Thèse Année : 2024

Multi-sensor learning for material non destructive testing

Apprentissage multi-capteurs pour le contrôle non destructif de matériaux

Kevin Helvig
  • Fonction : Auteur
  • PersonId : 1493559
  • IdRef : 282702997

Résumé

Defect detection in aeronautical and space structures is crucial for both manufacturing and maintenance. Non-destructive testing methods must be fast, precise, reliable, cost-effective, and increasingly automated. The complementarity of different inspection techniques suggests their simultaneous use to enhance information reliability or enable automatic detection that would be challenging with a single technique. In this thesis, we explore the use of deep learning and image synthesis methods for the detection and localization of cracks using laser Flying Spot infrared thermography on metallic materials. Our first contribution focuses on data collection on test benches and the generation of synthetic images using diffusion models to increase the quantity and diversity of available thermographic images. The second contribution involves using these datasets with progressive training protocols and feature transfer to enhance the neural networks' ability to discriminate and localize damage in Flying Spot thermal images. Finally, our third contribution proposes the construction of a new deep learning architecture for infrared-visible multi-spectral fusion and its implementation for defect detection on coupled thermographic and visible data. This thesis illustrates the benefit of multi-spectral fusion through deep learning methods, particularly in the context of laser thermography.
La détection de défauts dans les structures aéronautiques et spatiales est cruciale, tant pour la fabrication que pour la maintenance. Les méthodes de contrôle non-destructif doivent être rapides, précises, fiables, économiques et de plus en plus automatisées. La complémentarité des différentes techniques d'inspection suggère leur utilisation simultanée pour renforcer la fiabilité des informations ou permettre une détection automatique difficile avec une seule technique. Dans ce travail de thèse, nous explorons l'utilisation des méthodes d'apprentissage profond et de synthèse d'images pour la détection et la localisation de fissures par thermographie infrarouge laser Flying Spot sur des matériaux métalliques. Notre première contribution se concentre sur la collecte de données sur banc d'essai et la génération d'images synthétiques utilisant des modèles de diffusion pour augmenter la quantité et la diversité d'images thermographiques disponibles. La deuxième contribution concerne l'utilisation ces jeux de données au travers de protocoles d'entraînement progressif et de transfert de caractéristiques afin d'améliorer la capacité des réseaux de neurones à discriminer et localiser les endommagements sur les images thermiques Flying Spot. Enfin, notre troisième contribution porte sur la construction d'une nouvelle architecture d'apprentissage profond pour la fusion multi-spectrale infrarouge-visible et sa mise en œuvre pour la détection de défauts sur des données couplées thermographiques et visibles. Cette thèse illustre le bénéfice de la fusion multi-spectrale au travers des méthodes d'apprentissage profond, en particulier dans le cadre de la thermographie laser.
Fichier principal
Vignette du fichier
142115_HELVIG_2024_archivage.pdf (92.51 Mo) Télécharger le fichier
Origine Version validée par le jury (STAR)

Dates et versions

tel-04901737 , version 1 (20-01-2025)

Identifiants

  • HAL Id : tel-04901737 , version 1

Citer

Kevin Helvig. Apprentissage multi-capteurs pour le contrôle non destructif de matériaux. Traitement du signal et de l'image [eess.SP]. Université Paris-Saclay, 2024. Français. ⟨NNT : 2024UPASG079⟩. ⟨tel-04901737⟩
0 Consultations
0 Téléchargements

Partager

More