{"id":{"repo_id":"ets-quebec","oai_identifier":"oai:espace.etsmtl.ca:2618"},"canonical_url":"https://search.ndltd.org/etd/ets-quebec/oai:espace.etsmtl.ca:2618","repository":{"repo_id":"ets-quebec","name":"ETS (Quebec)","base_url":"https://espace.etsmtl.ca/cgi/oai2"},"display":{"title":"Application au contrôle non destructif ultrasonore d’un réseau de neurones convolutif pour identifier, localiser et dimensionner des défauts","abstract":"Les algorithmes d’apprentissage machine sont largement utilisés dans la reconnaissance d’images. Dans le domaine du contrôle non destructif par ultrasons multi-éléments, les images sont généralement formées par la superposition constructive et destructive de signaux réfléchis par des défauts ou des caractéristiques géométriques. Cependant, les images ainsi générées restent difficiles à interpréter. Dans cette étude, le Faster R-CNN, un réseau neuronal convolutif, a été utilisé pour identifier, localiser et dimensionner des trous à fond plat (FBH) et des trous à perçage latéral (SDH) dans un bloc immergé en utilisant une unique insonification à onde plane. L’entraînement a été effectué sur des données segmentées et classifiées, générées par des simulations par éléments finis accélérées par GPU. Des SDH et des FBH de différents diamètres, profondeurs et positions latérales ont été inclus dans l’ensemble de l’entraînement. L’épaisseur du bloc percé était également variable. Une sonde ultrason de 64 éléments a été simulée. Tous les éléments de la sonde ont émis simultanément et les traces temporelles de chaque élément ont été enregistrées. Les traces temporelles ont été concaténées pour former une matrice. Ces matrices de traces temporelles ont servi à l’entraînement du réseau neuronal. Cette méthode d’inspection permet une acquisition rapide des données au détriment de la faible résolution latérale de l’image résultante. Le réseau neuronal entrainé a été testé dans un premier temps à l’aide de simulations par éléments finis. Les résultats ont été évalués sur le critère de l’intersection de l’union (IoU) entre le véritable encadrement du bloc ou de son défaut et l’encadrement prédit. En ce qui concerne les cas simulés, l’épaisseur de l’échantillon a été détectée dans tous les cas. Un seuil d’IoU de 40 % a conduit à la détection de 87 % des FBH et seulement 20 % des SDH. Le plus petit FBH simulé était de 0,56 longueur d’onde de profondeur et de 1,04 longueur d’onde d’étendue latérale. En traçant un encadrement utilisant la méthode de la chute à −6 dB autour du FBH, l’IoU était toujours inférieure à 15 %. L’étendue latérale du FBH selon la méthode de la chute à −6 dB était en moyenne trois fois plus grande que le diamètre prévu par la méthode proposée. L’entraînement fut reconduit et terminé avec une petite base de données expérimentales (équivalente à 3% de la base de données simulées). En ce qui concerne les cas expérimentaux, les résultats montrent que l’échantillon d’essai a été correctement identifié dans tous les cas. Cette fois, un seuil d’IoU de 40 % a permis de détecter 70 % des FBH. Le plus petit FBH détecté expérimentalement avait une profondeur de 2 longueurs d’onde.","abstract_html":"Les algorithmes d’apprentissage machine sont largement utilisés dans la reconnaissance d’images. Dans le domaine du contrôle non destructif par ultrasons multi-éléments, les images sont généralement formées par la superposition constructive et destructive de signaux réfléchis par des défauts ou des caractéristiques géométriques. Cependant, les images ainsi générées restent difficiles à interpréter. Dans cette étude, le Faster R-CNN, un réseau neuronal convolutif, a été utilisé pour identifier, localiser et dimensionner des trous à fond plat (FBH) et des trous à perçage latéral (SDH) dans un bloc immergé en utilisant une unique insonification à onde plane. L’entraînement a été effectué sur des données segmentées et classifiées, générées par des simulations par éléments finis accélérées par GPU. Des SDH et des FBH de différents diamètres, profondeurs et positions latérales ont été inclus dans l’ensemble de l’entraînement. L’épaisseur du bloc percé était également variable. Une sonde ultrason de 64 éléments a été simulée. Tous les éléments de la sonde ont émis simultanément et les traces temporelles de chaque élément ont été enregistrées. Les traces temporelles ont été concaténées pour former une matrice. Ces matrices de traces temporelles ont servi à l’entraînement du réseau neuronal. Cette méthode d’inspection permet une acquisition rapide des données au détriment de la faible résolution latérale de l’image résultante. Le réseau neuronal entrainé a été testé dans un premier temps à l’aide de simulations par éléments finis. Les résultats ont été évalués sur le critère de l’intersection de l’union (IoU) entre le véritable encadrement du bloc ou de son défaut et l’encadrement prédit. En ce qui concerne les cas simulés, l’épaisseur de l’échantillon a été détectée dans tous les cas. Un seuil d’IoU de 40 % a conduit à la détection de 87 % des FBH et seulement 20 % des SDH. Le plus petit FBH simulé était de 0,56 longueur d’onde de profondeur et de 1,04 longueur d’onde d’étendue latérale. En traçant un encadrement utilisant la méthode de la chute à −6 dB autour du FBH, l’IoU était toujours inférieure à 15 %. L’étendue latérale du FBH selon la méthode de la chute à −6 dB était en moyenne trois fois plus grande que le diamètre prévu par la méthode proposée. L’entraînement fut reconduit et terminé avec une petite base de données expérimentales (équivalente à 3% de la base de données simulées). En ce qui concerne les cas expérimentaux, les résultats montrent que l’échantillon d’essai a été correctement identifié dans tous les cas. Cette fois, un seuil d’IoU de 40 % a permis de détecter 70 % des FBH. Le plus petit FBH détecté expérimentalement avait une profondeur de 2 longueurs d’onde.","abstract_has_math":false,"creators":["Latête, Thibault"],"institution":"École de technologie supérieure","degree_name":"Mémoire de maîtrise électronique","degree_level":"masters","degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2020,"date_issued":"2020-09-10","date_published":"2020-09-10","updated_at":"2026-11-18T22:08:38Z","subjects":["contrôle non destructif, ultrason, ondes planes, réseau de neurones convolutif, reconnaissance d’image, Faster-RCNN"],"languages":["fr"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["INSERT-YOUR-LIBRARY-ID-HERE2618"],"render_values":[{"text":"INSERT-YOUR-LIBRARY-ID-HERE2618","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":null,"outbound_label":null,"outbound_source":null,"record_url":null,"record_label":null,"record_kind":null,"record_source":null,"download_url":"https://espace.etsmtl.ca/id/eprint/2618/1/LATETE_Thibault.pdf","download_label":"Download PDF","download_source":"dc:identifier","access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://espace.etsmtl.ca/cgi/oai2?verb=GetRecord&metadataPrefix=oai_etdms&identifier=oai%3Aespace.etsmtl.ca%3A2618","prefix":"oai_etdms"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Latête, Thibault"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2020-09-10"]},{"key":"dc:publisher","label":"Institution","values":["École de technologie supérieure"]},{"key":"dc:type","label":"Dc Type","values":["Electronic Thesis or Dissertation"]},{"key":"thesis:degree_level","label":"Degree Level","values":["masters"]},{"key":"thesis:degree_name","label":"Degree Name","values":["Mémoire de maîtrise électronique"]},{"key":"thesis:institution_name","label":"Thesis Institution Name","values":["École de technologie supérieure"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["contrôle non destructif, ultrason, ondes planes, réseau de neurones convolutif, reconnaissance d’image, Faster-RCNN"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["fr"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["INSERT-YOUR-LIBRARY-ID-HERE2618","https://espace.etsmtl.ca/id/eprint/2618/1/LATETE_Thibault.pdf","https://espace.etsmtl.ca/id/eprint/2618/2/LATETE_Thibault-web.pdf"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Les algorithmes d’apprentissage machine sont largement utilisés dans la reconnaissance d’images. Dans le domaine du contrôle non destructif par ultrasons multi-éléments, les images sont généralement formées par la superposition constructive et destructive de signaux réfléchis par des défauts ou des caractéristiques géométriques. Cependant, les images ainsi générées restent difficiles à interpréter. Dans cette étude, le Faster R-CNN, un réseau neuronal convolutif, a été utilisé pour identifier, localiser et dimensionner des trous à fond plat (FBH) et des trous à perçage latéral (SDH) dans un bloc immergé en utilisant une unique insonification à onde plane. L’entraînement a été effectué sur des données segmentées et classifiées, générées par des simulations par éléments finis accélérées par GPU. Des SDH et des FBH de différents diamètres, profondeurs et positions latérales ont été inclus dans l’ensemble de l’entraînement. L’épaisseur du bloc percé était également variable. Une sonde ultrason de 64 éléments a été simulée. Tous les éléments de la sonde ont émis simultanément et les traces temporelles de chaque élément ont été enregistrées. Les traces temporelles ont été concaténées pour former une matrice. Ces matrices de traces temporelles ont servi à l’entraînement du réseau neuronal. Cette méthode d’inspection permet une acquisition rapide des données au détriment de la faible résolution latérale de l’image résultante. Le réseau neuronal entrainé a été testé dans un premier temps à l’aide de simulations par éléments finis. Les résultats ont été évalués sur le critère de l’intersection de l’union (IoU) entre le véritable encadrement du bloc ou de son défaut et l’encadrement prédit. En ce qui concerne les cas simulés, l’épaisseur de l’échantillon a été détectée dans tous les cas. Un seuil d’IoU de 40 % a conduit à la détection de 87 % des FBH et seulement 20 % des SDH. Le plus petit FBH simulé était de 0,56 longueur d’onde de profondeur et de 1,04 longueur d’onde d’étendue latérale. En traçant un encadrement utilisant la méthode de la chute à −6 dB autour du FBH, l’IoU était toujours inférieure à 15 %. L’étendue latérale du FBH selon la méthode de la chute à −6 dB était en moyenne trois fois plus grande que le diamètre prévu par la méthode proposée. L’entraînement fut reconduit et terminé avec une petite base de données expérimentales (équivalente à 3% de la base de données simulées). En ce qui concerne les cas expérimentaux, les résultats montrent que l’échantillon d’essai a été correctement identifié dans tous les cas. Cette fois, un seuil d’IoU de 40 % a permis de détecter 70 % des FBH. Le plus petit FBH détecté expérimentalement avait une profondeur de 2 longueurs d’onde."]},{"key":"dc:format","label":"Dc Format","values":["application/pdf"]},{"key":"dc:title","label":"Title","values":["Application au contrôle non destructif ultrasonore d’un réseau de neurones convolutif pour identifier, localiser et dimensionner des défauts"]}]}],"canonical_facts":{"dc:creator":["Latête, Thibault"],"dc:date":["2020-09-10"],"dc:description":["Les algorithmes d’apprentissage machine sont largement utilisés dans la reconnaissance d’images. Dans le domaine du contrôle non destructif par ultrasons multi-éléments, les images sont généralement formées par la superposition constructive et destructive de signaux réfléchis par des défauts ou des caractéristiques géométriques. Cependant, les images ainsi générées restent difficiles à interpréter. Dans cette étude, le Faster R-CNN, un réseau neuronal convolutif, a été utilisé pour identifier, localiser et dimensionner des trous à fond plat (FBH) et des trous à perçage latéral (SDH) dans un bloc immergé en utilisant une unique insonification à onde plane. L’entraînement a été effectué sur des données segmentées et classifiées, générées par des simulations par éléments finis accélérées par GPU. Des SDH et des FBH de différents diamètres, profondeurs et positions latérales ont été inclus dans l’ensemble de l’entraînement. L’épaisseur du bloc percé était également variable. Une sonde ultrason de 64 éléments a été simulée. Tous les éléments de la sonde ont émis simultanément et les traces temporelles de chaque élément ont été enregistrées. Les traces temporelles ont été concaténées pour former une matrice. Ces matrices de traces temporelles ont servi à l’entraînement du réseau neuronal. Cette méthode d’inspection permet une acquisition rapide des données au détriment de la faible résolution latérale de l’image résultante. Le réseau neuronal entrainé a été testé dans un premier temps à l’aide de simulations par éléments finis. Les résultats ont été évalués sur le critère de l’intersection de l’union (IoU) entre le véritable encadrement du bloc ou de son défaut et l’encadrement prédit. En ce qui concerne les cas simulés, l’épaisseur de l’échantillon a été détectée dans tous les cas. Un seuil d’IoU de 40 % a conduit à la détection de 87 % des FBH et seulement 20 % des SDH. Le plus petit FBH simulé était de 0,56 longueur d’onde de profondeur et de 1,04 longueur d’onde d’étendue latérale. En traçant un encadrement utilisant la méthode de la chute à −6 dB autour du FBH, l’IoU était toujours inférieure à 15 %. L’étendue latérale du FBH selon la méthode de la chute à −6 dB était en moyenne trois fois plus grande que le diamètre prévu par la méthode proposée. L’entraînement fut reconduit et terminé avec une petite base de données expérimentales (équivalente à 3% de la base de données simulées). En ce qui concerne les cas expérimentaux, les résultats montrent que l’échantillon d’essai a été correctement identifié dans tous les cas. Cette fois, un seuil d’IoU de 40 % a permis de détecter 70 % des FBH. Le plus petit FBH détecté expérimentalement avait une profondeur de 2 longueurs d’onde."],"dc:format":["application/pdf"],"dc:identifier":["INSERT-YOUR-LIBRARY-ID-HERE2618","https://espace.etsmtl.ca/id/eprint/2618/1/LATETE_Thibault.pdf","https://espace.etsmtl.ca/id/eprint/2618/2/LATETE_Thibault-web.pdf"],"dc:language":["fr"],"dc:publisher":["École de technologie supérieure"],"dc:subject":["contrôle non destructif, ultrason, ondes planes, réseau de neurones convolutif, reconnaissance d’image, Faster-RCNN"],"dc:title":["Application au contrôle non destructif ultrasonore d’un réseau de neurones convolutif pour identifier, localiser et dimensionner des défauts"],"dc:type":["Electronic Thesis or Dissertation"],"thesis:degree_level":["masters"],"thesis:degree_name":["Mémoire de maîtrise électronique"],"thesis:institution_name":["École de technologie supérieure"]},"updated_at":"2026-11-18T22:08:38Z"}