Performances de l’approche de détection globale
Détection automatique de défauts en tomographie par intelligence artificielle

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...