Inspection de surface de pales non destructive et haute précision via des réseaux transformeurs auto-apprenants

Assurer la sécurité des réacteurs en vol

Chaque vol commercial dépend de pales de turbine tournant à l’intérieur des moteurs à des températures extrêmes et à des vitesses énormes. Si le revêtement protecteur de ces pales commence à se fissurer, à s’éroder ou à se décoller, l’efficacité diminue et le risque de défaillance augmente. Cette étude examine comment un système d’intelligence artificielle peut repérer automatiquement de minuscules défauts à la surface des pales à partir d’images, promettant des inspections plus rapides, plus fiables et un transport aérien plus sûr et moins coûteux.

Pourquoi les micro-défauts de surface comptent

Les pales situées à l’intérieur d’un moteur à réaction subissent des chaleurs intenses, des variations de pression rapides et un mélange corrosif de gaz et de particules. Pour résister, elles sont recouvertes de revêtements spéciaux faisant office d’armure thermique et de peinture anti-corrosion. Avec le temps, toutefois, ces revêtements peuvent développer des fissures capillaires, des piqûres, des zones qui se décollent et de petites inclusions emprisonnées sous la surface. Si on les laisse sans surveillance, ces défauts peuvent s’étendre, fragiliser la pale, augmenter la consommation de carburant et, dans les cas extrêmes, contribuer à une panne moteur. Les contrôles actuels reposent en grande partie sur des inspecteurs humains utilisant des caméras, des ultrasons ou l’imagerie thermique. Ces méthodes fonctionnent, mais elles sont lentes, exigeantes en main-d’œuvre et peuvent manquer les plus petits défauts sur des surfaces brillantes et courbées.

Des contrôles manuels aux machines apprenantes

Ces dernières années, des systèmes de vision par ordinateur basés sur l’apprentissage profond ont commencé à aider aux tâches d’inspection industrielle. Les réseaux profonds traditionnels, appelés réseaux convolutifs, sont efficaces pour reconnaître des motifs locaux, comme une fissure sur une petite zone plane. Mais ils peinent lorsque la surface est courbée, que l’éclairage est inégal ou que les défauts sont dispersés dans différentes parties de la même image. Les travaux antérieurs se concentraient surtout sur des matériaux plats tels que les cartes électroniques ou les tôles d’acier, qui ne reflètent pas les complications visuelles des vraies pales de moteur. De nouveaux modèles, appelés vision transformers, initialement développés pour la reconnaissance d’images, peuvent analyser une image entière d’un coup et apprendre comment des zones éloignées de l’image se relient entre elles. Cette vue d’ensemble les rend prometteurs pour des problèmes d’inspection difficiles où le détail fin et la structure globale sont tous deux importants.

Une nouvelle manière d’observer les pales à l’intérieur des moteurs

Les auteurs proposent un système d’inspection centré sur un modèle appelé Swin Transformer, adapté spécifiquement aux pales de turbine et de compresseur. D’abord, des images haute résolution de pales réelles sont rassemblées à partir de montages en laboratoire, de boroscopes insérés dans les moteurs et de jeux de données publics. Chaque défaut — fissure, bosse, piqûre ou inclusion — est soigneusement délimité par des experts afin que le modèle puisse apprendre à partir d’exemples clairs. Avant l’entraînement, les images suivent un traitement de nettoyage sur mesure : l’éclairage est égalisé, le bruit est réduit sans estomper les bords des défauts, et les couleurs sont converties pour faire ressortir les variations subtiles de surface. Les images sont ensuite variées artificiellement en les faisant pivoter, retourner, modifier la luminosité et en superposant des défauts synthétiques, afin que le système apprenne à gérer de nombreuses conditions réelles.

Comment fonctionne l’inspecteur intelligent

Une fois préparée, chaque image de pale est découpée en petits carreaux carrés qui alimentent le Swin Transformer. À l’intérieur du modèle, des groupes de carreaux voisins sont examinés via des « fenêtres » glissantes qui se déplacent entre les couches, permettant au système de saisir à la fois les très petits détails et leur contexte plus large. Cette structure d’attention en couches permet au modèle de relier une ligne faible à travers la pale à des motifs plus étendus de dégradation du revêtement. Au‑dessus de ce noyau, un module additionnel combine l’information à différentes échelles pour que des piqûres minuscules et des zones décollées plus larges puissent être détectées en une seule passe. Le système entraîné peut ensuite, en une fraction de seconde, indiquer l’emplacement de chaque défaut sur une pale et déterminer sa catégorie.

Ce que les tests ont révélé

Pour évaluer les performances, les chercheurs ont comparé leur méthode à des réseaux profonds bien connus largement utilisés en analyse d’images. Leur Swin Transformer a atteint environ 98 % de précision pour distinguer les zones endommagées des zones saines et pour étiqueter quatre types principaux de défauts : bosse, fissure, porosité et inclusion. Il a détecté quasiment tous les défauts réels tout en maintenant un faible taux de fausses alertes, et a localisé les défauts avec précision, même lorsque ceux-ci ne faisaient que quelques dixièmes de millimètre. Les expérimentations ont montré que chaque étape de la chaîne importait : améliorer le prétraitement des images et l’augmentation des données a fait progresser les résultats, mais le plus grand bond en avant est venu du passage à l’architecture Swin Transformer elle‑même. Le système a fourni ces performances avec des temps de traitement rapides, adaptés à une utilisation lors d’opérations de maintenance de routine.

Ce que cela signifie pour les vols à venir

En termes simples, ce travail montre qu’un « inspecteur » IA peut surveiller les pales de moteurs à réaction avec une précision et une constance qui dépassent de nombreuses méthodes actuelles, en particulier pour les défauts les plus difficiles à voir. En signalant automatiquement de petites fissures et piqûres avant qu’elles ne deviennent graves, de tels systèmes pourraient raccourcir les temps d’inspection, réduire la dépendance à des experts rares et contribuer à prévenir des pannes coûteuses ou dangereuses. Les auteurs envisagent leur modèle intégré dans des lignes de maintenance automatisées, travaillant de concert avec des caméras robotisées et, à terme, des jumeaux numériques qui suivent la santé du moteur sur toute sa durée de vie. Pour les passagers, le résultat final n’est pas seulement des algorithmes plus intelligents : ce sont des vols plus silencieux, plus propres et plus sûrs.

Citation: Kannusamy, P., Gayathri, D., Mirdula, S. et al. High-precision non-destructive blade surface inspection via self learning transformer networks. Sci Rep 16, 10288 (2026). https://doi.org/10.1038/s41598-026-41373-x

Mots-clés: inspection des pales de moteur à réaction, détection de défauts de surface, vision par apprentissage profond, modèles basés sur les transformeurs, maintenance aérospatiale