Back to search

École de technologie supérieure

Détection de défauts dans les scans sectoriels avec des architectures d’apprentissage profond avancées

Abstract

dc:description

Le contrôle par ultrasons en multiéléments (PAUT) s’est largement imposé en contrôle non destructif en raison de sa précision et de son efficacité. Cependant, l’interprétation des données PAUT demeure fortement dépendante de l’expertise de l’inspecteur, et la présence de caractéristiques géométriques dans les matériaux génère des artefacts qui compliquent l’analyse et augmentent le temps d’interprétation. Bien que l’intelligence artificielle ait démontré de très bonnes performances en détection d’objets dans divers domaines, son application aux ultrasons reste relativement limitée en raison des contraintes de confidentialité des données. Cette étude explore l’application de l’apprentissage profond pour la détection automatisée de défauts dans des cordons de soudures à l’aide de données PAUT. Deux architectures sont comparées : un Faster R-CNN amélioré et les dernières versions de YOLO (v5 et v8). Pour explorer l’influence de l’information contextuelle sur les performances des modèles, trois configurations de données distinctes sont analysées : des images PAUT brutes servant de référence, des images PAUTs avec une superposition schématique de la géométrie (overlay) indiquant la géométrie de la soudure, et des images PAUTs prétraitées par une soustraction de la médiane de la géométrie pour supprimer les artefacts structurels et mettre en évidence les régions défectueuses. L’entraînement et la validation se portent sur des spécimens de soudure industriels contenant divers types de défauts incluant des manques de fusion, de la porosité et des fissures. L’intégration de composants tels que ROI Align, EfficientNet-B5 et un réseau pyramidal de caractéristiques, combinée à une optimisation des boîtes d’ancrage par K-means, a permis au Faster R-CNN d’atteindre les meilleures performances avec une précision moyenne (mAP) de 58.05% lorsqu’elle est combinée à la soustraction de géométrie médiane, surpassant les modèles YOLO (avec 57,03% au maximum). La soustraction de géométrie médiane permet une amélioration du mAP de 5 à 7 points de pourcentage tout en réduisant les faux positifs. À l’inverse, l’ajout de l’overlay n’améliore pas les performances et entrave parfois la détection, malgré l’alignement avec les pratiques des inspecteurs.

Degree

thesis:*
Name thesis:degree_name
Mémoire de maîtrise électronique
Level thesis:degree_level
masters
Grantor dc:publisher
École de technologie supérieure
Year dc:date
2025

Author and committee

dc:creator, dc:contributor.*
Author dc:creator
  • Lombard, Éloi

Subjects

dc:subject × 1

Rights

Language dc:language
fr

Identifiers

dc:identifier.*
Identifier
INSERT-YOUR-LIBRARY-ID-HERE3814

Chain of custody

source
Harvested from
ETS (Quebec)
Base URL
espace.etsmtl.ca/cgi/oai2
Last updated
2026-11-18
Source record
OAI-PMH GetRecord
citation

Lombard, Éloi. Détection de défauts dans les scans sectoriels avec des architectures d’apprentissage profond avancées. masters thesis, École de technologie supérieure, 2025.