Bibliographie & annexes
Présentation
English
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’articleAuteur(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
DOI (Digital Object Identifier)
CET ARTICLE SE TROUVE ÉGALEMENT DANS :
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 segmentation avec U-Net
Accueil > Ressources documentaires > Innovation > Industrie du futur > Industrie du futur : outils numériques > Détection automatique de défauts en tomographie par intelligence artificielle > Étape de segmentation avec U-Net
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 segmentation avec U-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
Étape de classification avec un réseau convolutif spécialement dédié « CT-Casting-Net »
English
4. Étape de segmentation avec U-Net
4.1 Choix de l’architecture
La segmentation est la première étape de notre chaîne de traitement illustrée en figure 1. Elle s’applique en considérant le volume coupe par coupe de façon à traiter des images 2D. Le choix d’un réseau convolutif de type U-Net a été privilégié pour son aptitude à pouvoir fonctionner avec relativement peu d’images d’entraînement et permettre une segmentation précise. Ce type de réseau de neurones a été développé en 2015 pour la segmentation d’images biomédicales au département d’informatique de l’université de Fribourg en Allemagne et a donné des résultats très performants, au-delà de tous les réseaux équivalents .
Il s’agit d’un réseau entièrement « convolutif » sous forme de « U », qui fait partie de la famille des auto-encodeurs : la partie encodage (à gauche dans la figure 3) consiste à obtenir une représentation « latente » de l’image d’entrée sous forme d’un vecteur de caractéristiques, tandis que la partie décodage permet de reconstruire une image de sortie qui doit ressembler le plus possible à la version binarisée de l’image initiale. Il faut noter que la sortie n’est pas directement binaire mais une image dont chaque voxel représente la probabilité d’appartenir à la classe « discontinuité » si sa valeur est proche de 1, ou bien la classe « arrière-plan » si sa valeur est proche de zéro.
Il faut noter qu’il existe des architectures de réseaux de neurones convolutifs qui fonctionnent directement sur des données 3D comme 3D-U-Net ...
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 segmentation avec U-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
