Application au contrôle non destructif ultrasonore d’un réseau de neurones convolutif pour identifier, localiser et dimensionner des défauts

Latête, Thibault (2020). Application au contrôle non destructif ultrasonore d’un réseau de neurones convolutif pour identifier, localiser et dimensionner des défauts. Mémoire de maîtrise électronique, Montréal, École de technologie supérieure.

Prévisualisation	PDF Télécharger (7MB) | Prévisualisation
Prévisualisation	PDF Télécharger (479kB) | Prévisualisation

Résumé

Les algorithmes d’apprentissage machine sont largement utilisés dans la reconnaissance d’images. Dans le domaine du contrôle non destructif par ultrasons multi-éléments, les images sont généralement formées par la superposition constructive et destructive de signaux réfléchis par des défauts ou des caractéristiques géométriques. Cependant, les images ainsi générées restent difficiles à interpréter. Dans cette étude, le Faster R-CNN, un réseau neuronal convolutif, a été utilisé pour identifier, localiser et dimensionner des trous à fond plat (FBH) et des trous à perçage latéral (SDH) dans un bloc immergé en utilisant une unique insonification à onde plane. L’entraînement a été effectué sur des données segmentées et classifiées, générées par des simulations par éléments finis accélérées par GPU. Des SDH et des FBH de différents diamètres, profondeurs et positions latérales ont été inclus dans l’ensemble de l’entraînement. L’épaisseur du bloc percé était également variable. Une sonde ultrason de 64 éléments a été simulée. Tous les éléments de la sonde ont émis simultanément et les traces temporelles de chaque élément ont été enregistrées. Les traces temporelles ont été concaténées pour former une matrice. Ces matrices de traces temporelles ont servi à l’entraînement du réseau neuronal. Cette méthode d’inspection permet une acquisition rapide des données au détriment de la faible résolution latérale de l’image résultante. Le réseau neuronal entrainé a été testé dans un premier temps à l’aide de simulations par éléments finis. Les résultats ont été évalués sur le critère de l’intersection de l’union (IoU) entre le véritable encadrement du bloc ou de son défaut et l’encadrement prédit. En ce qui concerne les cas simulés, l’épaisseur de l’échantillon a été détectée dans tous les cas. Un seuil d’IoU de 40 % a conduit à la détection de 87 % des FBH et seulement 20 % des SDH. Le plus petit FBH simulé était de 0,56 longueur d’onde de profondeur et de 1,04 longueur d’onde d’étendue latérale. En traçant un encadrement utilisant la méthode de la chute à −6 dB autour du FBH, l’IoU était toujours inférieure à 15 %. L’étendue latérale du FBH selon la méthode de la chute à −6 dB était en moyenne trois fois plus grande que le diamètre prévu par la méthode proposée. L’entraînement fut reconduit et terminé avec une petite base de données expérimentales (équivalente à 3% de la base de données simulées). En ce qui concerne les cas expérimentaux, les résultats montrent que l’échantillon d’essai a été correctement identifié dans tous les cas. Cette fois, un seuil d’IoU de 40 % a permis de détecter 70 % des FBH. Le plus petit FBH détecté expérimentalement avait une profondeur de 2 longueurs d’onde.

Titre traduit

Towards using convolutional neural network to locate, identify and size defects in phased array ultrasonic testing

Résumé traduit

Machine learning algorithms are widely used in image recognition. In phased array ultrasonic testing, images are typically formed through constructive and destructive superpositions of signals backscattered from flaws or geometrical features. However, images generated in phased array ultrasonic testing remain difficult to interpret. In this study, the Faster R-CNN was used to identify, locate and size flat bottom holes (FBH) and side-drilled holes (SDH) in an immersed test specimen using a single plane wave insonification. The training was performed on segmented and classified data generated using GPU-accelerated finite element simulations. SDH and FBH of different diameters, depths and lateral positions were included in the training set. The thickness of the test specimen was also variable. An ultrasonic phased array probe of 64 elements was simulated. All elements of the phased array probe were fired at the same time and the time traces from each element were recorded. The individual time traces were concatenated to form a matrix, which was then used in the training. This inspection scenario enables fast acquisition of data at the expense of poor lateral resolution in the resulting image. The trained neural network was initially tested using finite element simulations. Results were assessed in terms of the intersection of the union (IoU) between the ground truth geometry and the predicted geometry. With the simulated cases, the thickness of the test specimen was detected in all cases. When using a 40% IoU threshold, the detection rate of the FBH was 87% while only 20% for the SDH. The smallest detected FBH had a 0.56 wavelength depth and a lateral extent of 1.04 wavelength. Drawing a box using the −6 dB drop method around the FBH always led to an IoU under 15%. On average, the lateral extent of the FBH using the −6 dB drop method was three times larger than the diameter predicted by the proposed method. Then, the training was continued with a small augmented experimental dataset (equivalent to 3% of the simulated dataset). In experiments, the results show that the test specimen was always correctly identified. When using a 40% IoU threshold the experimental detection rate of the FBH was 70%. The smallest detected defect in experiments had a depth of 2 wavelengths.

Type de document:	Mémoire ou thèse (Mémoire de maîtrise électronique)
Renseignements supplémentaires:	"Mémoire par article présenté à l’École de technologie supérieure comme exigence partielle à l’obtention de la maîtrise avec mémoire en génie mécanique". Comprend des références bibliographiques (pages 59-61).
Mots-clés libres:	contrôle non destructif, ultrason, ondes planes, réseau de neurones convolutif, reconnaissance d’image, Faster-RCNN
Directeur de mémoire/thèse:	Directeur de mémoire/thèse Bélanger, Pierre
Programme:	Maîtrise en ingénierie > Génie mécanique
Date de dépôt:	11 févr. 2025 20:41
Dernière modification:	11 févr. 2025 20:41
URI:	https://espace.etsmtl.ca/id/eprint/2618

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt