Reconstruction de profils de corrosion à partir d’images ultrasonores à l’aide de réseaux antagonistes génératifs conditionnels (cGAN)

Cuvillier, Antoine (2025). Reconstruction de profils de corrosion à partir d’images ultrasonores à l’aide de réseaux antagonistes génératifs conditionnels (cGAN). Mémoire de maîtrise électronique, Montréal, École de technologie supérieure.

Prévisualisation

PDF Télécharger (3MB) | Prévisualisation

Résumé

La cartographie de la corrosion par contrôle ultrasonore est largement utilisée dans le domaine industriel, mais demeure une tâche complexe en raison de la difficulté d’interprétation des données acquises. Pour y remédier, une méthode basée sur un réseau antagoniste génératif conditionnel (conditional Generative Adversarial Network, cGAN), entraîné à partir de données simulées et expérimentales, est proposée afin d’interpréter les images ultrasonores et de générer des profils de corrosion schématiques destinés à assister les inspecteurs dans l’analyse des résultats.

Les jeux de données simulés ont été générés à l’aide d’un solveur par éléments finis accéléré sur GPU, intégrant des profils de corrosion réalistes, les caractéristiques des sondes et différents niveaux de bruit. Les données expérimentales ont été acquises avec une grande précision de positionnement à l’aide d’un bras robotisé et d’une sonde multiéléments ultrasonore. L’architec ture du cGAN repose sur un générateur de type U-Net pour traduire les images ultrasonores en représentations schématiques de corrosion, tandis qu’un discriminateur convolutionnel assure le réalisme des images générées.

Plusieurs stratégies d’entraînement ont été évaluées et comparées, incluant des approches basées uniquement sur des données simulées, des ensembles mixtes et des techniques d’apprentissage par transfert. Les performances ont été mesurées à l’aide de métriques telles que l’erreur quadratique moyenne (MSE), l’indice de similarité structurale (SSIM), la corrélation de Pearson et la distance de Hausdorff.

Enfin, le modèle proposé a été comparé à la méthode conventionnelle d’intensité maximale, démontrant une amélioration significative dans l’estimation de l’épaisseur et la précision du profil de corrosion reconstruit. Les résultats montrent que les images issues de la méthode Total Focusing Method (TFM) produisent systématiquement les reconstructions les plus précises, et que l’apprentissage par transfert améliore nettement les performances du modèle, en particulier pour les entrées de type B-Scan à plus faible résolution. Cette approche met en évidence le potentiel de l’imagerie ultrasonore assistée par intelligence artificielle pour reconstruire avec précision des profils de corrosion complexes, offrant ainsi une base solide pour le développement de techniques de contrôle non destructif avancées en milieu industriel.

Titre traduit

Creating schematic representation of corrosion using CGAN and ultrasonic imaging

Résumé traduit

Corrosion mapping using ultrasonic testing is widely employed in industry but remains a challenging task due to the complexity of interpreting the acquired data. To address this, a method based on a conditional Generative Adversarial Network (cGAN), trained on both simulated and experimental data, is proposed to interpret ultrasonic images and generate schematic corrosion profiles that assist inspectors in data interpretation. Simulated datasets were generated using a GPU-accelerated finite element solver, incorporating realistic corrosion patterns, probe characteristics, and noise. Experimental data were acquired with high positional accuracy using a robotic arm and ultrasonic phased array probe. A U-Net generator is employed in the cGAN architecture to translate ultrasonic images into schematic corrosion representations, while a convolutional discriminator ensures realism in the generated outputs. Several training strategies, including simulated-only, mixed, and transfer learning approaches, were evaluated and compared in this paper. Performance was assessed using metrics such as Mean Squared Error, Structural Similarity Index, Pearson correlation, and Hausdorff distance. Additionally, the proposed model is compared with the traditional maximum-intensity method, demonstrating a substantial improvement in thickness estimation and corrosion profile accuracy. Results indicate that the Total Focusing Method (TFM) inputs consistently yield superior reconstruction quality, and that transfer learning substantially improves the model’s performance, particularly when the inputs are lower-resolution B-Scan. The proposed approach demonstrates the potential of AI-driven ultrasonic imaging to accurately reconstruct complex corrosion profiles, providing a framework for enhanced nondestructive evaluation in industrial applications.

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 61-64).
Mots-clés libres:	TFM, B-Scan, FMC, contrôle non destructif, ultrason, cGAN, corrosion
Directeur de mémoire/thèse:	Directeur(-trice) Bélanger, Pierre
Programme:	Maîtrise en ingénierie > Génie mécanique
Date de dépôt:	24 févr. 2026 20:41
Dernière modification:	24 févr. 2026 20:41
URI:	https://espace.etsmtl.ca/id/eprint/3791

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt