Caractérisation des propriétés physico-chimiques de surfaces d'acier par imagerie hyperspectrale

Characterization of the physico-chemical properties of steel surfaces byhyperspectral imaging

• Auteur / Autrice : Tarek Zenati
• Direction : Jesús Angulo López
• Type : Thèse de doctorat
• Discipline(s) : Morphologie mathématique
• Date : Soutenance le 24/01/2023
• Etablissement(s) : Université Paris sciences et lettres
• Ecole(s) doctorale(s) : Ecole doctorale Ingénierie des Systèmes, Matériaux, Mécanique, Énergétique (Paris)
• Partenaire(s) de recherche : Laboratoire : Centre de morphologie mathématique (Fontainebleau, Seine et Marne)
• Partenaire(s) de recherche : établissement de préparation de la thèse : École nationale supérieure des mines (Paris ; 1783-....)
• Jury : Président / Présidente : Saïd Moussaoui
• Jury : Examinateurs / Examinatrices : Jesús Angulo López, Vincent Mazet, Bruno Figliuzzi, Cédric Carteret, Joana Maria Frontera Pons
• Jury : Rapporteur / Rapporteuse : Vincent Mazet

Mots clés

Mots clés contrôlés

Spectres infrarouges

Mots clés libres

Séparation de sources hyperspectrales

Régression parcimonieuse

Caractérisation des surfacess

Apprentissage supervisé

Hyperspectral unmixing

Sparse regression

Surface characterization

Supervised learning

Résumé

Au cours du procédé de fabrication des tôles d’acier, l’incorporation d’éléments d’alliage à l’acier pour améliorer sesperformances mécaniques peut entraîner la formation de couches d’oxydes sélectifs en surface. La formation de cescouches peut avoir un impact significatif sur les propriétés de surface des tôles d’acier, ce qui rend leur détection essentielle.Dans ce travail de thèse, nous présentons une nouvelle méthode basée sur des observations hyperspectralesvisant à détecter la présence de couches oxydées à la surface des tôles. Les capteurs hyperspectraux permettent demesurer la réflectance de la surface à caractériser sur une large bande du spectre électro-magnétique, généralementdans la gamme infrarouge. Cependant, du fait de la résolution spatiale limitée des capteurs, les spectres de réflectanceobservés mélangent la contribution de plusieurs oxydes élémentaires. Une étape essentielle en vue de caractériser lachimie des surfaces étudiées est donc d’identifier les oxydes élémentaires contribuant aux observations, une tâche appeléeséparation de sources hyperspectrales dans la littérature. Dans notre cas, une difficulté majeure est que le modèleoptique décrivant la formation de l’onde électromagnétique arrivant sur les capteurs est fortement non linéaire. Danscette thèse, nous proposons deux approches distinctes pour pallier cette difficulté faisant respectivement appel à desméthodes de régressions parcimonieuse et d’apprentissage supervisé.

During steel sheets manufacturing, the addition of alloying elements to the steel to improve its mechanical performancecan cause the formation of layers of selective oxides at the surface. These layers significantly impact the surface propertiesof the steel sheets, which renders their detection an essential task. In this PhD study, we present a novel methodologybased on hyperspectral measurements to detect the presence of surface layers of selective oxides on steel sheets. Hyperspectralsensors have the ability to measure the reflectance of the steel surface over a large spectral band of theelectromagnetic spectrum, usually in the infrared range. However, due to their limited spatial resolution, the observedreflectance spectra usually mixes the contribution of several elementary oxides. A first step toward the surface characterizationis therefore to identify the elementary oxides contributing to the hyperspectral observations, a task referred to ashyperspectral unmixing in the literature. In our case, a major difficulty is that the optical model describing the formation ofthe electromagnetic wave coming onto the sensors is strongly nonlinear. In this PhD study, we propose two distinct approachesto alleviate this difficulty relying on sparse regression methods and supervised learning methods, respectively.