SASED-YOLOアルゴリズムに基づく風力タービン翼面のマルチスケール欠陥検出技術

巨大なブレード上の小さな欠陥がなぜ重要か

現代の風力タービンは旅客機よりも長いブレードを持ち、過酷な洋上の気象の中で休むことなく回転しています。ブレード上の小さな欠け、ひび、腐食の斑点は見た目の問題にとどまらず、発電効率の低下、機器の寿命短縮、保守コストの増加を静かに引き起こします。本研究は、SASED-YOLOと呼ぶ新しいコンピュータビジョン技術を提示し、目立たない、非常に小さい、あるいは反射・汚れ・塗装で部分的に隠れた痕跡であっても、風力タービンブレードの多様な微細な表面損傷を素早く正確に検出できるよう設計されています。

手作業の点検からスマートカメラへ

従来、ブレード検査はロープでぶら下がる専門家や超音波・赤外線カメラなどの機器に頼っていました。これらは場合によって有効ですが、表面が凹凸やコーティング、汚れのある状況では対応が難しく、時間と費用がかかり、作業者にとってリスクも伴います。近年では、ドローンやカメラの写真・映像を深層学習システムが解析し、自動的に欠陥の周囲にボックスを描く手法が登場しています。その代表的な一群がYOLOで、画像を一度で高速に走査して物体を検出できます。しかし標準的なYOLOは、非常に小さな欠陥の検出、大きさの異なる欠陥の扱い、雲や反射、汚れといった紛らわしい背景の無視などには依然として課題を抱えています。

ブレード損傷をより賢く捉える方法

研究者らは軽量なYOLOv8sモデルを基盤とし、それをSASED-YOLOへと再設計して、ブレード検査特有の課題に対処するいくつかの新しい要素を加えました。第一に、協調型注意モジュールがネットワークを“注視”させ、空やタワー、きれいなブレード領域を抑えて欠陥がありそうな領域に重点を置きます。これは空間方向（ブレードのどの位置か）とチャネル方向（どのような質感や色か）を同時に見ることで、局所的および全体的な手がかりを組み合わせる仕組みです。第二に、マルチスケールプーリングモジュールにより、システムは微小な斑点から広い範囲の亀裂まで異なる“窓”で欠陥を観察し、それらを融合して長い亀裂、散在する凹み、小さな点などを明瞭に表現します。第三に、計算量を抑えるために画像を縮小する際に細部の縁や微かな筋を失わないよう、適応的ダウンサンプリングブロックを導入しています。

現実的な欠陥ライブラリの構築と評価

手法を厳密に評価するため、チームは既存の公開データセットが不十分だったため独自の風力タービンブレードデータセットWTBD818-DETを収集しました。7,374枚の画像を含み、亀裂、衝撃損傷、腐食、雷跡、油染み、クレージング、付着物、表面の小さな局所欠陥（surface eyes）といった8種類の表面問題を網羅しています。画像はどの欠陥がどこにあるかを正確にラベル付けしており、欠陥は大きさや外観が大きく異なり、例数が少ないカテゴリもあり、実際の産業状況に近い課題になっています。研究者らはSASED-YOLOと他の主要な検出モデル群を同じ条件で訓練し、それぞれがどれだけ多くの欠陥を検出したか、正答率、処理速度を比較しました。

従来検出器より鋭い視点

ブレードデータセット上で、SASED-YOLOは平均適合率（検出品質の総合指標）で87.7％を達成し、ベースラインのYOLOv8sより約10.5パーセンテージポイント高く、RT-DETR、Mamba、最新のYOLO派生モデルといった他の先進的システムを明確に上回りました。特に、他のモデルが見落としたり背景ノイズと混同しがちなヘアラインクラック、小さな腐食斑、微細な油膜といった細かな欠陥の識別に強みを示しました。視覚的な比較では、SASED-YOLOは損傷周りにより精緻なバウンディングボックスを生成し、無害な筋や反射に対する誤検知も少ないことが示されています。本手法の汎化性を検証するために公開の溶接欠陥データセットにも適用したところ、これも複数の現行最先端検出器を上回る結果となりました。

将来の風力発電所への意義

非専門家向けの要点は、本研究が風力タービンの自動検査システムの“目”を大幅に改良したことです。注意機構、マルチスケール観測、そして細部の扱いを組み合わせることで、SASED-YOLOは小さく複雑な表面問題をより確実に検出し、重大な故障に発展する前にフラグを立てることができます。最速のリアルタイム検出器よりはやや遅いものの、精度向上により定期的なドローン巡回やオフライン解析に適しています。さらなる最適化が進めば、この種の手法は洋上風力発電所をより安全かつ効率的に稼働させ、クリーンエネルギーの信頼性と費用対効果を静かに向上させる助けとなるでしょう。

引用: Lv, F., Wang, R., Wang, Y. et al. Multi-scale defect detection technology for wind turbine blade surfaces based on the SASED-YOLO algorithm. Sci Rep 16, 7334 (2026). https://doi.org/10.1038/s41598-026-37780-9

キーワード: 風力タービン検査, 表面欠陥検出, 深層学習, コンピュータビジョン, 洋上風力エネルギー