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 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

Selon un rapport de l’Agence centrale de renseignement (CIA) ¹, présenté dans un journal NDT ², il y avait un total de 3.3 millions km de pipelines dans 120 pays du monde en 2014. Cela signifie que les pipelines ont un rôle important à jouer dans l’infrastructure de l’énergie pour le transport de liquides ou du gaz naturel. Bien que les pipelines représentent le plus efficace et le plus fiable pour transporter divers liquides allant de l’eau à l’huile, ils sont vulnérables aux défauts externes et internes. Heureusement, une inspection périodique des pipelines peut augmenter leur sécurité et leur fonctionnalité et réduire les catastrophes environnementales ainsi que les pertes économiques causées par les potentielles explosions ou autres dysfonctionnements. Considérant les avantages des capteurs 3D qui permettent de créer une réplique numérique précise de la surface des objets réels en plus des avantages de la technologie d’Evaluation Non Destructive (END) qui fournit un suivi des défauts sous la surface, la présente recherche propose une solution visant à construire un modèle 3D d’un pipeline ou d’autres structures allongées pour suivre leur état. Dans ce but, nous mesurons d’abord la géométrie du pipeline avec des capteurs 3D portables et construisons le modèle 3D de la structure. Ensuite, les informations des défauts sous la surface qui sont estimées efficacement par des approches développées par d’autres membres de l’équipe en utilisant la thermographie infrarouge sont intégrées au modèle 3D reconstruit. Le manuscrit étudie différents défis liés à la modélisation 3D précise de grandes structures allongées et la répétabilité de l’approche de modélisation à des fins de contrôle de qualité et d’entretien à long terme. 1. The World Factbook, updated 18 May 2015. 2. Materials Evaluation (M.E.), vol. 73, no. 7, July 2015 / According to a Central Intelligence Agency (CIA) report ¹ presented in a flagship NDT journal ², there were a total of 3.3 million km of pipelines present in 120 countries in the world in 2014. This means that pipelines play an important role in the energy infrastructure in order to safely transport liquid or natural gas. Although pipelines are the most efficient and reliable way to carry various liquids ranging from water to oil, they are vulnerable to external and internal damages. Fortunately, a periodic inspection of pipelines can increase their functionality and decrease the environmental disasters as well as economic losses caused by potential spills, explosions or other malfunctions. In this context of the exploitation of pipelines and other similar elongated structures and considering the benefits of 3D sensors which allow us to create an accurate digital replica of the surface of physical objects in addition to the advantages of Non-Destructive Testing (NDT) technology which provides the ability of under-surface monitoring, our research proposes a solution to build a 3D model of pipeline or other elongated structures to monitor their status. For this purpose, we first measure the geometry of the pipeline by handheld 3D scanners and construct the 3D model of the structure. Then, the information of subsurface defects that is estimated efficiently by approaches developed by other team members using infrared thermography is integrated to the reconstructed 3D model. The manuscript investigates different challenges related to the 3D modeling of large elongated structures with high accuracy and repeatability for quality control purposes as well as for long-term maintenance. 1. The World Factbook, updated 18 May 2015. 2. Materials Evaluation (M.E.), vol. 73, no. 7, July 2015

L’augmentation de productivité et de capacité de production est aujourd’hui au coeur des problématiques industrielles. Ceci touche particulièrement l’industrie forestière qui cherche depuis de nombreuses années à accroître sa productivité par, entre autres, des méthodes d’automatisation appliquées à leur processus de transformation du bois. Pour automatiser les méthodes d’inspection industrielle, plusieurs voies ont été empruntées jusqu’à ce jour : photométrie, ultrason, rayon-X, thermographie, etc . La technique présentée ici, l’effet trachéïde, utilise les caractéristiques de diffusion d’un laser dans les fibres de bois pour faire ressortir la densité et la direction du grain du bois. Cette technique produit rapidement une image en tons de gris de la pièce. À partir de cette image plusieurs méthodes ont été développées afin de faire ressortir les défauts sur la pièce. Une méthode de fusion des données a été mise au point afin de faire le regroupement des résultats des différentes techniques de détection. Finalement, une méthode de détection de contours adaptée à la détection des noeuds a été explorée. / Québec Université Laval, Bibliothèque 2019

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.