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 > Innovation > Industrie du futur > Industrie du futur : outils numériques > Détection automatique de défauts en tomographie par intelligence artificielle > Performances de l’approche de détection globale
Accueil > Ressources documentaires > Génie industriel > Industrie du futur > Industrie du futur : outils numériques > Détection automatique de défauts en tomographie par intelligence artificielle > Performances de l’approche de détection globale
Accueil > Ressources documentaires > Technologies de l'information > Technologies logicielles Architectures des systèmes > Intelligence artificielle > Détection automatique de défauts en tomographie par intelligence artificielle > Performances de l’approche de détection globale
Cet article fait partie de l’offre
Techniques d'analyse
(289 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
Discussion
English
6. Performances de l’approche de détection globale
Pour chaque indication identifiée par le réseau U-Net et labélisée dans le volume 3D, un ensemble de trois images centrées sur l’indication est envoyé à la classification par « CT-Casting-Net ». Seules les indications classées trois fois comme défauts sont conservées pour la suite du traitement.
Cette approche a été validée sur un ensemble de 6 volumes tomographiques n’ayant pas servi à l’apprentissage. Les performances obtenues sont détaillées dans le tableau 4. Le nombre d’objets avant classification correspond au nombre d’indications segmentées par le réseau U-Net : ce nombre est très élevé du fait qu’une sur-segmentation a été adoptée. Le nombre d’objets après classification correspond au nombre d’indications classées comme des défauts par le réseau CT-Casting-Net. Ce nombre est beaucoup plus réduit puisque toutes les indications classées comme fausses alarmes sont supprimées. La probabilité de détection (POD) correspond au rapport entre le nombre d’objets classés comme défaut en sortie du réseau CT-Casting-Net avec le nombre réel de défauts présents dans le volume binaire « vérité terrain ». La vérité terrain a été obtenue par un algorithme de traitement d’image de type seuillage adaptatif, dans lequel la sévérité du seuil est ajustée manuellement autour de chaque défaut. Toutes les indications classées comme défauts et qui ne sont pas présentes dans la vérité terrain sont des fausses alarmes (colonne FA dans le tableau 4). On remarque que l’approche adoptée est très performante au sens de la POD : un seul défaut a été manqué sur l’ensemble des 6 volumes (183 défauts au total). Pour deux volumes sur les 6, une dizaine de fausses alarmes a été classée comme défaut.
On peut calculer également les performances obtenues au niveau des voxels, en mesurant l’intersection entre le volume segmenté obtenu par le traitement automatique, et le volume de référence « vérité terrain », et en le divisant par l’union des deux (colonne IoU ou « intersection over union » dans le tableau 4). L’IoU est donc lié non seulement à la bonne détection des défauts,...
L'expertise technique et scientifique de référence
Cet article fait partie de l’offre
Techniques d'analyse
(289 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
Performances de l’approche de détection globale
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
Techniques d'analyse
(289 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
