Développement d'une méthodologie hybride d'augmentation des données : Application à la détection de défaut supervisée en tomographie RX

Development of a hybrid data augmentation methodology: Application to supervised defect detection in X-ray tomography

• Auteur / Autrice : Nina Lassalle-astis
• Direction : Pascal Desbarats
• Type : Projet de thèse
• Discipline(s) : Informatique
• Date : Inscription en doctorat le 05/01/2023
• Etablissement(s) : Bordeaux
• Ecole(s) doctorale(s) : École doctorale Mathématiques et informatique (Talence, Gironde ; 1991-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire bordelais de recherche en informatique
• Partenaire(s) de recherche : Equipe de recherche : Images et Son

Mots clés

Mots clés libres

Détection de défauts

Tomographie

Augmentation de données

Apprentissage profond

Deep Learning

Tomography

Defect detection

Data augmentation

Résumé

Pour le cas de la fabrication additive, la technologie de contrôle par tomographie RX apparaît comme une perspective très pertinente pour traiter les besoins de contrôle des pièces mécaniques, du fait de leur complexité géométrique (formes internes fonctionnelles), de la structuration des matériaux et des typologies de défauts inhérents à ces technologies. L'analyse des données en tomographie peut être longue et coûteuse sur des séries de pièces importantes du fait de la forte mobilisation de ressources humaines, y compris sur des tâches à faible valeur ajoutée et parfois répétitive. L'automatisation doit également permettre de pouvoir concentrer l'expertise des opérateurs qualifiés pour les phases d'expertise en présence d'indications complexes à classifier, donc sur des opérations à forte criticité et valeur ajoutée. Cette thèse vise à développer les outils qui permettront d'automatiser l'analyse de ces pièces et la détection de défauts lors de la fabrication additive. Afin de pouvoir entraîner un réseau de neurones pour cette détection, il est nécessaire d'avoir un grand nombre de données correctement labellisées, et il sera donc nécessaire dans un premier temps de générer des données synthétiques par simulation.

In the case of additive manufacturing, the X-ray tomography inspection technology appears to be a very relevant perspective for dealing with the inspection needs of mechanical parts, due to their geometric complexity (internal functional shapes), the structuring of materials and the types of defects inherent to these technologies. The analysis of tomographic data can be long and costly on large series of parts due to the high mobilization of human resources, including on tasks with low added value and sometimes repetitive. Automation must also allow to concentrate the expertise of qualified operators for the expertise phases in the presence of complex indications to classify, thus on operations with high criticality and added value. This thesis aims to develop tools that will automate the analysis of these parts and the detection of defects during additive manufacturing. In order to train a neural network for this detection, it is necessary to have a large number of correctly labeled data, and it will therefore be necessary to generate synthetic data by simulation.