La thermographie à phase pulsée (TPP) a été présentée comme une nouvelle technique robuste de thermographie infrarouge (TIR) pour les essais non destructifs (END). Elle utilise la transformée de Fourier discrète (TFD) sur les images thermiques obtenues après un chauffage flash de la surface avant d'un spécimen pour extraire les informations de délai de phase (ou phase). Les gammes de phase calcules (ou cartes de phase) sont utilises pour la visualisation des défauts dans de nombreux matériaux. Le contraste de température permet de détecter les défauts à partir des données thermographiques. Cependant, les images thermiques comportent généralement un niveau de bruit important et des arrière-plans non uniformes causés par un chauffage inégal et des réflexions environnementales. Par conséquent, il n'est pas facile de reconnaître efficacement les régions défectueuses. Dans ce travail, nous avons appliqué la technique LSTM (Long Short Term Memory) et des réseaux de neurones convolutifs (RNC) basés sur des modèles d'apprentissage profond (AP) à la détection des défauts et à la classification de la profondeur des défauts à partir de données d'images thermographiques. Nos résultats expérimentaux ont montré que l'architecture proposée basée sur l'AP a obtenu des scores de précision de 0.95 et 0.77 pour la classification des pixels sains et défectueux. En outre, les résultats expérimentaux ont montré que les techniques LSTM et RNC ont obtenu des précisions de 0.91 et 0.82 pour la classification de la profondeur des défauts, respectivement. Par conséquent, la technique LSTM a surpassé la technique RNC pour les cas de détection des défauts et de classification de la profondeur des défauts. / Pulse Phase Thermography (PPT) has been introduced as a novel robust Non-Destructive Testing (NDT) Infrared Thermography (IRT) technique. It employs Discrete Fourier Transform (DFT) to thermal images obtained following flash heating of the front surface of a specimen to extract the phase delay (or phase) information. The computed phase grams (or phase maps) are used for defect visualization in many materials. The temperature contrast enables defect detection based on thermographic data. However, thermal images usually involve significant measurement noise and non-uniform backgrounds caused by uneven heating and environmental reflections. As a result, it is not easy to recognize the defective regions efficiently. In this work, we applied Long Short-Term Memory (LSTM) and Convolutions Neural Networks works (CNNs) based on deep learning (DL) models to defect detection and defect depth classification from thermographic image data. Our experimental results showed that the proposed DL-based architecture achieved 0.95 and 0.77 accuracy scores for sound and defected pixels classification. Furthermore, the experimental results illustrated that LSTM and CNN techniques achieved 0.91 and 0.82 accuracies for defect-depth classification, respectively. Consequently, the LSTM technique overcame the CNNs technique for defect detection and defect-depth classification cases.

La Thermographie de Phase Pulsée (TPP) est une technique d’Évaluation Non-Destructive basée sur la Transformée de Fourier pouvant être considérée comme étant le lien entre la Thermographie Pulsée, pour laquelle l’acquisition de données est rapide, et la Thermographie Modulée, pour laquelle l’extraction de la profondeur est directe. Une nouvelle technique d’inversion de la profondeur reposant sur l’équation de la longueur de diffusion thermique : μ=(α /πf)½, est proposée. Le problème se résume alors à la détermination de la fréquence de borne fb, c à d, la fréquence à laquelle un défaut à une profondeur particulière présente un contraste de phase suffisant pour être détecté dans le spectre des fréquences. Cependant, les profils de température servant d’entrée en TPP, sont des signaux non-périodiques et non-limités en fréquence pour lesquels, des paramètres d’échantillonnage Δt, et de troncature w(t), doivent être soigneusement choisis lors du processus de discrétisation du signal. Une méthodologie à quatre étapes, basée sur la Dualité Temps-Fréquence de la Transformée de Fourier discrète, est proposée pour la détermination interactive de Δt et w(t), en fonction de la profondeur du défaut. Ainsi, pourvu que l’information thermique utilisée pour alimenter l’algorithme de TPP soit correctement échantillonnée et tronquée, une solution de la forme : z=C1μ, peut être envisagée, où les valeurs expérimentales de C1 se situent typiquement entre 1.5 et 2. Bien que la détermination de fb ne soit pas possible dans le cas de données thermiques incorrectement échantillonnées, les profils de phase exhibent quoi qu’il en soit un comportement caractéristique qui peut être utilisé pour l’extraction de la profondeur. La fréquence de borne apparente f’b, peut être définie comme la fréquence de borne évaluée à un seuil de phase donné φd et peut être utilisée en combinaison avec la définition de la phase pour une onde thermique : φ=z /μ, et le diamètre normalisé Dn=D/z, pour arriver à une expression alternative. L'extraction de la profondeur dans ce cas nécessite d'une étape additionnelle pour récupérer la taille du défaut. / Pulsed Phase Thermography (PPT) is a NonDestructive Testing and Evaluation (NDT& E) technique based on the Fourier Transform that can be thought as being the link between Pulsed Thermography, for which data acquisition is fast and simple; and Lock-In thermography, for which depth retrieval is straightforward. A new depth inversion technique using the phase obtained by PPT is proposed. The technique relies on the thermal diffusion length equation, i.e. μ=(α /π·f)½, in a similar manner as in Lock-In Thermography. The inversion problem reduces to the estimation of the blind frequency, i.e. the limiting frequency at which a defect at a particular depth presents enough phase contrast to be detected on the frequency spectra. However, an additional problem arises in PPT when trying to adequately establish the temporal parameters that will produce the desired frequency response. The decaying thermal profiles such as the ones serving as input in PPT, are non-periodic, non-band-limited functions for which, adequate sampling Δt, and truncation w(t), parameters should be selected during the signal discretization process. These parameters are both function of the depth of the defect and of the thermal properties of the specimen/defect system. A four-step methodology based on the Time-Frequency Duality of the discrete Fourier Transform is proposed to interactively determine Δt and w(t). Hence, provided that thermal data used to feed the PPT algorithm is correctly sampled and truncated, the inversion solution using the phase takes the form: z=C 1 μ, for which typical experimental C 1 values are between 1.5 and 2. Although determination of fb is not possible when working with badly sampled data, phase profiles still present a distinctive behavior that can be used for depth retrieval purposes. An apparent blind frequency f’b , can be defined as the blind frequency at a given phase threshold φd , and be used in combination with the phase delay definition for a thermal wave: φ=z /μ, and the normalized diameter, Dn=D/z, to derive an alternative expression. Depth extraction in this case requires an additional step to recover the size of the defect. / La Termografía de Fase Pulsada (TFP) es una técnica de Evaluación No-Destructiva basada en la Transformada de Fourier y que puede ser vista como el vínculo entre la Termografía Pulsada, en la cual la adquisición de datos se efectúa de manera rápida y sencilla, y la Termografía Modulada, en la que la extracción de la profundidad es directa. Un nuevo método de inversión de la profundidad por TFP es propuesto a partir de la ecuación de la longitud de difusión térmica: μ=(α /π·f)½. El problema de inversion se reduce entonces a la determinación de la frecuencia límite fb (frecuencia a la cual un defecto de profundidad determinada presenta un contraste de fase suficiente para ser detectado en el espectro de frecuencias). Sin embargo, las curvas de temperatura utilizadas como entrada en TFP, son señales no-periódicas y no limitadas en frecuencia para las cuales, los parámetros de muestreo Δt, y de truncamiento w(t), deben ser cuidadosamente seleccionados durante el proceso de discretización de la señal. Una metodología de cuatro etapas, basada en la Dualidad Tiempo-Frecuencia de la Transformada de Fourier discreta, ha sido desarrollada para la determinación interactiva de Δt y w(t), en función de la profundidad del defecto. Así, a condición que la información de temperatura sea correctamente muestreada y truncada, el problema de inversión de la profundidad por la fase toma la forma : z=C 1 μ, donde los valores experimentales de C 1 se sitúan típicamente entre 1.5 y 2. Si bien la determinación de fb no es posible en el caso de datos térmicos incorrectamente muestreados, los perfiles de fase exhiben de cualquier manera un comportamiento característico que puede ser utilizado para la extracción de la profundidad. La frecuencia límite aparente f’b , puede ser definida como la frecuencia límite evaluada en un umbral de fase dado φd , y puede utilizarse en combinación con la definición de la fase para una onda térmica: φ=z /μ, y el diámetro normalizado Dn , para derivar una expresión alternativa. La determinación de la profundidad en este caso, requiere de una etapa adicional para recuperar el tamaño del defecto.

L'évaluation non destructive (END) est un domaine permettant d'identifier tous les types de dommages structurels dans un objet d'intérêt sans appliquer de dommages et de modifications permanents. Ce domaine fait l'objet de recherches intensives depuis de nombreuses années. La thermographie infrarouge (IR) est l'une des technologies d'évaluation non destructive qui permet d'inspecter, de caractériser et d'analyser les défauts sur la base d'images infrarouges (séquences) provenant de l'enregistrement de l'émission et de la réflexion de la lumière infrarouge afin d'évaluer les objets non autochauffants pour le contrôle de la qualité et l'assurance de la sécurité. Ces dernières années, le domaine de l'apprentissage profond de l'intelligence artificielle a fait des progrès remarquables dans les applications de traitement d'images. Ce domaine a montré sa capacité à surmonter la plupart des inconvénients des autres approches existantes auparavant dans un grand nombre d'applications. Cependant, en raison de l'insuffisance des données d'entraînement, les algorithmes d'apprentissage profond restent encore inexplorés, et seules quelques publications font état de leur application à l'évaluation non destructive de la thermographie (TNDE). Les algorithmes d'apprentissage profond intelligents et hautement automatisés pourraient être couplés à la thermographie infrarouge pour identifier les défauts (dommages) dans les composites, l'acier, etc. avec une confiance et une précision élevée. Parmi les sujets du domaine de recherche TNDE, les techniques d'apprentissage automatique supervisées et non supervisées sont les tâches les plus innovantes et les plus difficiles pour l'analyse de la détection des défauts. Dans ce projet, nous construisons des cadres intégrés pour le traitement des données brutes de la thermographie infrarouge à l'aide d'algorithmes d'apprentissage profond et les points forts des méthodologies proposées sont les suivants: 1. Identification et segmentation automatique des défauts par des algorithmes d'apprentissage profond en thermographie infrarouge. Les réseaux neuronaux convolutifs (CNN) pré-entraînés sont introduits pour capturer les caractéristiques des défauts dans les images thermiques infrarouges afin de mettre en œuvre des modèles basés sur les CNN pour la détection des défauts structurels dans les échantillons composés de matériaux composites (diagnostic des défauts). Plusieurs alternatives de CNNs profonds pour la détection de défauts dans la thermographie infrarouge. Les comparaisons de performance de la détection et de la segmentation automatique des défauts dans la thermographie infrarouge en utilisant différentes méthodes de détection par apprentissage profond : (i) segmentation d'instance (Center-mask ; Mask-RCNN) ; (ii) détection d’objet (Yolo-v3 ; Faster-RCNN) ; (iii) segmentation sémantique (Unet ; Res-unet); 2. Technique d'augmentation des données par la génération de données synthétiques pour réduire le coût des dépenses élevées associées à la collecte de données infrarouges originales dans les composites (composants d'aéronefs.) afin d'enrichir les données de formation pour l'apprentissage des caractéristiques dans TNDE; 3. Le réseau antagoniste génératif (GAN convolutif profond et GAN de Wasserstein) est introduit dans la thermographie infrarouge associée à la thermographie partielle des moindres carrés (PLST) (réseau PLS-GANs) pour l'extraction des caractéristiques visibles des défauts et l'amélioration de la visibilité des défauts pour éliminer le bruit dans la thermographie pulsée; 4. Estimation automatique de la profondeur des défauts (question de la caractérisation) à partir de données infrarouges simulées en utilisant un réseau neuronal récurrent simplifié : Gate Recurrent Unit (GRU) à travers l'apprentissage supervisé par régression. / Non-destructive evaluation (NDE) is a field to identify all types of structural damage in an object of interest without applying any permanent damage and modification. This field has been intensively investigated for many years. The infrared thermography (IR) is one of NDE technology through inspecting, characterize and analyzing defects based on the infrared images (sequences) from the recordation of infrared light emission and reflection to evaluate non-self-heating objects for quality control and safety assurance. In recent years, the deep learning field of artificial intelligence has made remarkable progress in image processing applications. This field has shown its ability to overcome most of the disadvantages in other approaches existing previously in a great number of applications. Whereas due to the insufficient training data, deep learning algorithms still remain unexplored, and only few publications involving the application of it for thermography nondestructive evaluation (TNDE). The intelligent and highly automated deep learning algorithms could be coupled with infrared thermography to identify the defect (damages) in composites, steel, etc. with high confidence and accuracy. Among the topics in the TNDE research field, the supervised and unsupervised machine learning techniques both are the most innovative and challenging tasks for defect detection analysis. In this project, we construct integrated frameworks for processing raw data from infrared thermography using deep learning algorithms and highlight of the methodologies proposed include the following: 1. Automatic defect identification and segmentation by deep learning algorithms in infrared thermography. The pre-trained convolutional neural networks (CNNs) are introduced to capture defect feature in infrared thermal images to implement CNNs based models for the detection of structural defects in samples made of composite materials (fault diagnosis). Several alternatives of deep CNNs for the detection of defects in the Infrared thermography. The comparisons of performance of the automatic defect detection and segmentation in infrared thermography using different deep learning detection methods: (i) instance segmentation (Center-mask; Mask-RCNN); (ii) objective location (Yolo-v3; Faster-RCNN); (iii) semantic segmentation (Unet; Res-unet); 2. Data augmentation technique through synthetic data generation to reduce the cost of high expense associated with the collection of original infrared data in the composites (aircraft components.) to enrich training data for feature learning in TNDE; 3. The generative adversarial network (Deep convolutional GAN and Wasserstein GAN) is introduced to the infrared thermography associated with partial least square thermography (PLST) (PLS-GANs network) for visible feature extraction of defects and enhancement of the visibility of defects to remove noise in Pulsed thermography; 4. Automatic defect depth estimation (Characterization issue) from simulated infrared data using a simplified recurrent neural network: Gate Recurrent Unit (GRU) through the regression supervised learning.

Les délaminations sous-surfaciques représentent une menace significative pour l'intégrité structurelle des composants en béton et nécessitent des méthodes de tests non destructives (NDT) efficaces et fiables pour une détection rapide. Cette étude examine l'intégration de la thermographie infrarouge active (IRT) et du radar à pénétration de sol (GPR) pour la détection et l'évaluation de la délamination dans les dalles de béton. Deux spécimens de laboratoire, construits en béton armé et intentionnellement conçus pour simuler une délamination interne, sont soumis à des tests à l'aide de méthodes IRT et GPR. La méthodologie implique l'utilisation d'une approche de thermographie infrarouge par chauffage par étapes, qui nécessite la capture d'images thermographiques brutes tout au long des phases de chauffage et de refroidissement. Ce processus documente les variations thermiques et aide à identifier les modèles de dommages sous-surfaciques. Simultanément, le radar à pénétration de sol (GPR) est intégré dans le processus d'évaluation pour mesurer l'étendue et la gravité de la délamination à l'intérieur des spécimens. Le GPR fournit des informations détaillées sur l'intérieur des spécimens en utilisant des ondes électromagnétiques haute fréquence. Il mesure le temps que mettent les impulsions radar pour traverser les matériaux et refléter à la surface. Ces données, associées aux résultats thermographiques, offrent une compréhension complète des conditions internes des dalles de béton. La conception expérimentale implique deux spécimens de béton identiques en taille mais avec et sans armature pour explorer l'impact des barres d'armature sur les capacités de détection des méthodes IRT et GPR. L'étude inclut des défauts de différentes tailles et profondeurs, permettant une évaluation complète des performances des méthodes dans différentes conditions. La méthode de thermographie active, caractérisée par un rapport taille-profondeur de 0.83, montre une capacité remarquable à détecter presque tous les défauts. Les données thermographiques, acquises pendant le processus de refroidissement, fournissent des informations primordiales sur les signatures thermiques des delaminations. Le GPR se révèle très efficace pour identifier toutes les anomalies sous-surfaciques, même les plus profondes et les plus petites. L'étude souligne les forces complémentaires de l'IRT et du GPR, où l'IRT offre une couverture plus large et le GPR fournit des informations précises sur la profondeur. Les résultats de cette étude fournissent une base solide pour les développements futurs dans la surveillance de la santé structurelle et la maintenance des structures en béton. / Subsurface delaminations pose a significant threat to the structural integrity of concrete components and they require effective and reliable non-destructive testing (NDT) methods for early detection. This study investigates the integration of Active Infrared Thermography (IRT) and Ground Penetrating Radar (GPR) for the detection and evaluation of delamination in concrete slabs. Two laboratory specimens, built from reinforced concrete and intentionally designed to simulate internal delamination, are subjected to testing using IRT and GPR methods. The methodology involves employing a step-heating Infrared Thermography (IRT) approach, which requires capturing raw thermographic images throughout both the heating and cooling phases. This process documents thermal variations and helps identify subsurface damage patterns. Simultaneously, Ground Penetrating Radar (GPR) is integrated into the assessment process to measure the extent and severity of delamination within the specimens. GPR provides detailed subsurface information using high-frequency electromagnetic waves. It measures the time that radar pulses take to travel through materials and reflect back to the surface. This data along with the thermographic findings, offer a comprehensive understanding of the internal conditions of the concrete slabs. The experimental design involves two concrete specimens that are identical in size but with and without reinforcement to explore the impact of rebars on the detection capabilities of the IRT and GPR methods. The study includes defects of different sizes and depths, enabling a comprehensive evaluation of the methods' performance under different conditions. The active thermography method, characterized by a size-to-depth ratio of 0.83, shows a remarkable ability to detect nearly all defects. The thermographic data, acquired during the cooling process, provides valuable insights into the thermal signatures of the defects. The GPR proves highly efficient in identifying all subsurface anomalies, even the deepest and smallest. The study emphasizes the complementary strengths of IRT and GPR, where IRT provides broader coverage, and GPR offers precise depth information. The findings of this study provide a solid foundation for future developments in structural health monitoring and maintenance of concrete structures.

La technique du contrôle non destructif (CND) par courants de Foucault (CF) est une solution envisageable pour caractériser l’état de contraintes dans un matériau magnétique. En effet, les propriétés magnétiques d’un matériau magnétique dépendent sensiblement de l’état de contraintes et, par ailleurs, les CF dépendent de la perméabilité magnétique. La technique des CF est potentiellement intéressante comparée à d’autres méthodes de CND, telles que la diffraction des rayons X, car elle est simple à mettre en œuvre, automatisable et peu coûteuse. Dans l'objectif de permettre in fine l’identification inverse de l’état de contraintes, un modèle prédisant l'évolution du signal fourni par un capteur à CF en fonction de l’état de contraintes du matériau ferromagnétique contrôlé a été élaboré dans cette thèse. Ceci implique la mise en place d’une double modélisation. D’une part, l’effet des contraintes sur la perméabilité magnétique a été modélisé par un modèle de comportement magnéto-élastique simplifié dérivé d'une approche multi-échelle. Cette approche permet de décrire la perméabilité magnétique d’un matériau soumis à un chargement multiaxial, en incluant notamment les effets d'anisotropie induite. D’autre part, un modèle reposant sur la méthode des éléments finis a été développé afin de prédire le signal fourni par un capteur à CF en fonction de la perméabilité anisotrope du matériau inspecté. Afin de valider la démarche de modélisation, un protocole expérimental de caractérisation magnétique et par CF a été mis en place. Les résultats de mesure obtenus présentent un bon accord qualitatif avec la modélisation, en l’absence de tout étalonnage. Une procédure d’étalonnage s'appuyant sur une mesure sous contraintes est nécessaire pour atteindre un accord quantitatif. Le modèle développé pourrait être utilisé pour concevoir des sondes à CF idoines et identifier les conditions opératoires optimales pour l'estimation de contraintes dans les matériaux magnétiques. Les procédures d'inversion à mettre en œuvre restent cependant un défi à relever / The non-destructive evaluation (NDE) technique by eddy current (EC) is a conceivable solution to characterize the stress state in magnetic materials. The approach relies on the high sensitivity of eddy current (EC) signals to the magnetic permeability, itself highly dependent on stress. The EC technique is potentially attractive compared to other NDE methods such as X-ray diffraction, due to its simple practical implementation, easiness of automation and low cost. In order to allow eventually the inverse identification of stress states in magnetic materials, a predictive model for the evolution of an EC probe signal as a function of stress has been developed during this thesis. The modelling is done in two steps. First, the effect of stress on the magnetic permeability is described using a simplified version of a multiscale model for magneto-elastic behaviour. This approach allows describing the effect of multiaxial mechanical loadings on the magnetic behaviour of materials including induced anisotropy effects. Then, the EC probe signal is determined as a function of the anisotropic permeability of the stressed material using the finite element method (FEM). In order to validate the modelling approach, an experimental setup for magnetic characterisation and EC measurements was developed. The measurements show a good qualitative accordance with the modelling results, in absence of any calibration. A calibration procedure based on a measurement under stress is necessary to obtain a quantitative agreement. The proposed model can be used to design efficient EC probes and to define optimal operating conditions to evaluate stress in magnetic materials. The development of inversion procedures, however, remains a challenge.

La cartographie de potentiel est couramment utilisée afin de détecter les zones de corrosion à risque dans les ouvrages en béton armé. Cette méthode utilise une électrode de référence positionnée à la surface du béton afin de mesurer la différence de potentiel entre un point à la surface du béton et une connexion au réseau d'armatures. Toutefois, il existe deux inconvénients majeurs à cette technique : la connexion au treillis d'armatures qui nécessite d'y avoir accès et la vérification de sa continuité électrique dans la zone de mesure. Dans le but de ne plus être soumis à ces inconvénients, une nouvelle méthode est proposée. Au lieu de se connecter au treillis, une seconde électrode de référence est utilisée, elle aussi positionnée à la surface du béton étudié. Cette configuration de mesure ne donne plus des potentiels électriques, mais des gradients de potentiel entre les deux électrodes de mesure. Par la mise en place de simulations numériques et d'essais expérimentaux, cette configuration de mesure est étudiée. En ce qui concerne le travail expérimental, deux dalles de béton armé de 3x3x0,15m ont été coulées afin d'être proche des conditions rencontrées sur site. Ensuite que des zones corrodées, dont la taille est contrôlée, sont créées de manière accélérée à l'aide d'un dispositif de migration de chlorures. L'épaisseur d'enrobage de la dalle ayant une influence sur les mesures, il a été choisi de couler deux dalles. La première dalle comporte un treillis dont l'épaisseur d'enrobage est constante alors que la seconde dalle possède une épaisseur d'enrobage variable. En ce qui concerne la modélisation, une étude paramétrique utilisant la méthode des éléments finis est réalisée. Cette modélisation permet l'étude de l'influence de nombreux paramètres tels que la résistivité, la taille de la zone corrodée, l'épaisseur d'enrobage, le procédé de mesure, etc. C'est l'analyse des courants d'échange, mais aussi des cartographies de potentiels et de gradients de potentiel qui permettent la corrélation entre les résultats expérimentaux et de simulation. C'est alors qu'il est possible de conclure sur la faisabilité de cette méthode et de ses avantages par comparaison avec la mesure classique. / Half-cell potential mapping is commonly used to detect corrosion risks in reinforced concrete structures. This method uses a reference electrode positioned on the surface of concrete for measuring potential difference by using a voltmeter connected to the reinforcement. However, there are two major drawbacks in the implementation of this method: the necessity to make an electrical connection to the reinforcement and the electrical continuity of this reinforcement. In order to overcome these disadvantages, a new method is proposed. Instead of using electrical connection to rebar, a second reference electrode is used, also positioned on the surface. These two electrodes configuration gives the electrical potential gradient on the concrete surface. By performing both experimental work and numerical modelling this method configuration is tested. For experimental work, two reinforced concrete slabs (3x3x0.15 meter sized) were cast to be close to actual structural conditions. The corroded areas are created with an accelerated method, using the migration of chloride ions. Corrosion size and localisation are controlled during the experiment. The thickness of the concrete cover has an influence on the measures, for this reason in the first slab reinforcement depth is fixed, while it is variable in the second slab. Concerning modelling, a parametric study using a finite element model is performed. This model allows the study of the influence of several parameters such as resistivity, corroded area size, concrete cover and also the measurement process. It is the analysis of the corrosion current, as well as potential mapping that allows the correlation between the experimental and modelling results. Discussion of both results concludes on the feasibility of this method and confirms its benefits compared to the usual half-cell potential mapping.

Reproduction de : Thèse de doctorat : Micro-ondes, électromagnétisme et optoélectronique : Toulouse, INPT : 2006. / Titre provenant de l'écran-titre. Bibliogr. 93 réf.

Sachant que les techniques d'auscultation electromagnétiques non destructives (EM) sont sensibles à de nombreux paramètres d'état des bétons, l'objectif de ce projet de recherche est d'étudier le potentiel de ces méthodes d'investigation EM pour évaluer la durabilité des bétons et détecter la présence d'agents agressifs. Dans un premier temps une cellule de mesure EM coaxiale-cylindrique et une cellule de résistivité multi-anneaux (mise au point conçue dans cette thèse) ont été utilisées pour une étude paramétrique. Des modèles de régression multi-linéaires ont été développés pour chaque observable EM (résistivité électrique et permittivité diélectrique) en fonction du degré de saturation, de la teneur en chlorures, de la porosité et du coefficient de diffusion de différentes formulations de bétons et mortiers. Dans un deuxième temps, des techniques de mesure EM in-situ ont été utilisées sur des corps d'épreuve homogène pour évaluer leur état : un capteur de résistivité multi-électrodes, développé dans le cadre de cette thèse, un capteur capacitif et un système radar. Ces techniques ont été combinées pour donner une estimation quantitative du taux de saturation, de la teneur en chorures et de la porosité des mélanges par optimisation non-linéaire des modèles de régression, développés dans la phase précédente. Enfin, l'aptitude de ces techniques in-situ à détecter des gradients a également été étudiée. Il a été constaté que la tomographie de résistivité électrique (TRE) utilisant le nouveau système multi-électrodes était particulièrement adapté à la détermination de gradients dans le béton d'enrobage.

Les matériaux composites carbone-époxy connaissent un intérêt grandissant dans le domaine de l'aéronautique. Des tests de contrôle non-destructif permettent de détecter des défauts. Ce travail s'attache particulièrement au contrôle non-destructif de matériaux composite carbone-époxy par la thermographie optique lockin. Il élargit le domaine de l'analyse quantitative des mesures thermographiques. Les paramètres géométriques tels la profondeur, la taille et la forme des défauts sont déterminés dans des pièces en matériau composite anisotrope et globalement homogène. Dans un but d'évaluation quantitative des défauts, des techniques de traitement d'image sont appliquées à des images de longues pièces aéronautiques pour former des vues panoramiques. Des images thermiques prises avant et après chargement mécanique sont superposées afin de pouvoir déterminer un endommagement. Différentes images thermale (lockin et excitation ultrasonore) sont fusionnées afin d'obtenir plus d'information sur des défauts du type impacts. La formation d'images est modélisée par une fonction de point qui dépend de la profondeur du défaut et de la fréquence de modulation. Un modèle est calculé en utilisant des fonctions de Green et adapté à des matériaux anisotropes. Les grandeurs : profondeur, taille et forme du défaut sont déterminées par des problèmes inverses. Les mesures sont comparées aux simulations numériques et un algorithme de reconstruction des défauts planaires est validé / In the aerospace industry, carbon-ber reinforced plastic (CFRP) materials are becoming increasingly popular. Due to mechanical fracture and hence safety related issues, CFRP components must be inspected for defects with non-destructive methods. This thesis focuses on non-destructive testing of CFRP materials with optical lockin thermography. The eld of quantitative analysis of thermographic measurements is enhanced. The data of geometrical parameters e.g. depth, size and shape of defects in structures of globally homogeneous and anisotropic CFRP materials is required for fracture mechanics. To evaluate defects in a quantitative way, image processing algorithms are applied to thermographic phase images in order to get panoramic views of extended aircraft parts and to compare measurements before and after a fatigue load in order to determine potential defect growth. Images of lockin and ultrasound excited thermography are combined with data-fusion techniques to get improved information on defects such as impacts. The image formation process can be modeled through a point-spread function, which depends on the depth of the defect and the modulation frequency. A function is computed by using Green's functions and is adapted to anisotropic materials. The quantities depth, size and shape of a defect are determined through inverse numerical lters. Measurements are compared to numerical simulations and a reconstruction algorithm of planar subsurface defects is validated

Pour répondre au besoin croissant d'inspection par contrôle non destructif (CND) dans les industries manufacturières, il est impératif de développer des solutions qui exploiteront les possibilités d'automatisation pour compléter les compétences des inspecteurs humains. Le secteur du moulage sous pression d'aluminium (ADC) est un secteur en constante évolution, au service d'industries critiques pour la sécurité comme l'automobile et l'aérospatiale. Cependant, les ADC sont susceptibles de présenter des défauts de fabrication dont la plupart ne sont pas visibles à l'œil nu et nécessitent une application appropriée des techniques CND pour vérifier leur intégrité structurelle et leur aptitude à l'emploi. Ces procédures sont standardisées et doivent être menées conformément aux normes industrielles applicables. Le développement de l'automatisation des tâches d'évaluation des images radiographiques des ADC est confronté à un défi, notamment en ce qui concerne la capacité de ces solutions à se conformer aux normes CND. Les réseaux neuronaux d'apprentissage profond ont démontré un potentiel important dans la reconnaissance automatisée des défauts/défauts, néanmoins, la confiance nécessaire pour accepter de telles solutions dans les secteurs critiques pour la sécurité ne peut être acquise que si l'on comprend suffisamment comment ces modèles fonctionnent et quelles propriétés exactes des données de formation sont cruciales pour leurs performances. Au fil des ans, l'utilisation prolifique de l'apprentissage profond dans divers secteurs a popularisé la notion de sa forte dépendance aux données, en mettant davantage l'accent sur la quantité que sur la qualité. Cette thèse est composée d'études expérimentales visant à comprendre les propriétés des données de radiographie numérique à rayons X qui sont cruciales pour affecter les performances de l'apprentissage profond. Dans le premier chapitre, une étude approfondie entre l'influence du rapport contraste/bruit et du rapport signal/bruit a été menée. Les résultats de l'étude ont révélé que la variation du rapport contraste/bruit (CNR) a un impact sur le comportement d'apprentissage des modèles d'apprentissage profond d'une manière qui pourrait être exploitée pour former un modèle d'apprentissage profond hautement performant. Une deuxième étude telle que présentée au chapitre 2 de cette thèse considère les propriétés des images de radiographie numérique à rayons X, en particulier les propriétés statistiques de la distribution d'intensité des pixels. Cette découverte a ouvert la voie à la synthèse d'images radiographiques numériques et à leur utilisation comme données d'apprentissage pour une application d'apprentissage profond. Bien qu'entraîné uniquement sur les données synthétiques, le modèle a obtenu d'excellentes performances sur de véritables images de radiographie numérique à rayons X. Grâce à l'approche peu coûteuse en termes de calcul qu'elle présente, cette solution offre de bonnes perspectives dans les industries, en particulier dans l'industrie ADC qui fabrique des produits aux morphologies cohérentes. Au chapitre 3, la pertinence de la qualité des données par rapport à la quantité pure a été étudiée dans une étude expérimentale utilisant un simulateur de radiographie numérique à rayons X de pointe (aRTist). L'acquisition d'images a été réalisée sous deux formes distinctes : tout d'abord, la pratique industrielle conventionnelle qui stipule une plage fixe de qualité d'image à atteindre (par exemple, le rapport signal/bruit) a été utilisée pour acquérir des images à partir de 140 composants. Deuxièmement, un moyen non conventionnel qui se concentre sur la variation des paramètres d'exposition pour modifier les propriétés des défauts dans les images, notamment le rapport contraste/bruit (CNR), a été utilisé pour acquérir un ensemble de données avec seulement 42 % des composants de test. Les performances des modèles d'apprentissage profond formés distinctement sur chaque ensemble de données ont été comparées. Bien qu'organisé à l'aide de moins de composants, le modèle formé sur les données acquises à l'aide d'une méthode d'acquisition d'images non conventionnelle a démontré de meilleures performances de modèle. Cette étude confirme une exploitation efficace de nos résultats expérimentaux antérieurs qui identifient le CNR comme un paramètre d'image qui influence les performances de l'apprentissage profond. Le chapitre 4 se concentre sur le développement d'un algorithme de classement des défauts pour classer les défauts détectés dans les composants moulés sous pression en aluminium, inspiré de la norme ASTM E2973- 15. Le pipeline de classement utilise un algorithme d'arbre k-dimensionnel (K-D) qui structure les défauts détectés pour faciliter une évaluation efficace des défauts. Cela permet des requêtes spatiales rapides et une évaluation efficace de la gravité des défauts sur la base de critères prédéfinis tels que des normes mondiales ou des termes spécifiques au client. L'algorithme a démontré une grande efficacité, classant avec précision les défauts et peut faciliter la prise de décision automatisée (Accepter/Rejeter) en radiographie numérique à rayons X. L'adaptabilité du système à différents critères de classement garantit son applicabilité dans divers secteurs critiques pour la sécurité. Collectivement, les études contenues dans cette thèse présentent des innovations expérimentales en radiographie numérique à rayons X qui influencent les performances du modèle d'apprentissage profond pour une évaluation robuste des défauts, offrant ainsi une voie viable pour réaliser une évaluation d'image automatisée qui peut atteindre une inspection à 100 % des composants fabriqués, même dans les secteurs qui nécessitent un strict respect des normes CND. / To meet the rising need for Non-destructive Testing (NDT) inspection in manufacturing industries, it is imperative to develop solutions that will exploit automation possibilities, to supplement the competencies of human inspectors. The aluminum die casting (ADC) sector is one that evolves constantly, serving safety-critical industries like automotive and aerospace. However, ADCs are prone to having manufacturing flaws, most of which are not visible to the human eye and hence require proper application of NDT techniques to ascertain their structural integrity, and fitness for use. The NDT procedures are standardized and must be conducted in accordance with applicable industrial standards. Developing automated solutions of tasks such as the evaluation of radiographic images of ADCs faces a challenge, particularly in the ability such solutions to conform to NDT standards. Deep learning neural networks have demonstrated significant potential in automated flaw/defect recognition, nonetheless, the confidence needed to accept such solutions in safety-critical sectors can only be gained if there is sufficient understanding of how these models operate, and what exact properties within training data is crucial to their performance. Over the years, the prolific use of deep learning across various sectors has popularized the notion of its high dependence on data, with more emphasis on the quantity, rather than the quality. This dissertation is composed of experimental studies aimed at understanding the properties of digital X-ray radiography data that is crucial in impacting deep learning performance. In the first chapter, an extensive study between the influence of contrast-to-noise ratio and signal-to-noise ratio was conducted. Findings from the study revealed that contrast-to-noise ratio (CNR) variation impacts training behaviour of the deep learning models in a manner that could be leveraged to train a deep learning model to be highly performant. A second study as presented in Chapter 2 of this dissertation considers the properties of digital X-ray radiography images, specifically the statistical properties of the pixel intensity distribution. This finding paved the way for the synthesization of digital X-ray images, using them as training data for a deep learning application. Although trained on only the synthetic data, the trained model performed excellently on real digital X-ray radiography images. With the computationally inexpensive approach it presents, this solution holds good prospect in industries, especially ADC industry that manufactures products with consistent morphologies. In Chapter 3, the relevance of data quality over sheer quantity was investigated in an experimental study using a state-of-the-art digital X-ray radiography simulator (aRTist). Acquisition of images were carried out in two distinct forms: firstly, the conventional industrial practice that stipulates a fixed range of image quality to be attained (e.g., the signal-to-noise ratio) was used to acquire images from 140 components. Secondly, a non-conventional means that focuses on varying exposure parameters to alter the properties of flaws in the images, notably the contrast-to-noise-ratio (CNR), was used to acquire dataset with only 42 % of the test components. The performances of deep learning models trained distinctly on each dataset was compared. Although curated using fewer components, the model trained on the data acquired using the proposed unconventional image acquisition method demonstrated better model performance. This study confirms an effective harnessing of our earlier experimental findings that identifies CNR as an image parameter that influences deep learning performance. Chapter 4 focuses on developing a flaw grading algorithm to classify detected flaws in aluminum die casting components, inspired by ASTM E2973-15 standard. The grading pipeline employs a k-dimensional (K-D) tree algorithm that structures detected flaws to facilitate efficient evaluation of the flaws. This approach enables rapid spatial queries and effective flaw severity evaluation based on predefined criteria such as global standards or client-specific terms. The algorithm demonstrated high efficiency, accurately grading flaws, and can facilitate automated decision-making (Accept/Reject) in digital X-ray radiography. The system's adaptability to different grading criteria ensures its applicability across various safety-critical sectors. Collectively, the studies contained in this dissertation present experimental innovations in Digital X-ray radiography that influence deep learning model performance for robust defect evaluation, thereby offering a viable pathway to realizing automated image evaluation that can achieve 100 % inspection of manufactured components, even in sectors that require strict adherence to NDT standards.