Industri penerbangan menuntut prosedur inspeksi pesawat yang cepat, akurat, dan aman untuk memastikan kelayakan terbang. Kerusakan pada permukaan luar pesawat—seperti retak, goresan, korosi, dan penyok—dapat terjadi akibat paparan cuaca ekstrem, tabrakan dengan benda asing, hingga kelelahan material. Prosedur inspeksi konvensional masih banyak mengandalkan pemeriksaan visual oleh manusia, yang memerlukan waktu lama, berisiko tinggi, serta rentan terhadap kesalahan akibat keterbatasan akses maupun kelelahan operator.
Seiring berkembangnya teknologi tanpa awak, unmanned aerial vehicle (UAV) mulai dimanfaatkan untuk mendukung proses inspeksi karena kemampuan akses cepat ke area sulit dan peningkatan keselamatan operator. Namun, variasi cahaya, bayangan, hingga kemunculan rivet sering menghasilkan noise yang mengganggu proses deteksi menggunakan algoritma pengolahan citra standar.
Untuk mengatasi tantangan tersebut, dikembangkan sistem inspeksi otomatis berbasis AI dan image processing yang mampu mengekstraksi serta mengklasifikasi fitur cacat pada permukaan pesawat. Pendekatan ini memanfaatkan algoritma dua tahap—Optimized Laser Simulator Logic (OLSL) dan fuzzy logic—untuk membedakan cacat dari noise secara lebih andal. Dengan demikian, sistem ini berpotensi mempercepat proses pemeriksaan pra-terbang sekaligus meningkatkan akurasi deteksi dan efisiensi operasional.
Metode dan Hasil
Metode yang dikembangkan memanfaatkan UAV (Mavic Pro) untuk menangkap citra permukaan luar pesawat melalui video atau foto. Data visual tersebut diproses dalam tiga tahapan utama: pra-proses, pemrosesan, dan pascapemrosesan.
Pada tahap pra-proses, citra dikonversi ke grayscale dan dilakukan cropping untuk mempercepat komputasi. Tahap pemrosesan kemudian mengekstraksi fitur cacat menggunakan rangkaian teknik pengolahan citra seperti Gaussian filtering, Prewitt edge detection, serta operasi morfologi (dilasi, opening, dan closing) guna mengidentifikasi bentuk potensial cacat dan mengurangi objek kecil yang tidak relevan.
Karena citra sering dipengaruhi noise seperti rivet, bayangan, dan variasi cahaya, digunakan sistem klasifikasi dua tahap berbasis AI. Tahap pertama menggunakan fuzzy logic untuk menyaring fitur berupa garis tipis atau noise berukuran sedang. Tahap berikutnya menggunakan Optimized Laser Simulator Logic (OLSL) untuk membedakan cacat dan noise berdasarkan parameter luas dan keliling fitur. Melalui dua tahap klasifikasi ini, sistem mampu menjaga akurasi meski kondisi citra bising dan tidak homogen.
Sistem diuji untuk mendeteksi empat jenis cacat—cracks, dents, scratches, dan rust—menggunakan 60 sampel citra. Hasil menunjukkan bahwa metode gabungan OLSL + fuzzy logic mampu mengekstraksi fitur cacat secara efektif dan mengklasifikasikannya dengan tingkat akurasi yang baik. Akurasinya tercatat sebesar 86.67% untuk crack, 66.67% untuk dent, 80.0% untuk scratch, dan 76.67% untuk rust.
Sebagai pembanding, model YOLO11 yang dilatih pada dataset ROBOFLOW menunjukkan performa yang lebih rendah, terutama pada kasus dent dan rust. Hal ini menunjukkan bahwa pendekatan non-deep learning berbasis logika fuzzy dan OLSL dapat mengungguli metode berbasis deep learning ketika data pelatihan terbatas atau kondisi pengambilan gambar tidak ideal. Secara keseluruhan, sistem ini dinilai mampu mengurangi waktu inspeksi dan meningkatkan keandalan deteksi cacat pada permukaan pesawat.
Penulis : Prof. Dr. Retna Apsari, M.Si
Informasi detail dari riset ini dapat dilihat pada tulisan kami di:
https://www.nature.com/articles/s41598-025-02902-2
Mohammed A. H. Ali., Muhammad Zamil A. Zulkifle, Nik Nazri Nik Ghazali, Retna Apsari, M. M. F. Meor Zulkifli, Mohammad Alkhedher. AI-driven UAV with image processing algorithm for automatic visual inspection of aircraft external surface
