| Texto completo | |
| Autor(es): |
Brandoli, Bruno
[1]
;
de Geus, Andre R.
[2]
;
Souza, Jefferson R.
[2]
;
Spadon, Gabriel
[3]
;
Soares, Amilcar
[4]
;
Rodrigues, Jr., Jose F.
[3]
;
Komorowski, Jerzy
[5]
;
Matwin, Stan
[1, 6]
Número total de Autores: 8
|
| Afiliação do(s) autor(es): | [1] Dalhousie Univ, Inst Big Data Analyt, Dept Comp Sci, Halifax, NS B3H 1W5 - Canada
[2] Univ Fed Uberlandia, Dept Comp Sci, BR-38400902 Uberlandia, MG - Brazil
[3] Univ Sao Paulo, Inst Math & Comp Sci, BR-13566590 Sao Carlos - Brazil
[4] Mem Univ Newfoundland, Dept Comp Sci, St John, NF A1C 5S7 - Canada
[5] JPWK Aerosp, Ottawa, ON K1A 0R6 - Canada
[6] Polish Acad Sci, Inst Comp Sci, PL-01248 Warsaw - Poland
Número total de Afiliações: 6
|
| Tipo de documento: | Artigo Científico |
| Fonte: | SENSORS; v. 21, n. 12 JUN 2021. |
| Citações Web of Science: | 0 |
| Resumo | |
Corrosion identification and repair is a vital task in aircraft maintenance to ensure continued structural integrity. Regarding fuselage lap joints, typically, visual inspections are followed by non-destructive methodologies, which are time-consuming. The visual inspection of large areas suffers not only from subjectivity but also from the variable probability of corrosion detection, which is aggravated by the multiple layers used in fuselage construction. In this paper, we propose a methodology for automatic image-based corrosion detection of aircraft structures using deep neural networks. For machine learning, we use a dataset that consists of D-Sight Aircraft Inspection System (DAIS) images from different lap joints of Boeing and Airbus aircrafts. We also employ transfer learning to overcome the shortage of aircraft corrosion images. With precision of over 93%, we demonstrate that our approach detects corrosion with a precision comparable to that of trained operators, aiding to reduce the uncertainties related to operator fatigue or inadequate training. Our results indicate that our methodology can support specialists and engineers in corrosion monitoring in the aerospace industry, potentially contributing to the automation of condition-based maintenance protocols. (AU) | |
| Processo FAPESP: | 17/08376-0 - Análise e aperfeiçoamento de sistemas urbanos por meio de mapas digitais representados por redes complexas |
| Beneficiário: | Gabriel Spadon de Souza |
| Modalidade de apoio: | Bolsas no Brasil - Doutorado |
| Processo FAPESP: | 18/17620-5 - Medicina preventiva por meio de técnicas de deep learning aplicadas ao prognóstico de saúde |
| Beneficiário: | José Fernando Rodrigues Júnior |
| Modalidade de apoio: | Bolsas no Exterior - Pesquisa |
| Processo FAPESP: | 19/04461-9 - Prognóstico médico avançado baseado em conceitos de grafos e redes neurais artificiais |
| Beneficiário: | Gabriel Spadon de Souza |
| Modalidade de apoio: | Bolsas no Exterior - Estágio de Pesquisa - Doutorado |
| Processo FAPESP: | 20/07200-9 - Analisando dados complexos vinculados a COVID-19 para apoio à tomada de decisão e prognóstico |
| Beneficiário: | Agma Juci Machado Traina |
| Modalidade de apoio: | Auxílio à Pesquisa - Regular |
| Processo FAPESP: | 16/17078-0 - Mineração, indexação e visualização de Big Data no contexto de sistemas de apoio à decisão clínica (MIVisBD) |
| Beneficiário: | Agma Juci Machado Traina |
| Modalidade de apoio: | Auxílio à Pesquisa - Temático |
| Processo FAPESP: | 14/25337-0 - Desenvolvimento de algoritmos centrados em vértice para detecção de padrões em grafos em larga escala utilizando processamento paralelo assíncrono |
| Beneficiário: | Gabriel Perri Gimenes |
| Modalidade de apoio: | Bolsas no Brasil - Doutorado |