Vision-based Propeller Damage Inspection Using Machine Learning

Abstrakt

Unbemannte Luftfahrzeuge (UAVs) spielen bei den täglichen Rettungseinsätzen eine immer wichtigere Rolle. Sie bieten entscheidende Unterstützung aus der Luft in schwierigem Gelände und bei Notfällen wie Ertrinken. Drohnenhangars werden strategisch eingesetzt, um eine schnelle Reaktion an abgelegenen Orten zu gewährleisten und die durch die Batteriekapazität bedingte Reichweitenbeschränkung zu überwinden. Die Lufttüchtigkeit der Drohne, die in der Regel durch herkömmliche Inspektionen durch eine technische Person sichergestellt wird, ist jedoch von größter Bedeutung, um die Sicherheit des Einsatzes zu gewährleisten. Im Laufe der Zeit können UAVs durch den Kontakt mit der äußeren Umgebung beschädigt werden, wobei die Propeller oft die Ursache für Fluginstabilität und mögliche Abstürze sind. In diesem Beitrag wird ein innovativer Ansatz zur Automatisierung der Propellerinspektion von UAVs vorgestellt, um Zwischenfälle präventiv zu verhindern. Wir nutzen visuelle Aufnahmen und Deep-Learning-Methoden und trainieren ein Convolutional Neural Network (CNN)-Modell, das sowohl passive als auch aktive Lernstrategien verwendet. Unser Ansatz erkennt erfolgreich physische Schäden an Propellern mit einer beeindruckenden Genauigkeit von 85,8 % und verspricht eine erhebliche Verbesserung der Flugsicherheit von UAVs und der Effektivität bei Rettungseinsätzen.