自己学習型トランスフォーマーネットワークによる高精度非破壊ブレード表面検査

空の安全を守るタービンブレード検査

すべての商業フライトは、ジェットエンジン内部で高温・高速で回転するタービンブレードに依存しています。これらのブレードの保護コーティングに亀裂、ピット（小さな穴）、剥離が生じると、効率が低下し故障のリスクが高まります。本研究は、画像からブレード表面の微小な欠陥を自動で検出できる人工知能システムを検討し、より迅速で信頼性の高い検査によって、安全でコスト効率の良い航空輸送を実現する可能性を示します。

なぜ微小な表面欠陥が重要か

ジェットエンジン内部のブレードは、極めて高温、急激な圧力変動、腐食性のガスや微粒子という過酷な環境にさらされます。これを耐えるために、ブレードは熱防護や防錆の役割を果たす特殊なコーティングで覆われています。しかし時間とともに、これらのコーティングに細い亀裂、ピット、剥離領域や表面内に取り込まれた微小異物が生じることがあります。放置すると欠陥は進展してブレードを弱め、燃料消費が増え、場合によってはエンジン故障につながる可能性があります。現在の標準的な検査は、カメラ、超音波、熱画像などを用いる人間の検査員に依存しており、有効ではあるものの、時間がかかり労働集約的であり、光沢や曲面を持つブレード表面のごく小さな欠陥を見落とすことがあります。

手動検査から学習機械へ

近年、ディープラーニングに基づくコンピュータビジョンが産業検査に役立ち始めています。従来の畳み込みニューラルネットワーク（CNN）は、平坦な局所領域の亀裂など局所パターンの認識に優れますが、表面が曲面であったり照明が不均一であったり、欠陥が画像の離れた箇所に散在する場合には苦戦します。これまでの研究は主に回路基板や鋼板など平坦な材料に焦点を当てており、実際のジェットエンジンブレードが持つ視覚的複雑性を十分に扱えていませんでした。一方、視覚トランスフォーマー（Vision Transformer）と呼ばれる新しいモデルは、画像全体を同時に見渡し、遠く離れた領域同士の関係を学習できます。この広い視野が、細かいディテールと全体構造の両方が重要な難しい検査課題に有望である理由です。

エンジン内部のブレードを見る新しい方法

著者らは、タービンやコンプレッサーブレード向けに特化して適応させたSwin Transformerというモデルを中心とする検査システムを提案します。まず、実験室のセットアップやエンジン内のボアスコープ、公開データセットから高解像度の実ブレード画像を収集します。亀裂、へこみ、ピット、異物封入など各欠陥は専門家により丁寧に輪郭が示され、モデルが明確な例から学べるようにします。訓練前に画像は特別な前処理を受けます：照明を均一化し、欠陥の縁をぼかさずにノイズを低減し、微妙な表面変化を強調する色空間に変換します。さらに回転、反転、明るさ変化、合成欠陥の重ね合わせなどで画像を人工的に多様化し、現実世界のさまざまな条件に耐えられるよう学習させます。

スマート検査官の仕組み

準備された各ブレード画像は小さな正方形パッチに分割され、Swin Transformerに入力されます。モデル内部では、隣接するパッチ群がレイヤー間で移動する「ウィンドウ」単位で検査され、微細なディテールとその広い周囲情報の両方を捉えられるようになっています。この階層的なアテンション構造により、ブレード上のかすかな線とコーティング損傷のより大きなパターンを結びつけることができます。バックボーンの上には、異なるスケールの情報を統合する追加モジュールが載せられ、非常に小さなピットから広い剥離領域までを単一の走査で検出できます。学習済みのシステムは、瞬時に各欠陥の位置を示し、欠陥のカテゴリを判定します。

テストで明らかになったこと

性能評価のために、研究者らは本手法を画像解析で広く使われている既存の深層ネットと比較しました。彼らのSwin Transformerは、損傷領域と非損傷領域の識別およびへこみ、亀裂、気孔、封入物という4つの主要欠陥タイプのラベリングでおよそ98%の精度に達しました。真の欠陥をほぼすべて検出しつつ誤報を低く抑え、欠陥が数十分の一ミリ程度しかない場合でも位置を高精度に特定しました。さらに、パイプラインの各要素が結果に寄与していることも示されました：画像前処理とデータ拡張を改善するだけでも性能は上がりますが、最大の飛躍はSwin Transformerアーキテクチャへの切り替えから生じました。このシステムは定期保守での使用に適した高速処理も実現しました。

今後のフライトにとっての意義

簡潔に言えば、本研究はAI「検査官」が多くの現行手法を上回る精度と一貫性でジェットエンジンブレードを監視できることを示しています。小さな亀裂やピットを深刻化する前に自動で検知することで、検査時間の短縮、専門家への依存低減、コストや重大な故障の防止に寄与する可能性があります。著者らは、このモデルがロボットカメラと連動した自動化メンテナンスラインに組み込まれ、最終的にはエンジンのライフサイクルを通して健康状態を追跡するデジタルツインと共に働くことを想定しています。乗客にとっての結果は、単に賢いアルゴリズムではなく、より静かでクリーンかつ安全な飛行です。

引用: 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

キーワード: ジェットエンジンブレード検査, 表面欠陥検出, ディープラーニングビジョン, トランスフォーマーベースのモデル, 航空宇宙メンテナンス