAP 0.5 досягає 0.93. Ключові прийоми:

• focal loss для objectness голови — зменшує внесок легко класифікованих прикладів.
• class‑balanced sampling — вирівнює представництво рідкісних класів.
• Test Time Augmentation (TTA) — підвищує recall на 5–7% за рахунок усереднення по фліпах та масштабах.

Отримайте консультацію з підбору архітектури для вашого завдання — зв'яжіться з нами.

Які архітектури сегментації обрати: SAM, Mask R‑CNN чи інші?

SAM (Segment Anything Model) від Meta змінив підхід до сегментації. SAM 2 працює з відео, підтримує трекінг об'єктів через кадри — для інтерактивного виділення об'єкта по точці або bbox це найкращий вибір з коробки. Для production instance segmentation без інтерактивного промпту — Mask R‑CNN або YOLOv8‑seg. YOLOv8‑seg навчається як звичайний детектор з додатковими масками, зручний у тих же пайплайнах. Семантична сегментація (кожен піксель — клас) — SegFormer, DeepLabV3+. SegFormer‑B5 дає хороший баланс точності та швидкості для аналізу супутникових знімків або медичної сегментації.

Кейс: сегментація клітин на мікроскопічних зображеннях. Датасет 400 зображень з ручною розміткою. Навчання Mask R‑CNN на ResNet‑50 backbone дало IoU 0.61 — погано. Проблема: об'єкти (клітини) перекриваються, стандартний NMS вбиває перекриваючі передбачення. Рішення: перехід на cellpose (спеціалізована архітектура для біомедичних задач) + soft‑NMS. IoU зріс до 0.79.

Коли Tesseract не справляється з OCR?

Tesseract — відправна точка для простих задач: друкований текст, хороше освітлення, рівне розташування. Як тільки з'являються рукописні елементи, нестандартні шрифти, перспективні спотворення або багатоколоночний макет — Tesseract деградує швидко.

PaddleOCR — production‑grade рішення: виявлення текстових блоків + розпізнавання + структурний аналіз. Працює з коробки для 80+ мов, включаючи українську. Підтримує таблиці та документи зі складною структурою. Wikipedia: Оптичне розпізнавання символів. TrOCR (Microsoft) — трансформерний OCR з сильними результатами на рукописному тексті. Для українського рукописного тексту потрібен fine‑tuning: базова модель навчена переважно на латиниці.

Що робити, якщо Tesseract не справляється з розпізнаванням образів на документах?

Для задач «витягни дані з рахунку / договору / паспорта» використовуємо LayoutLMv3 або Donut — ці моделі розуміють layout документа, а не тільки текст. Інтеграція через Hugging Face Transformers, fine‑tuning на 200–500 розмічених документах. Типовий pipeline:

1. Preprocessing: deskew, denoising, binarization через OpenCV.
2. Виявлення текстових блоків: PaddleOCR detection або CRAFT.
3. Розпізнавання: PaddleOCR recognition або TrOCR.
4. Post‑processing: нормалізація, валідація через regex або LLM для структурованих полів.

Для документів з фіксованою структурою template matching + OCR точково по координатах часто надійніше за end‑to‑end рішення.

Face Recognition: ідентифікація та верифікація

Face recognition = detection + alignment + embedding + matching. Кожен етап важливий.

Detection: RetinaFace або InsightFace для точної локалізації обличчя та ключових точок. MTCNN — старіше, але надійне рішення. Embedding: ArcFace (InsightFace) — state‑of‑the‑art для face recognition embeddings. Моделі iresnet50/iresnet100 передтреновані на MS1MV3 (5M ідентичностей). Ембеддинг‑вектор 512 float32, порівняння за cosine similarity. Threshold tuning: поріг рішення — критичний параметр. При threshold 0.6 типовий FPR на LFW benchmark — 0.001, TPR — 0.985. У production threshold потрібно калібрувати під реальний distribution: люди в масках, зі зміненою зовнішністю, в різних умовах освітлення. Liveness detection обов'язковий: MiniFASNet — lightweight модель на CPU, FaceX‑Zoo містить кілька передтренованих liveness‑детекторів.

Відеоаналітика

Відео — послідовність кадрів плюс часовий вимір. Наївний підхід — детектувати на кожному кадрі — дорого.

Трекінг: ByteTrack та BoT‑SORT — стандарт для multi‑object tracking. Працюють поверх будь-якого детектора, додають persistent ID об'єктам між кадрами — це дає підрахунок об'єктів, трекі руху, velocity.

Оптимізація: не потрібно обробляти кожен кадр. Для статичних сцен детекція на кожному 5–10 кадрі, між ними — трекер. Для детекції подій (людина увійшла в зону) background subtraction (OpenCV MOG2) як lightweight pre‑filter перед нейромережевою детекцією. Action Recognition: SlowFast, VideoMAE для класифікації дій. Важкі моделі — для production використовуємо ONNX export + TensorRT або офлайн обробку.

Як виміряти якість моделі розпізнавання образів у продакшені?

Моніторинг якості — ключовий елемент MLOps. Відстежуємо:

• розподіл prediction confidence;
• частку low‑confidence передбачень (індикатор OOD‑даних);
• дрейф вхідних зображень через feature distribution (embeddings з backbone).

Падіння середньої confidence з 0.87 до 0.71 за тиждень — ранній сигнал про distribution shift. NVIDIA Triton Inference Server рекомендує відстежувати ці метрики через Prometheus. Наші сертифіковані інженери налаштовують моніторинг і гарантують SLA по якості інференсу.

Деплой CV‑моделей

Для онлайн інференсу використовуємо Triton Inference Server (NVIDIA) — production‑стандарт для serving CV‑моделей. Підтримує TensorRT, ONNX, PyTorch, dynamic batching, multiple instances. REST та gRPC API. Гарантуємо стабільну роботу під навантаженням.

Edge deployment: ONNX Runtime на ARM/x86 CPU. TensorFlow Lite для мобільних пристроїв. OpenVINO для Intel CPU/GPU/VPU — дає 2–3× приріст швидкості на Intel залізі порівняно з ONNX Runtime. Після деплою передаємо модель з документацією та навчаємо персонал.

Що входить в роботу

Терміни та вартість

Прототип детектора на існуючих даних — 1–2 тижні. Production‑система з оптимізацією під цільове залізо — 4–8 тижнів. Повний цикл включаючи розмітку даних (1000–5000 зображень) — 2–4 місяці. Вартість розраховується індивідуально під кожну задачу. Ми на ринку більше 5 років, реалізували 60+ проектів з комп'ютерного зору. Оцінимо ваш проект під ключ — замовте консультацію, щоб отримати розрахунок та технічну пропозицію.