Réseaux de neurones informés par la physique pour la caractérisation automatique de défaut par thermographie infra-rouge laser

Physics informed neural networks for automatic defect characterization by laser infrared thermography

• Auteur / Autrice : Bilal Rahou
• Direction : Thierry Sentenac
• Type : Projet de thèse
• Discipline(s) : Sciences du traitement du signal et des images
• Date : Inscription en doctorat le 01/10/2024
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Sciences et technologies de l'information et de la communication
• Partenaire(s) de recherche : Laboratoire : ONERA - Département Traitement de l'information et systèmes
• Partenaire(s) de recherche : Référent : Faculté des sciences d'Orsay

Mots clés

Mots clés libres

Réseaux de neurones informés par la physique

Thermographie

Réseaux de neurones

Contrôle non destructif

Thermography

Neural networks

Physics informed neural networks

Non destructive testing

Résumé

La détection de défauts dans les structures aéronautiques et spatiales suscite un vif intérêt, que ce soit durant la phase de fabrication ou bien lors des opérations de maintenance. Les moyens pour contrôler l'intégrité de ces structures doivent donc être rapides, précis, fiables, à faible coût, et le plus miniaturisés possible. L'ONERA développe depuis de nombreuses années des méthodes innovantes de contrôle non destructif (CND) pour la détection de défaut. L'expertise de l'ONERA repose d'une part sur la maîtrise d'une variété de modalités d'inspection CND (thermographie active infra-rouge, ultra-sons, vibrométrie laser, courants de Foucault etc), et d'autres part sur la maîtrise du développement de méthodes de traitements automatiques de données, exploitant notamment les approches les plus récentes de Deep Learning. Cette thèse porte en particulier sur l'inspection par thermographie active par stimulation laser, appelée Flying Spot, dont l'intérêt pour l'inspection de pièces métalliques a été démontré ces dernières années notamment à l'ONERA [Archer2020], et avec des traitements de détection de défauts de type réseaux de neurones [Helvig2022,Helvig2023]. Le premier objectif de la thèse est de poursuivre les travaux de l'ONERA sur l'automatisation de la détection de défaut, notamment en introduisant la connaissance de la physique dans la détection. Pour cela, le/la doctorante pourra s'intéresser à enrichir les méthodes de synthèses d'images de l'état de l'art à l'ONERA [Helvig2022] en ajoutant des contraintes liées aux lois de diffusion thermique, comme proposé dans [Shu2023] mais également à introduire ces lois dans l'étape de détection [Hsiao2023]. Ses méthodes seront validées sur des données simulées et expérimentales produites au DMAS. Un enjeu dans ce travail sera d'évaluer la balance entre la quantité de données simulées, de synthèse et expérimentales nécessaires pour la détection du défaut tout en assurant une performance acceptable et sans sur-apprentissage. Le deuxième axe de travail de la thèse consistera à dépasser la détection de défaut, en développant notamment des méthodes de segmentation sémantique à partir de données thermique, permettant une caractérisation plus fine du défaut. Le/la doctorant(e) pourra avantageusement exploiter les outils récents de l'état de l'art tels que les modèles de fondation, entraînés sur des très grandes bases de données et qui offrent de très fortes capacités de généralisation pour la segmentation sémantique [Kirillov2023], en comparaison ou en association avec des réseaux de neurones de segmentation sémantique de l'état de l'art. Un enjeu de ce travail sera de pouvoir traiter des pièces comportant une mosaïque de défauts. Ces travaux s'intégreront dans la chaîne de détection de défaut multi-spectrale par fusion de l'inspection Flying Spot et d'inspection visible développée dans des travaux précédents [Helvig 2022]. Enfin, les travaux actuels de l'ONERA détectent les défauts sur les cartographies thermiques obtenues par accumulation d'acquisitions pendant le déplacement du laser. Un dernier axe de travail de la thèse portera sur la détection et caractérisation du défaut images par images. Le traitement des images directement pendant l'acquisition permet notamment d'accélérer la détection. Une démonstration clôturera les travaux de thèse.

The detection of defects in aeronautical and space structures is of great interest, whether during the manufacturing phase or during maintenance operations. The methods for ensuring the integrity of these structures must therefore be fast, precise, reliable, low-cost, and as miniaturized as possible. ONERA has been developing innovative non-destructive testing (NDT) methods for defect detection for many years. ONERA's expertise is based, on one hand, on mastering a variety of NDT inspection modalities (such as active infrared thermography, ultrasound, laser vibrometry, eddy currents, etc.) and, on the other hand, on the development of automatic data processing methods, particularly leveraging on the most recent Deep Learning approaches. This thesis specifically focuses on inspection using active thermography by laser heating, known as Flying Spot, whose effectiveness for inspecting metallic parts has been demonstrated in recent years, notably at ONERA [Archer2020], and through neural network-based processing methods [Helvig2022, Helvig2023]. The first objective of the thesis will be to continue ONERA's work on the automation of defect detection, notably by introducing knowledge of physics into the detection process. For this, the Ph.D. candidate may explore enriching the state-of-the-art image synthesis methods at ONERA [Helvig2022] by adding constraints related to thermal diffusion laws, as proposed in [Shu2023], but also by introducing these laws into the detection phase [Hsiao2023]. These methods will be validated on simulated and experimental data produced at DMAS. A key challenge in this work will be to evaluate the balance between the amount of simulated, synthetic, and experimental data needed for defect detection while ensuring acceptable performance without overfitting. The second focus of the thesis will be to go beyond defect detection by developing methods for semantic segmentation from thermal data, allowing for a more refined characterization of defects. The Ph.D. candidate could advantageously utilize recent state-of-the-art tools, such as foundation models trained on very large datasets, which offer strong generalization capabilities for semantic segmentation [Kirillov2023], in comparison or combination with state-of-the-art semantic segmentation neural networks. A challenge in this work will be to handle parts containing a mosaic of defects. This work will be integrated into the multi-spectral defect detection chain by fusing Flying Spot inspection and visible inspection developed in previous work [Helvig 2022]. Finally, ONERA's current work detects defects on thermal maps obtained by accumulating acquisitions during the movement of the laser. A final focus of the thesis will be on the detection and characterization of defects image by image. Processing the images directly during acquisition offers indeed a time gain in inspection. A demonstration will conclude the thesis work.