Détection de défauts dans les scans sectoriels avec des architectures d’apprentissage profond avancées

Lombard, Éloi (2025). Détection de défauts dans les scans sectoriels avec des architectures d’apprentissage profond avancées. Mémoire de maîtrise électronique, Montréal, École de technologie supérieure.

Prévisualisation

PDF Télécharger (3MB) | Prévisualisation

Résumé

Le contrôle par ultrasons en multiéléments (PAUT) s’est largement imposé en contrôle non destructif en raison de sa précision et de son efficacité. Cependant, l’interprétation des données PAUT demeure fortement dépendante de l’expertise de l’inspecteur, et la présence de caractéristiques géométriques dans les matériaux génère des artefacts qui compliquent l’analyse et augmentent le temps d’interprétation. Bien que l’intelligence artificielle ait démontré de très bonnes performances en détection d’objets dans divers domaines, son application aux ultrasons reste relativement limitée en raison des contraintes de confidentialité des données.

Cette étude explore l’application de l’apprentissage profond pour la détection automatisée de défauts dans des cordons de soudures à l’aide de données PAUT. Deux architectures sont comparées : un Faster R-CNN amélioré et les dernières versions de YOLO (v5 et v8). Pour explorer l’influence de l’information contextuelle sur les performances des modèles, trois configurations de données distinctes sont analysées : des images PAUT brutes servant de référence, des images PAUTs avec une superposition schématique de la géométrie (overlay) indiquant la géométrie de la soudure, et des images PAUTs prétraitées par une soustraction de la médiane de la géométrie pour supprimer les artefacts structurels et mettre en évidence les régions défectueuses.

L’entraînement et la validation se portent sur des spécimens de soudure industriels contenant divers types de défauts incluant des manques de fusion, de la porosité et des fissures. L’intégration de composants tels que ROI Align, EfficientNet-B5 et un réseau pyramidal de caractéristiques, combinée à une optimisation des boîtes d’ancrage par K-means, a permis au Faster R-CNN d’atteindre les meilleures performances avec une précision moyenne (mAP) de 58.05% lorsqu’elle est combinée à la soustraction de géométrie médiane, surpassant les modèles YOLO (avec 57,03% au maximum). La soustraction de géométrie médiane permet une amélioration du mAP de 5 à 7 points de pourcentage tout en réduisant les faux positifs. À l’inverse, l’ajout de l’overlay n’améliore pas les performances et entrave parfois la détection, malgré l’alignement avec les pratiques des inspecteurs.

Titre traduit

Classification and characterisation of defects in PAUT using CNN

Résumé traduit

Phased Array Ultrasonic Testing (PAUT) has become a widely adopted technique in nondestructive testing (NDT) due to its precision and efficiency. However, the interpretation of PAUT data remains highly dependent on the inspector’s expertise, and the presence of geometric features within materials generates artifacts that complicate analysis and increase interpretation time. Although artificial intelligence has demonstrated excellent performance in object detection across various fields, its application to ultrasonic data remains relatively limited, mainly due to data confidentiality constraints.

This study investigates the use of deep learning for the automated detection of weld defects using PAUT data. Two architectures are compared : an enhanced Faster R-CNN and the latest versions of YOLO (v5 and v8). To explore the influence of contextual information on model performance, three distinct data configurations are analyzed : raw PAUT images used as a reference, PAUT images with a schematic overlay indicating weld geometry, and PAUT images preprocessed by median geometry subtraction to remove structural artifacts and highlight defect regions.

Training and validation are conducted on industrial weld specimens containing various defect types, including lack of fusion, porosity, and cracks. The integration of components such as ROI Align, EfficientNet-B5, and a feature pyramid network, combined with K-means–based anchor box optimization, enables the enhanced Faster R-CNN to achieve the best performance, reaching a mean Average Precision (mAP) of 58.05% when combined with median geometry subtraction, outperforming YOLO models (up to 57.03%). Median geometry subtraction improves mAP by 5 to 7 percentage points while reducing false positives. Conversely, the addition of the overlay does not improve performance and sometimes hinders detection, despite its alignment with standard inspection practices.

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 51-54).
Mots-clés libres:	contrôle par ultrasons en multi-éléments (PAUT), réseaux de neurones convolutifs (CNN), faster R-CNN, YOLO, détection de défauts, classification
Directeur de mémoire/thèse:	Directeur de mémoire/thèse Bélanger, Pierre
Programme:	Maîtrise en ingénierie > Génie mécanique
Date de dépôt:	04 mars 2026 16:17
Dernière modification:	04 mars 2026 16:17
URI:	https://espace.etsmtl.ca/id/eprint/3814

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt