Jet uçaklarında transfer öğrenimi yöntemiyle hasarlı parçaların tespiti = Detection of damaged parts via transfer learning method in jet aircrafts

Abstract

Jet uçak parçalarının hasar tespitinde kullanılan en yaygın yöntemlerden biri, hasarsız bir muayene yöntemi olan X-ışını görüntülemesidir. Bu yöntemde X-ışını radyografileri kullanılarak uzmanlaşmış personel tarafından yapılan analizler sonucu hasarlar belirlenir. Hasarın tespiti uçuş emniyeti için büyük önem arz etmekte olup hasar incelemesinin çok dikkatli yapılması gerekmektedir. Bu hasar tespit yöntemlerinin otomasyona çevrilebilmesi hem analiz hassasiyetinin arttırılması hem de insan kaynaklı yöntemlere olan bağımlılığın azaltılması açısından kurumlara teknik yenilikler ve kolaylık getirecektir. Bu nedenlerle hasar tespitinin görüntü işleme algoritmaları ve yapay zeka elemanları kullanılarak yapılabilmesi amacıyla, bu tez çalışması kapsamında X-ışını görüntüleri üzerinden askeri uçak parçalarında oluşan çatlak hasarları analiz edilmiştir. Bu analizlerde yapay zeka elemanlarından derin öğrenme metotları kullanılarak eğitilen algoritmalar kullanılmıştır. Eldeki 100 radyografi görüntüsünden (50 adet çatlak içeren ve 50 adet çatlak içermeyen görüntü) 90 tanesi eğitim veri seti, 10 tanesi test veri seti için kullanılmıştır. Evrişimsel sinir ağları yardımıyla önceden eğitilmiş ResNet50, AlexNet, VGG19 ve DenseNet169 ağlarından transfer öğrenimi yapılarak eldeki verilerde (görüntülerde) çatlak tespiti yapılmıştır. Bu ağ modellerindeki f-skoru oranları sırasıyla %78,85, %66,67, %73,68 ve %77,48'dir. Görüntülerde tespit edilmesi istenen hasarları en yüksek başarı oranıyla analiz eden ResNet50 evrişimsel sinir ağı modelinin karar sürecinde ağırlık verdiği pikselleri gösteren yoğunluk haritaları da gösterilmiştir. Sonuç olarak kullanılan metodolojinin radyografiler üzerinde yapılan hasar tespitinde doğruluk oranı yüksek bir şekilde sonuç verebileceği görülmüştür. Bu tez çalışmasında yapılmış olan otomatik hasar analizi yöntemiyle verinin kısıtlı olabileceği bir durumda da küçük veri setiyle transfer öğrenimi kullanılarak hasar tespitinin yapılmasına yardımcı olan bir model geliştirilmiştir.

One of the most common methods used for defect detection of jet aircraft parts is X-ray imaging, which is a non-destructive inspection method. In this method, defects are identified in the analyses of X-ray radiographs made by specialized personnel. Defect detection is of great importance for flight safety and therefore damage inspection must be done very carefully. Transition of these defect detection methods into automated systems will bring technical innovations and convenience to the institutions, in terms of both increasing the sensitivity of analysis and reducing the dependence on human-sourced methods. For these reasons, in order to detect the defect using image processing algorithms and artificial intelligence elements, crack defects in military aircraft parts were analyzed on X-ray images within the scope of this thesis. In these analyses, algorithms trained by using deep learning methods from artificial intelligence elements were used. Within the available 100 radiography images (50 images with cracks and 50 images without cracks), 90 were used for the training dataset and 10 for the test dataset. With the help of convolutional neural networks, transfer learning was performed from pre-trained ResNet50, AlexNet, VGG19 and DenseNet169 networks, and crack detection was performed in the available data (images). The F-scores in these network models are 78,85%, 66,67%, 73,68% and 77,48%, respectively. Heat maps are also shown, in which ResNet50 convolutional neural network model, which analyzes the defects need to be detected in the images with the highest F-score, concentrates in its decision process. As a result, it is observed that the methodology can give results with a high rate of accuracy in the defect detection of radiographs. With the automated defect analysis application carried out in this thesis, a model was developed that helps to determine the defects by using transfer learning with a small data set in a case where data may be limited.