Advanced Diagnostics of Aircraft Structures Using Automated Non-Invasive Imaging Techniques: A Comprehensive Review
Notice bibliographique
Résumé
The aviation industry currently faces several challenges in inspecting and diagnosing aircraft structures. Current aircraft inspection methods still need to be fully automated, making early detection and precise sizing of defects difficult. Researchers have expressed concerns about current aircraft inspections, citing safety, maintenance costs, and reliability issues. The next generation of aircraft inspection leverages semi-autonomous and fully autonomous systems integrating robotic technologies with advanced Non-Destructive Testing (NDT) methods. Active Thermography (AT) is an example of an NDT method widely used for non-invasive aircraft inspection to detect surface and near-surface defects, such as delamination, debonding, corrosion, impact damage, and cracks. It is suitable for both metallic and non-metallic materials and does not require a coupling agent or direct contact with the test piece, minimising contamination. Visual inspection using an RGB camera is another well-known non-contact NDT method capable of detecting surface defects. A newer option for NDT in aircraft maintenance is 3D scanning, which uses laser or LiDAR (Light Detection and Ranging) technologies. This method offers several advantages, including non-contact operation, high accuracy, and rapid data collection. It is effective across various materials and shapes, enabling the creation of detailed 3D models. An alternative approach to laser and LiDAR technologies is photogrammetry. Photogrammetry is cost-effective in comparison with laser and LiDAR technologies. It can acquire high-resolution texture and colour information, which is especially important in the field of maintenance inspection. In this proposed approach, an automated vision-based damage evaluation system will be developed capable of detecting and characterising defects in metallic and composite aircraft specimens by analysing 3D data acquired using an RGB camera and a IRT camera through photogrammetry. Such a combined approach is expected to improve defect detection accuracy, reduce aircraft downtime and operational costs, improve reliability and safety and minimise human error.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».