Détection automatique des défauts dans des volumes tomographiques des pièces de fonderie

Automatic defect detection in industrial CT volumes of casting

• Auteur / Autrice : William Martel
• Direction : Valérie Kaftandjian
• Type : Thèse de doctorat
• Discipline(s) : Traitement du Signal et de l'Image
• Date : Soutenance le 09/03/2022
• Etablissement(s) : Lyon
• Ecole(s) doctorale(s) : École doctorale Électronique, électrotechnique, automatique (Lyon)
• Partenaire(s) de recherche : établissement opérateur d'inscription : Institut national des sciences appliquées (Lyon ; 1957-....)
• Partenaire(s) de recherche : Laboratoire : LVA - Laboratoire Vibrations Acoustique (Lyon, INSA) - Laboratoire Vibrations Acoustique / LVA
• Jury : Président / Présidente : Ahmad Osman
• Jury : Examinateurs / Examinatrices : Valérie Kaftandjian, Ahmad Osman, Michèle Rombaut, Su Ruan, Stefan Duffner, Philippe Duvauchelle, Domingo Mery
• Jury : Rapporteur / Rapporteuse : Michèle Rombaut, Su Ruan

Mots clés

Mots clés contrôlés

Apprentissage automatique

Défauts

Tomographie

Fonderie

Mots clés libres

Traitement des images

Fonderie

Tomographie industrielle

Tomographie par rayon X

Détection de défaut

Apprentissage Machine

Apprentissage Profond

Artéfact métallique

Alliage aluminium

Détection automatique

Image treatment

Casting

Industrial tomography

X-Ray tomography

Defect detection

Machine Learning

Deep Learning

Metallic Artefact

Aluminium alloy

Automatic Detection

Résumé

La tomographie industrielle à rayons X (CT) a prouvé sa valeur en tant que méthode non destructive pour l'inspection des pièces de fonderie en métal léger. Le volume CT généré permet de mesurer la géométrie interne et externe de la pièce, de localiser les défauts de fonderie et d'étudier leurs propriétés statistiques. D'autre part, les volumes CT sont très sujets aux artefacts qui peuvent être confondus avec des défauts par les algorithmes de segmentation conventionnels. Sur la base des données CT des pièces de fonderie en alliage d'aluminium fournies par des partenaires industriels, une approche automatique a été développée pour analyser les discontinuités à l'intérieur des volumes CT sur la base d'un pipeline en trois étapes : (1) segmentation 2D des tranches CT avec segmentation profonde automatique pour détecter les discontinuités suspectes en niveaux de gris ; (2) classification de ces discontinuités en véritables alarmes (défauts) ou fausses alarmes (artefacts et bruit), à l'aide d'un classificateur de réseau neuronal convolutif entrainé; (3) localisation des défauts validés en 3D pour étudier leurs propriétés géométriques telles que la sphéricité, l'allongement et la compacité. Les défauts 3D validés sont ensuite classés en porosités ou retassures à l'aide d'un classificateur SVM et d'un réseau de neurones siamois. Le choix de chaque modèle et les résultats d'entrainement sont présentés et discutés, ainsi que l'efficacité de l'approche en tant qu'algorithme de détection automatique de défauts pour les volumes CT industriels.

Industrial X-ray computed tomography (CT) has proven its value as a non-destructive method for inspecting light metal castings. The CT volume generated enables the internal and external geometry of the specimen to be measured, casting defects to be localized and their statistical properties to be investigated. On the other hand, CT volumes are very prone to artifacts that can be mistaken for defects by conventional segmentation algorithms. Based on CT data of aluminium alloy castings provided by industrial partners, we have developed an automatic approach to analyze discontinuities inside CT volumes based on a three-step pipeline: (1) 2D segmentation of CT slices with automatic deep segmentation to detect suspicious greyscale discontinuities; (2) classification of these discontinuities into true alarms (defects) or false alarms (artifacts and noise), using a trained convolutional neural network classifier; (3) localization of the validated defects in 3D to investigate their statistical properties such as sphericity, elongation and compactness. Based on this, the validated 3D defects are then classified into porosities or shrinkage cavities using an SVM classifier and a siamese neural network. The choice of each model and the training results are presented and discussed, as well as the efficiency of the approach as an automatic defect detection algorithm for industrial CT volumes.