Bibliographie & annexes
Présentation
En anglais
RÉSUMÉ
La tomographie industrielle à rayons X est reconnue comme une méthode d'inspection efficace des pièces moulées en alliage léger. Cependant, les images contiennent des artefacts qui peuvent être confondus avec des défauts par les algorithmes de segmentation conventionnels. Une approche automatique a donc été développée en trois étapes :
- segmentation 2D des coupes tomographiques avec un réseau neuronal profond U-Net pour détecter les discontinuités;
- classification de ces discontinuités en vrais défauts ou fausses alarmes, à l'aide d'un réseau neuronal convolutif spécialement dédié ;
- localisation des défauts validés en 3D.
Le choix de chaque modèle et les résultats d'apprentissage sont discutés, ainsi que les performances en termes de probabilité de détection et de taux de fausses alarmes.
Lire cet article issu d'une ressource documentaire complète, actualisée et validée par des comités scientifiques.
Lire l’articleABSTRACT
Industrial X-ray computed tomography has proven its value as a non-destructive method for inspecting light metal castings. However, tomographic volumes are prone to artifacts that can be mistaken for defects by conventional segmentation algorithms. An automatic approach has been developed with a three-step pipeline: (1) 2D segmentation of CT slices with deep neural U-Net network to detect suspicious discontinuities; (2) classification of these discontinuities into true defects or false alarms , using a trained convolutional neural network classifier; (3) localization of the validated defects in 3D.
The choice of each model and training results are discussed, as well as the performances in terms of probability of detection and false alarms rate.
Auteur(s)
-
Valérie KAFTANDJIAN : Professeur des Universités (Laboratoire Vibrations et Acoustique Univ Lyon, INSA Lyon, LVA, EA677)
-
Abdel Rahman DAKAK : Doctorant, (Centre technique des industries de la fonderie (CTIF) et Laboratoire Vibrations et Acoustique, Univ Lyon, INSA Lyon, LVA, EA677)
-
Philippe DUVAUCHELLE : Maître de Conférences, (Laboratoire Vibrations et Acoustique, Univ Lyon, INSA Lyon, LVA, EA677)
INTRODUCTION
Comme la radiographie, la tomographie est basée sur l’atténuation différentielle des rayons X en fonction de la densité de matière et sa composition chimique, mais elle exploite un grand nombre de vues réalisées suivant différents angles par rotation de l’objet observé. Les différentes vues permettent de déterminer l’atténuation de chaque élément de volume appelé « voxel » et ainsi de reconstituer l’objet en trois dimensions. Par rapport à la radiographie, qui produit des images du volume projeté sur le plan du détecteur, la tomographie permet d’examiner la matière par tranches ou coupes fictives. Cela évite d’être gêné par les nombreuses variations d’épaisseurs ou par les projections de parois qui sont caractéristiques de la radiographie, et ainsi la reconnaissance de la nature des discontinuités (ou défauts) présentes est grandement facilitée. La tomographie est ainsi un outil de choix lors de la mise au point de pièces ou en expertise. Grâce à l’accélération des moyens de calcul, la tomographie commence à être utilisée en contrôle de production.
La question de l’interprétation des données devient alors une problématique cruciale. En effet, pour examiner la totalité du volume, il faut faire défiler à l’écran les coupes virtuelles 2D ou utiliser un algorithme permettant une représentation en 3D du volume de l’objet, et interpréter l’ensemble du volume est très lourd à réaliser manuellement. Sur une ligne de production, il est nécessaire de disposer d’un traitement automatique des données afin de détecter les discontinuités (manque de matière ou inclusions). Une telle tâche peut être réalisée avec des traitements de filtrage de bruit et seuillage adaptatif, mais les performances atteintes résultent d’un compromis entre détection des petits défauts, et détection de fausses alarmes, dues en particulier au fait que la tomographie est sujette à des artefacts de reconstruction. L’avènement des réseaux de neurones convolutifs, et le succès obtenu sur des images naturelles par des réseaux profonds, permettent de penser que les performances doivent être bonnes dans une situation de contrôle non destructif telle que la tomographie.
Cet article propose de montrer l’utilité des méthodes de détection automatique de défauts dans des images de tomographie industrielle en utilisant des réseaux de neurones convolutifs. Le domaine d’application visé est la fonderie d’aluminium, mais d’autres domaines sont possibles, sous réserve de définir une base de données adéquate.
L'expertise technique et scientifique de référence
MOTS-CLÉS
défauts fonderie défauts de fonderie tomographie détection Réseau de neurones apprentissage profond
KEYWORDS
defects | foundry | foundry defects | tomography | detection | neuron network | deep learning
DOI (Digital Object Identifier)
CET ARTICLE SE TROUVE ÉGALEMENT DANS :
Accueil > Ressources documentaires > Technologies de l'information > Technologies logicielles Architectures des systèmes > Intelligence artificielle > Détection automatique de défauts en tomographie par intelligence artificielle > Étape de classification avec un réseau convolutif spécialement dédié « CT-Casting-Net »
Accueil > Ressources documentaires > Mesures - Analyses > Techniques d'analyse > Analyses de surface et de matériaux > Détection automatique de défauts en tomographie par intelligence artificielle > Étape de classification avec un réseau convolutif spécialement dédié « CT-Casting-Net »
Accueil > Ressources documentaires > Innovation > Industrie du futur > Industrie du futur : outils numériques > Détection automatique de défauts en tomographie par intelligence artificielle > Étape de classification avec un réseau convolutif spécialement dédié « CT-Casting-Net »
Cet article fait partie de l’offre
Industrie du futur
(104 articles en ce moment)
Cette offre vous donne accès à :
Une base complète d’articles
Actualisée et enrichie d’articles validés par nos comités scientifiques
Des services
Un ensemble d'outils exclusifs en complément des ressources
Un Parcours Pratique
Opérationnel et didactique, pour garantir l'acquisition des compétences transverses
Doc & Quiz
Des articles interactifs avec des quiz, pour une lecture constructive
Présentation
Performances de l’approche de détection globale
En anglais
5. Étape de classification avec un réseau convolutif spécialement dédié « CT-Casting-Net »
Puisque le résultat de la segmentation est une image binaire qui contient toutes les variations brutales de contraste, y compris les artefacts, il est nécessaire de poursuivre le traitement par une étape de classification. Pour ce faire, les images binaires obtenues coupe après coupe sont d’abord empilées et assemblées pour former un volume binaire, puis une étape de labélisation permet d’associer un chiffre à chaque discontinuité.
Le centre de masse de chacune de ces discontinuités est utilisé ensuite pour découper un ensemble de trois coupes de dimension 64 par 64 le long des trois directions principales de l’espace (voir figure 1). Ces trois images sont fournies en entrée du réseau de classification détaillé dans la section suivante.
5.1 Base de données d’apprentissage pour la classification
Pour cette deuxième étape cruciale pour l’efficacité de la détection, il a été décidé de fournir en entrée du réseau l’information brute en niveaux de gris, en faisant le pari que les réseaux de neurones seront capables de séparer les vrais défauts par rapport aux artefacts grâce à ces niveaux de gris. Pour cela, une nouvelle base de données a été créée en découpant des zones avec et sans défauts. Ces zones de taille 64 par 64 pixels ont été prélevées dans les volumes tomographiques fournis par les industriels, mais aussi dans la base d’images interne du CTIF. La taille de 64 a été sélectionnée pour pouvoir contenir les plus gros défauts quelle que soit la taille des voxels (entre 150 et 450 µm), sans être trop grande non plus pour accélérer le traitement. Au total une base de 5 500 images de défauts, et 8 500 zones sans défauts (zones normales homogènes, ou artefacts) a été constituée. La figure 6 montre comment les images sont découpées, et la figure 7 montre un extrait de la base.
Les réseaux de classification ont été entraînés avec cette base, dont 80 % a été utilisée pour l’apprentissage, et 20 % pour la validation....
L'expertise technique et scientifique de référence
Cet article fait partie de l’offre
Industrie du futur
(104 articles en ce moment)
Cette offre vous donne accès à :
Une base complète d’articles
Actualisée et enrichie d’articles validés par nos comités scientifiques
Des services
Un ensemble d'outils exclusifs en complément des ressources
Un Parcours Pratique
Opérationnel et didactique, pour garantir l'acquisition des compétences transverses
Doc & Quiz
Des articles interactifs avec des quiz, pour une lecture constructive
Étape de classification avec un réseau convolutif spécialement dédié « CT-Casting-Net »
BIBLIOGRAPHIE
-
(1) - ASTM International - ASTM E2422-17, Standard Digital Reference Images for Inspection of Aluminum Castings, - ASTM International, West Conshohocken, PA (2017), http://www.astm.org
-
(2) - SUN (W.), BROWN (S.B.), LEACH (R.K.) - An overview of industrial X-ray computed tomography - (2012).
-
(3) - RONNEBERGER (O.), FISCHER (P.), BROX (P.), U-Net - Convolutional Networks for Biomedical Image Segmentation, - Medical Image Computing and Computer-Assisted Intervention (MICCAI), Springer, LNCS, Vol.9351: 234-241 (2015).
-
(4) - ÇIÇEK (Ö.), ABDULKADIR (A.), LIENKAMP (S.S.), BROX (T.), RONNEBERGER (O.) - 3D U-Net: Learning Dense Volumetric Segmentation from Sparse Annotation, - Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), vol. 9901 LNCS, pp. 424-432, jun 2016.
-
(5) - MILLETARI (F.), NAVAB (N.), AHMADI (S.A.) - V-Net: Fully Convolutional Neural Networks for Volumetric Medical Image Segmentation, - Proceedings - 2016 4th International...
DANS NOS BASES DOCUMENTAIRES
L'expertise technique et scientifique de référence
Cet article fait partie de l’offre
Industrie du futur
(104 articles en ce moment)
Cette offre vous donne accès à :
Une base complète d’articles
Actualisée et enrichie d’articles validés par nos comités scientifiques
Des services
Un ensemble d'outils exclusifs en complément des ressources
Un Parcours Pratique
Opérationnel et didactique, pour garantir l'acquisition des compétences transverses
Doc & Quiz
Des articles interactifs avec des quiz, pour une lecture constructive
