A carregar...
Publicação
Computer Vision for Aircraft Fuselage Defect Detection: A YOLO11-Based Approach
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 8.58 MB | Adobe PDF |
Autores
Orientador(es)
Resumo(s)
Aircraft fuselages are exposed to operational and environmental stresses that generate
defects such as scratches, paint peeling, rust, and rivet damage. Conventional inspection
techniques, though widely used, are labor-intensive, time-consuming, and dependent on
inspector expertise, which can lead to variability and overlooked anomalies. These chal-
lenges highlight the need for automated solutions that ensure consistency and efficiency
in quality inspection processes.
This thesis presents the development of a computer vision-based system for auto-
mated aircraft fuselage defect detection, combining deep learning with a user-oriented
interface. The system employs the YOLO11 object detection architecture, fine-tuned on a
specialized dataset to detect and classify four defect types. To mitigate data scarcity and
class imbalance, data augmentation and transfer learning were applied. The model was
evaluated on training, validation, and testing sets, achieving 0.814 precision and 0.735
recall on the training set, and on the validation set 0.722 precision, 0.787 recall, 0.659
accuracy, mAP@0.5 of 0.82, and mAP@0.5:0.95 of 0.524.
Beyond model training, a RESTful API and web-based Human–Machine Interface
were developed, enabling inspection images to be uploaded and processed, with results
presented as bounding boxes, defect types, and confidence scores. This integration reflects
Industry 5.0 principles of human–AI collaboration by allowing technicians to interpret,
adjust, and validate predictions.
The results demonstrate the feasibility of an intelligent inspection system that enhances
accuracy, efficiency, and transparency in aircraft maintenance workflows. While challenges
such as dataset scarcity and background variability remain, the framework establishes
a solid foundation for future work in semi-supervised learning, segmentation-based
approaches, and real-time deployment on edge devices. By contributing both a validated
detection model and an operational platform, this study advances the application of AI
in aviation quality inspection and supports safer, more efficient maintenance practices.
As fuselagens de aeronaves estão sujeitas a esforços operacionais e ambientais que origi- nam defeitos como riscos, descasque de tinta, corrosão e danos em rebites. As técnicas convencionais de inspeção, embora amplamente utilizadas, são demoradas, exigem ele- vada experiência do inspetor e podem falhar na deteção de anomalias. Estes desafios evidenciam a necessidade de soluções automatizadas que garantam maior consistência e eficiência nos processos de inspeção. Esta dissertação apresenta o desenvolvimento de um sistema de deteção automática de defeitos em fuselagens baseado em visão computacional, combinando aprendizagem profunda com uma interface orientada ao utilizador. O sistema utiliza a arquitetura YOLO11, ajustada a um conjunto de dados especializado com quatro tipos de defeitos. Para mitigar limitações como escassez de dados anotados e desequilíbrio entre classes, foram aplicadas técnicas de aumento de dados e transfer learning. O modelo alcançou no conjunto de treino uma precisão de 0,814 e recall de 0,735. No conjunto de validação, obteve precisão de 0,722, recall de 0,787, accuracy de 0,659, mAP@0.5 de 0,82 e mAP@0.5:0.95 de 0,524. Para além do modelo, foi desenvolvida uma API RESTful e uma Interface Homem- Máquina baseada na web, que permitem carregar imagens e obter resultados sob a forma de caixas delimitadoras, classes de defeito e níveis de confiança. Esta integração reflete os princípios da Indústria 5.0, promovendo a colaboração entre os técnicos e a inteligência artificial. Os resultados demonstram a viabilidade de um sistema inteligente de inspeção que melhora a precisão, eficiência e transparência na manutenção aeronáutica. Apesar de desafios como a falta de dados anotados e variabilidade do fundo, o sistema estabelece uma base sólida para trabalhos futuros em aprendizagem semi-supervisionada, segmentação e implementação em tempo real em dispositivos de borda.
As fuselagens de aeronaves estão sujeitas a esforços operacionais e ambientais que origi- nam defeitos como riscos, descasque de tinta, corrosão e danos em rebites. As técnicas convencionais de inspeção, embora amplamente utilizadas, são demoradas, exigem ele- vada experiência do inspetor e podem falhar na deteção de anomalias. Estes desafios evidenciam a necessidade de soluções automatizadas que garantam maior consistência e eficiência nos processos de inspeção. Esta dissertação apresenta o desenvolvimento de um sistema de deteção automática de defeitos em fuselagens baseado em visão computacional, combinando aprendizagem profunda com uma interface orientada ao utilizador. O sistema utiliza a arquitetura YOLO11, ajustada a um conjunto de dados especializado com quatro tipos de defeitos. Para mitigar limitações como escassez de dados anotados e desequilíbrio entre classes, foram aplicadas técnicas de aumento de dados e transfer learning. O modelo alcançou no conjunto de treino uma precisão de 0,814 e recall de 0,735. No conjunto de validação, obteve precisão de 0,722, recall de 0,787, accuracy de 0,659, mAP@0.5 de 0,82 e mAP@0.5:0.95 de 0,524. Para além do modelo, foi desenvolvida uma API RESTful e uma Interface Homem- Máquina baseada na web, que permitem carregar imagens e obter resultados sob a forma de caixas delimitadoras, classes de defeito e níveis de confiança. Esta integração reflete os princípios da Indústria 5.0, promovendo a colaboração entre os técnicos e a inteligência artificial. Os resultados demonstram a viabilidade de um sistema inteligente de inspeção que melhora a precisão, eficiência e transparência na manutenção aeronáutica. Apesar de desafios como a falta de dados anotados e variabilidade do fundo, o sistema estabelece uma base sólida para trabalhos futuros em aprendizagem semi-supervisionada, segmentação e implementação em tempo real em dispositivos de borda.
Descrição
Palavras-chave
Computer Vision Aircraft Maintenance Artificial Intelligence Quality Inspection Deep Learning Data Augmentation