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.

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.

La corrosion sous isolation (CUI) est une préoccupation majeure et une source importante de coûts dans l'industrie pétrochimique. Les dommages actuels peuvent évoluer de manière invisible jusqu'à ce qu'une fuite ou une défaillance plus catastrophique se produise, ce qui exige la mise en place de méthodes permettant une détection précoce et garantissant ainsi la sécurité et l'efficacité des installations de procèdes. Ce mémoire de maîtrise décrit les essais réalisés et les méthodologies proposées pour résoudre ce problème largement connu, en particulier dans le secteur pétrochimique, en utilisant la technique non-destructif de thermographie infrarouge passive. Les activités décrites dans ce document aboutissent à l'approbation et à la publication d'un article scientifique qui révèle les résultats et propose les bases d'une méthodologie d'inspection sur le terrain capable d'identifier l'humidité piégée, la principale force motrice de la formation de la corrosion, dès ses premiers niveaux et sans enlever la couche externe d'aluminium souvent appelée revêtement. Au cours de la recherche, une large revue de la littérature a été effectuée pour bien comprendre les propriétés thermiques des matériaux concernés, les potentiels et les limites de la méthode non destructive de la thermographie infrarouge sur son état de l'art et les techniques de vision par ordinateur poursuivant des méthodes de post-traitement appropriées des données acquises. Les résultats sont motivants compte tenu de la réussite du concept de preuve pour une procédure d'inspection passive et sans contact qui étend potentiellement l'applicabilité de la thermographie infrarouge aux faibles niveaux d'émissivité de surface des revêtements en aluminium. Ce document est divisé en un chapitre d'introduction où sont décrits le problème et la séquence des tests effectués, un deuxième chapitre avec la transcription complète de l'article publié qui constitue le cœur de la recherche et un dernier chapitre de conclusion contenant les leçons apprises et les suggestions pour les études futures visant à consolider la méthodologie proposée pour l'atténuation de la corrosion dans les environnements industriels. / Corrosion under insulation (CUI) is a major concern and a significant source of costs in the petrochemical industry. Present damage can evolve invisibly until leaking or more catastrophic failure occur, demanding the establishment of methods to be early detected and so assure safety and efficiency of process installations. This master dissertation describes the tests performed and proposed methodologies to tackle this widely known problem, with emphasis on the petrochemical sector, using the non-destructive technique of passive infrared thermography. The activities described in this document culminate on the approval and publishing of a scientific article which reveals the results and proposes the basis for a field inspection methodology capable of identifying the trapped humidity, the main driving force for corrosion formation, since its early levels and without removal of the external aluminum layer often referred as cladding. During the research, a wide literature review was performed to well understand the thermal properties of the involved materials, the potentials, and limitations of the infrared thermography non-destructive method on its state of the art and techniques of computer vision pursuing proper post-processing methods of the acquired data. The results are motivating considering the success of the proof-concept for a passive and non-contact inspection procedure which potentially extends the applicability of infrared thermography to the low surface emissivity levels of aluminum cladding. This document is divided into an introduction chapter where the problem and the tests sequence performed are described, a second chapter with the full transcription of the published article as the core of the research and a last conclusion chapter containing the learned lessons and suggestions for future study aiming the consolidation of the proposed methodology for corrosion mitigation in industrial environments.

Cette étude s'inscrit dans une démarche originale consistant à développer un protocole expérimental adapté aux essais de fatigue à grand nombre de cycles. Ce protocole permet de dresser des bilans locaux d'énergie et s'appuie sur des techniques d'imagerie quantitative. Les objectifs étaient de compléter et de valider une méthode de traitement d'images infrarouges permettant d'étudier séparément les mécanismes dissipatifs et les effets thermoélastiques accompagnant la fatigue à grand nombre de cycles des aciers. Un point intéressant de cette méthode est de pouvoir fonctionner alors que les amplitudes des sources thermoélastiques sont très nettement supérieures aux intensités de dissipation. Le deuxième objectif était d'arriver à combiner cette technique infrarouge avec celles mises en place pour accéder aux champs cinématiques par une méthode de corrélation d'images. Ce rapprochement a permis d'estimer l'énergie de déformation localement mise en jeu et de la comparer, sur un cycle de chargement, à l'énergie dissipée.

L'ambition de cette thèse est de contribuer à la caractérisation de la qualité des réparations des structures composites primaires en carbone par collage structural en s'appuyant pour cela sur la technique de la Thermographie InfraRouge (TIR). Le caractère ténu de la différence de comportement entre les parties constitutives de l'assemblage réparé (parent et patch en carbone-époxyde, adhésif époxyde) et donc la difficulté de capter la réponse thermique du joint collé constituent les enjeux principaux de ce travail. A cette fin, une procédure expérimentale de Contrôle Non Destructif (CND) a tout d'abord été spécifiquement mise au point pour cette étude, permettant une modélisation numérique physiquement cohérente du problème thermique ainsi qu'une bonne concordance avec les champs de température mesurés. Le travail propose par ailleurs une piste complémentaire visant à modifier les propriétés thermiques intrinsèques du joint à l'aide d'additifs dont la signature infrarouge permet d'identifier plus nettement des défauts de collage. / This PhD work intends to contribute to the characterization of structural bonded repair quality of primary composite structures using InfraRed Thermography (IRT). Generally, in this case, the parent structure and the repair patch are both made of carbon-epoxy and are linked together by an epoxy adhesive. Such repair configuration then leads to a weak property contrast between the parts of the repaired assembly. Therefore, the non-destructive analysis of the bonding quality remains difficult and represents the very challenging issue of this study. In this way, a new specific Non Destructive Testing (NDT) procedure has been firstly developed that allows physically consistent numerical model of the thermal problem and a good correlation with experimental data. Additionally, it is proposed to use relevant additives that modify the thermal properties of the glue joint in order to improve the detection of bond defects.

L’évaluation non-destructive (END) est une branche de la science qui s’intéresse à l’uniformité, la qualité et la conformité des matériaux et les composants qu’ils servent à construire. Les techniques de END visent à repérer et à mesurer les caractéristiques principales des matériaux sans en affecter ou à en détruire la structure ou la fonctionnalité. L’END permet d’observer les propriétés internes des pièces et de détecter les défauts sous leur surface. Cette approche est devenue graduellement une technologie importante pour garantir la sécurité et la fiabilité de plusieurs composantes de système en design, en fabrication et en développement de produits. La thermographie infrarouge est une approche d’END sans contact rapide qui utilise des caméras thermiques. Elle permet de détecter l’énergie thermique émise par les objets et à en afficher la distribution en température de la surface du spécimen sous observation. Dans ce projet, notre objectif est d’exploiter la thermographie infrarouge pour détecter les défauts sous la surface des objets. Plus spécialement, nous nous intéressons à la localisation des défauts et à l’estimation de leur profondeur sous la surface. Le manuscrit présente une investigation de différentes méthodes de localisation de défauts et de mesure de leur profondeur des défauts sous la surface pour différentes catégories de matériaux. / Non-Destructive Testing (NDT) is an aspect of science concerning on uniformity, quality and serviceability of materials and their components. NDT techniques attempt to inspect and measure significant features of materials without changing or destroying their structure or functionality. NDT makes it possible to observe the internal properties of parts and detect the undersurface defects. NDT has progressively become an important technology to assure safety and reliability of many system components in the design, manufacturing and development areas. Infrared thermography is essentially a fast non-contact NDT inspection method that uses thermographic cameras. This technique detects the infrared energy emitted from objects and displays the corresponding temperature distributions on the specimen. In this project, we aim to use infrared thermography for detecting subsurface defects. Localizing the defects and estimating their depths are the important problems to be addressed in our research project. The manuscript investigates different methods related to these challenges.

La thermographie pulsée (PT), importante méthode de contrôle non destructif, a suscité un intérêt croissant ces dernières années, en raison de sa rapidité de mesure, de son excellente mobilité et de sa haute résolution. Son champ d'application s'étend à divers matériaux, tels que les métaux et les matériaux composites. Les données thermographiques consistent en des séquences infrarouges bidimensionnelles représentant l'évolution de la température de surface de l'échantillon testé. Même pour les professionnels qualifiés, il est difficile d'identifier avec précision tous les types de défauts. En outre, la caractérisation des défauts peut être encore plus difficile à décider. Bien que l'apprentissage profond soit devenu une approche populaire du traitement automatisé des données ces dernières années, il existe quelques problèmes communs lorsqu'ils sont appliqués à l'analyse de séquences d'images thermographiques. Tout d'abord, les approches d'apprentissage profond sont généralement gourmandes en données, alors que les données thermographiques sont rares, la préparation des essais étant généralement fastidieuse. Deuxièmement, le ressuage étant axé sur la détection des défauts sous la surface, il est souvent très difficile d'obtenir l'emplacement exact des défauts. Cependant, la caractérisation précise des défauts est cruciale pour l'entraînement des réseaux neuronaux profonds. Troisièmement, contrairement au domaine de la vision par ordinateur, où il existe de nombreux ensembles de données bien préparés pour l'évaluation comparative de différents algorithmes, il n'existe que quelques ensembles de données de ressuage accessibles au public. Cependant, ces ensembles de données sont essentiels pour faire progresser les algorithmes de traitement des données thermographiques. Quatrièmement, les modèles d'apprentissage profond, malgré leurs bonnes performances, sont souvent considérés comme des « boîtes noires ». Cela constitue un obstacle à leur déploiement dans l'industrie pour l'assurance qualité, car il est très difficile de gagner la confiance de l'utilisateur final, qui est responsable de la qualité du produit. La présente étude se penche sur les questions susmentionnées. Pour remédier à la pénurie de données et au nombre limité d'ensembles de données de référence, deux ensembles de données de PT ont été préparés et mis à la disposition du public, l'un pour la segmentation des défauts et l'autre pour l'estimation et la localisation de la profondeur des défauts. Ce dernier ensemble de données est étiqueté à l'aide des images CAO correspondantes. Cela permet d'améliorer la précision des informations d'étiquetage. En outre, pour améliorer l'explicabilité des modèles profonds utilisés pour le traitement des données infrarouges, trois méthodes d'IA explicables sont étudiées, notamment la méthode de visualisation de la carte d'activation, la méthode d'attribution des caractéristiques et la méthode d'occlusion des caractéristiques. La méthode de visualisation de la carte d'activation montre le processus de prise de décision du modèle profond, qui est similaire à la perception humaine. La méthode d'attribution des caractéristiques et la méthode d'occlusion des caractéristiques ont généré des cartes thermiques similaires, démontrant que les modèles utilisent les caractéristiques correctes pour prendre les décisions finales. La crise de confiance du modèle profond peut donc être atténuée. / Pulsed thermography (PT), as an important nondestructive testing method, has attracted increasing attention in recent years, due to its rapid measurement speed, excellent mobility, and high resolution. Its applicability spans across various materials, such as metal and composite materials. The thermographic data consist of two-dimensional infrared sequences representing the evolution of the surface temperature of the test specimen. Even for skilled professionals, it is challenging to accurately identify all kinds of defects. Furthermore, the characterization for the defects can be even more difficult to decide. Although deep learning has become a popular automated data processing approach in recent years, there are some common issues when they are applied to the analysis of thermographic image sequences. First, deep learning approaches are typically data-hungry, whereas thermographic data are scarce as the preparation for testing is usually tedious. Second, as PT focuses on the detection of subsurface defects, it is often quite challenging to obtain the exact location of the defects. However, the accurate characterization of the defects is crucial for the training of deep neural networks. Third, unlike the computer vision field, where there are numerous well-prepared datasets for benchmarking different algorithms, there are only a few such publicly accessible PT datasets. However, these datasets are fundamental for advancing algorithms in thermographic data processing. Fourth, the deep learning models, despite their good performance, are often considered "black boxes". This presents an obstacle to their deployment in the industry for quality assurance due to the significant challenge of earning the trust of the end user who bears the responsibility for the product's quality. This study investigates the aforementioned issues. To address the scarcity of data and the limited benchmark datasets, two PT datasets are prepared and made publicly available, one is for defect segmentation and the other is for defect depth estimation and localization. The latter dataset is labeled using the corresponding CAD images. This enhances the accuracy of the labeling information. Furthermore, to enhance the explainability of the deep models used for infrared data processing, three explainable AI methods are investigated, including the activation map visualization method, feature attribution method, and feature occlusion method. The activation map visualization method shows the decision-making process of the deep model, which is similar to human perception. The feature attribution method and feature occlusion method generated similar heat maps, demonstrating that the models use the correct features to make final decisions. The trust crisis of the deep model can therefore be mitigated.

Cette étude présente une analyse thermomécanique du comportement en fatigue oligocyclique du polyamide 6.6 vierge et renforcé de fibres de verre courtes. Des bilans d'énergie sont réalisés en utilisant, de façon combinée, des techniques d'imagerie quantitative visible et infrarouge. Les champs de température sont obtenus par thermographie et les champs de déformation par corrélation d'images. Sur un cycle de chargement, on montre comment il est possible d'estimer séparément les sources de chaleurs moyennes par cycle, sources associées aux mécanismes dissipatifs et induites par les effets de couplage thermomécanique. On montre ensuite, pour différentes fréquences de chargement, l'évolution du bilan de puissance moyen par cycle sur une zone matérielle correspondant à la partie utile de l'éprouvette. Ce bilan prend en compte le taux de l'énergie de déformation, les chaleurs mises en jeu et les variations d'énergie interne. On observe que la forme du bilan de puissance est très fortement dépendante, pour un rapport de charge donné, à la fréquence de sollicitation, à la teneur en eau, à l'orientation des fibres de verre mais aussi aux niveaux de contrainte appliqués. / This study presents a thermomechanical analysis of fatigue behavior of pure and short glass- fiber reinforced polyamide 6.6. The energy balances are drew up using the combined application of visible and infrared quantitative imaging techniques. Temperature fields are obtained by thermography and strain fields by image correlation. Over one complete cycle, we show how it is possible to separately estimate the heat sources averaged over the cycle, associated with dissipative mechanisms and induced by thermomechanical coupling source effets. Then we show, for different loading rates, the time courses of the energy rate balance for a physical area corresponding to the gage part of the specimen. This balance takes into account the deformation energy rate, the heat sources and the internal energy variations. It is observed that the shape of the energy rate balance is highly dependent, for a given load ratio, to the load rate, the water content, the orientation of the glass fibers and the applied stress levels.

Les travaux présentés dans ce mémoire de HDR sont la synthèse de six années de recherche sur l'influence de la pesanteur lors des transferts de chaleur et de masse par ébullition et évaporation. Dans le premier chapitre de ce mémoire, je présente une synthèse de la littérature depuis 2003 sur mes activités de recherche. Je mets l'accent sur les techniques employées et les approches choisies pour comprendre les phénomènes physiques rencontrés que ce soit en évaporation ou en ébullition. A la fin de chaque section de ce chapitre, je fais le point sur notre positionnement par rapport à ces activités, je retrace le cheminement qui nous amenes à développer les méthodes inverses en conduction de la chaleur appliquées à l'ébullition convective, ou à développer l'imagerie infrarouge aux gouttes en évaporation. Dans le second chapitre de ce mémoire, je détaille les travaux effectués en présentant de manière synthétique les méthodes et outils ainsi que les résultats obtenus. Il ne s'agit pas dans ce chapitre de s'appesantir sur les détails techniques de construction des expériences qui ont déjà été publiés dans les articles en annexe. Dans le troisième chapitre de ce mémoire qui est divisé en deux sections distinctes, je présente dans un premier temps les projets acceptés qui vont démarrer dans les mois à venir. Dans un second temps, je présente des perspectives de recherche au travers de proposition de recherche qui déjà fait l'objet de demande de financement.

Les matériaux métalliques polycristallins sont des agrégats de grains plus ou moins favorablement orientés, par rapport à l'axe de sollicitation, pour le glissement plastique. Lors d'une sollicitation mécanique, cette diversité d'orientations cristallines conduit à une hétérogénéité de la déformation à l'échelle de la microstructure : des déformations plastiques locales peuvent apparaître dans certains grains alors que l'échantillon est macroscopiquement sous chargement élastique. Par ailleurs, cette plasticité locale s'accompagne de l'émergence de marques de glissement en surface du matériau et elle induit une dissipation d'énergie liée aux irréversibilités mécaniques. La description fidèle de ces phénomènes mécaniques et énergétiques, à l'échelle d'apparition de la plasticité et de l'endommagement, ouvre alors la perspective d'identifier des modèles mécaniquement admissibles et énergétiquement fondés.<br /><br />L'objectif de ces travaux est donc de développer les moyens expérimentaux nécessaires à la réalisation de telles analyses mécaniques et énergétiques à l'échelle microstructurale. Pour accéder simultanément aux informations cinématiques et thermiques à l'échelle la plus fine possible actuellement, celle des grains d'un polycristal, des mesures de champs de température par thermographie infrarouge et de champs de déformation par corrélation d'images numériques sont donc mises en œuvre au sein d'un dispositif original de couplage des deux techniques. Ce dispositif permet alors une étude simultanée des champs de température et de déformation d'un acier inoxydable austénitique 316L sous sollicitations uniaxiales monotones et cycliques.