Crédito: Dominio público de Pixabay/CC0
Las inspecciones de la superficie de la aeronave son un componente crítico y obligatorio de la aeronavegabilidad que utiliza controles visuales y digitales para detectar daños, desgaste o mal funcionamiento minuciosos.
Estos son problemas pesados en cualquier jurisdicción, entre no menos un mantenimiento de aviones. centro como Singapur. Para el profesor asistente de SMU, Pang Guansong, también conllevan desafíos persistentes que pretende superar con su último proyecto de vanguardia para mejorar la inteligencia artificial que aumenta la tarea.
El proyecto, titulado “Aprovechando los modelos de base para la inspección de la superficie de la aeronave en entornos abiertos”, aborda tres preocupaciones principales de aprendizaje automático: la falta de precedentes de defectos reales requeridos para entrenar adecuadamente un sistema de IA; falta de una lista estandarizada o completa de tipos de defectos; y la anomalía de los defectos que tienden a parecer diferentes bajo diferentes condiciones de iluminación y clima.
El objetivo del proyecto? Incluso un vuelo más seguro a costos de mantenimiento más bajos. Como señaló la propuesta de investigación del profesor Pang, las “soluciones del proyecto ayudarán … mejoran el rendimiento de la inspección en entornos de aplicación prácticos sofisticados”.
El proyecto utiliza el conocimiento de los modelos actuales de lenguaje de visión grande (LVLM) “que están provocados en datos a escala de Internet para ayudar al sistema a detectar defectos, independientemente de si tenemos demostraciones de los tipos de defectos”.
“Las técnicas también podrán adaptarse a las condiciones cambiantes, es decir, si las condiciones de inspección cambian, como diferentes iluminación o tipos de cámaras nuevas, el sistema se ajusta a sí mismo, por lo que todavía funciona bien sin volver a capacitar todo”, dijo el profesor Pang a la Oficina de Gobierno y Administración de la Investigación (ORGA).
En general, los LVLM son sistemas AI avanzados programados para comprender y proporcionar razonamiento a las imágenes y el texto que se colocan juntos. En otras palabras, permite que un sistema “vea” y “lea” al mismo tiempo.
Las soluciones existentes en la industria se centran más en las técnicas de escaneo, continuó el profesor Pang. Estos pueden funcionar bien en la detección de defectos similares a los defectos previamente registrados, pero no si los defectos son nuevos en el sistema.
“Las técnicas propuestas (en nuestro proyecto) ampliarán en gran medida las capacidades para inspeccionar los tipos de defectos que no se ven en los datos de capacitación y/o exhibir la apariencia de defectos cambiantes debido a los cambios en las condiciones naturales”, dijo.
La investigación se lleva a cabo conjuntamente con los colaboradores Jamie Ng y Joey Zhou, ambos científicos de alto nivel de una estrella*, con la tutoría del profesor Lim Ee-Peng, director de AI & Data Science en SMU.
Tres proyectos en uno
Ahora bien en marcha, el proyecto se divide en tres partes, cada uno un mini proyecto propio que aborda los tres desafíos identificados de la inspección de aviones en entornos abiertos. La primera parte busca permitir que los LVLM existentes reconozcan defectos incluso cuando no se les ha dado mucho para continuar en términos de ejemplos y manifestaciones.
La ironía aquí, reconoció el profesor Pang, es que tales LVLM, que están entrenados con conjuntos masivos de imágenes y texto, no son tan efectivos cuando se trabaja con un pequeño número de imágenes de defectos de “decir solo cinco a 10”, sin texto.
Como se establece su propuesta, esta es la primera investigación de su tipo en adaptar la capacidad de reconocimiento actual de los LVLM para aprender sobre defectos dentro de un pequeño área dirigida. Esto mejorará la capacidad de un LVLMS para, por ejemplo, distinguir los falsos positivos de los defectos reales, dice.
El segundo mini proyecto se ocupa del hecho de que las fallas de que los LVLM están entrenados para reconocer “ilustran solo una vista incompleta de todos los tipos de defectos”.
Aquí, el objetivo es entrenar a la IA para reconocer patrones en imágenes normales de aeronaves y compararlos con imágenes ligeramente alteradas e imágenes de defectos reales. Esto permitirá a la tecnología distinguir mejor entre superficies normales y defectuosas, y evitar incidentes en los que clasificó erróneamente los nuevos defectos como normales.
La tercera fase, explicó el profesor Pang, tiene como objetivo “utilizar imágenes en contexto para adaptar instantáneamente los modelos a las escenas de mantenimiento en curso”. Esto es crucial ya que los modelos de detección impulsados por LVLM de las dos primeras fases del proyecto podrían fallar cuando cualquier parte del proceso de mantenimiento de la aeronave (tipos de aviones, condiciones de iluminación, etc.) varíe con el medio ambiente. Esta tercera parte, por lo tanto, busca entregar contexto a esos modelos.
Inspirado en el programa Smart Aircraft Visual Inspection System de A*Star dirigido por el colaborador del proyecto Dr. Ng, el interés del profesor Pang en el tema también fue despertado por la reciente investigación pública que mostró una rápida mejora en el rendimiento de la detección de defectos.
Estos factores, junto con su experiencia en la detección de anomalías, establecieron “una base sólida” para el proyecto.
“En nuestra investigación previa, hemos establecido fuertes competencias tanto en la utilización de modelos de visión grandes como de detección de defectos”, dijo el académico, y agregó que estaba “muy seguro” de alcanzar los objetivos del proyecto propuestos.
Avanzar el impacto de la seguridad en una industria de mil millones de dólares
Con el mercado global de inspecciones de superficie de aeronaves proyectado para crecer de US $ 4 mil millones en 2023 a US $ 8 mil millones Para 2032, se espera que dicha investigación beneficie aún más los problemas de seguridad aérea en la parte posterior de mejores tecnologías, como cámaras inteligentes, procesadores de imágenes avanzados y robots.
Si bien el proyecto se centra en imágenes bidimensionales, la investigación futura puede construir sobre ellas al introducir e integrar una variedad de imágenes, continuó el académico. Traer “más entrada de modalidad … en los modelos ayudará a mejorar aún más la precisión de la detección y extender los escenarios de aplicación”, dijo.
“El mantenimiento industrial es de importancia central para la industria inteligente o la industria 4.0”, dijo el profesor Pang.
“Esperamos construir modelos de base que puedan soportar el control de calidad no solo en el mantenimiento de la aeronave sino también en una amplia gama de otros objetos/materiales/productos”.
Dada la oportunidad correcta, la IA y el experto en ciencia de datos están “muy interesados” para trabajar con agencias gubernamentales y socios de la industria para “desarrollar soluciones para la inspección de defectos en diversos escenarios del mundo real”.
Para un niño que, por su propia admisión, “no tuvo la suerte” de jugar con teclados o computadoras, el profesor Pang no ha mirado hacia atrás desde que humedeció su pico en un proyecto práctico de minería de datos en su segundo año de estudio de pregrado. Desde entonces se ha dedicado a su disciplina elegida durante más de una década.
“La fuerza impulsora … es mi gran interés en hacer máquinas de aprendizaje que ayudan a resolver problemas desafiantes en la sociedad”, dijo.
Proporcionado por la Universidad de Gestión de Singapur
Cita: AI toma el vuelo: Proyecto para impulsar el aprendizaje automático en las inspecciones de superficie de la aeronave (2025, 29 de agosto) Consultado el 29 de agosto de 2025 de https://techxplore.com/news/2025-08-ai-flight-boost-machine-ircraft.html
Este documento está sujeto a derechos de autor. Además de cualquier trato justo con el propósito de estudio o investigación privada, no se puede reproducir ninguna parte sin el permiso por escrito. El contenido se proporciona solo para fines de información.
