Bibliographie & annexes
Présentation
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 > Mesures - Analyses > Techniques d'analyse > Analyses de surface et de matériaux > Détection automatique de défauts en tomographie par intelligence artificielle > Description des données d’entrée
Accueil > Ressources documentaires > Innovation > Industrie du futur > Industrie du futur : outils numériques > Détection automatique de défauts en tomographie par intelligence artificielle > Description des données d’entrée
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 segmentation avec U-Net3. Description des données d’entrée
Les données d’entrée utilisées dans cet article sont des volumes tomographiques provenant de différents industriels partenaires, mais aussi du Centre technique des industries de la fonderie (CTIF). Les différents industriels n’ont pas forcément les mêmes appareillages, les tubes à rayons X et les détecteurs utilisés sont différents, les grandissements également. Ainsi, les volumes fournis ont des résolutions de 150 µm à 450 µm par voxel (la résolution spatiale effective étant en réalité moins bonne puisqu’elle est dégradée par la diffusion des photons dans le scintillateur). Les conditions de prise d’image varient également (haute tension et temps d’intégration) pour s’adapter à des épaisseurs de pièce différentes, de sorte que la qualité d’image en termes de résolution en contraste varie largement. Il est intéressant d’avoir une base de données la plus riche possible et aussi la plus diverse car cela permet aux réseaux de généraliser leur prise de décision. Un exemple d’image issue d’un volume tomographique est montré dans la figure 2, dans laquelle on voit un défaut, mais également des artefacts typiques.
Deux procédés de fabrication sont considérés, la fonderie sous pression (très utilisée pour les pièces automobile) et la fonderie gravité (plutôt utilisée en aéronautique) qui génèrent des défauts différents mais que nous avons choisi de rassembler en une seule base, en considérant les défauts comme des manques de matière. Pour chaque application (sous pression et gravité) les volumes sont découpés de façon à constituer deux bases de données distinctes : une base pour le réseau de segmentation, et une base pour le réseau de classification. Dans chaque base, on garde une partie des données pour l’apprentissage du réseau et une autre partie pour tester les performances sur des données non vues par le réseau. Ces deux bases sont décrites de façon détaillée dans les sections suivantes (sections 4...
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
Description des données d’entrée
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
