Application au contrôle non destructif ultrasonore d’un algorithme de déconvolution utilisant des réseaux de neurones convolutifs

Le contrôle non destructif (CND) vise à inspecter une pièce ou une structure en respectant son intégrité. Une multitude de moyens ont été développés dans ce but : du simple contrôle visuel à des techniques plus sophistiquée utilisant les rayons X, les courants de Foucault ou les ultrasons. Toutes ces méthodes sont complémentaires et le choix de l’une ou de l’autre repose sur un compromis sur la nature du défaut qu’on s’attend à observer : une fissure ou une inclusion, sur sa localisation : en surface ou dans le volume, sur son orientation, sur le matériau et la géométrie de la pièce à inspecter, sur le contexte de la mesure, etc. On utilise le CND principalement là où la rupture d’une pièce pourra avoir des conséquences graves et coûteuses. Les industries de l’énergie, surtout fossile et nucléaire, et aussi l’aéronautique sont très demandeuses de ces procédés. Le recours au CND autorise une maintenance préventive permettant d’économiser beaucoup en optimisant le remplacement de pièces dispendieuses .

Le contrôle ultrasonore est maintenant une méthode d’inspection non destructive et non invasive bien maîtrisée. Il est encore la technique de CND la plus employée dans l’industrie en raison de sa simplicité conceptuelle, sa très large gamme d’utilisation. Cependant, les instruments de mesures sont par définitions imparfaits : ils ont une bande-passante réduite, ils résonnent à certaines fréquences et créent alors du bruit. La géométrie de la pièce ou la technique de reconstruction peuvent provoquer des artéfacts non désirés et inutiles pour ce que l’on veut observer. Il est toujours tentant d’améliorer la qualité d’une mesure sans agir sur le capteur ou le système d’acquisition dont le remplacement est souvent coûteux. Ainsi le traitement du signal ou de l’image offre une méthode efficace et économique pour supprimer des données non pertinentes ou erronées. Par exemple, il est très commun de réduire l’effet du bruit par l’application d’un filtre passe-bas sur le signal.

Un aspect important du CND est la formation des contrôleurs, des inspecteurs et leur certification. Les fournisseurs de matériels de contrôles non destructifs, nombreux au Québec, cherchent à rendre leur produit toujours plus facile d’utilisation en fournissant via l’interface les données les plus pertinentes et essaient de fournir aux techniciens le plus d’assistance possible en temps réels.

Le contrôle ultrasonore possède une limite de résolution axiale égale à une demi longueur d’onde. Il serait en théorie possible de la dépasser en utilisant l’opération de déconvolution. Si en simulation, la méthode donne de bons résultats, en pratique, elle est beaucoup moins efficace. D’où l’idée de changer de méthode en utilisant des réseaux de neurones. La généralisation de l’utilisation des réseaux de neurones depuis une dizaine d’années vise à aider et à assister l’Homme dans la prise de décision. Les résultats sont très encourageants et les algorithmes atteignent les performances humaines dans certains cas.

Introduction aux ultrasons et aux ondes de volumes

Une onde ultrasonore est un phénomène de propagation d’une perturbation mécanique dans un milieu matériel à une fréquence supérieure à 20 kHz, ce qui signifie qu’elle est hors du spectre audible par l’humain. L’étude des ultrasons constitue maintenant un domaine de la physique et a déjà été largement détaillé dans le cadre du contrôle non destructif par Sapriel (1994); Cheeke (2002) ou Shull (2002).

L’application en pratique

La déconvolution en traitement du signal acoustique a d’abord été développé pour la géophysique et la sismologie. L’objectif dans ce domaine est de réduire la trace temporelle du signal pour annuler l’effet convolutif de la réflectivité (Guerchaoui et al., 1989) et donc d’augmenter la résolution de la mesure. L’opération devait aussi supprimer les réverbérations non voulues dans le sol et de réduire le bruit. Les contraintes expérimentales dans la prospection sismique sont faibles : il est possible d’utiliser des impulsions à très large bande, avec des puissances presque illimitées (dynamitage), ou au contraire des pulsations sur des bandes très étroites (camion vibreur). Cette souplesse rend l’utilisation de la déconvolution faisable car les réponses fréquentielles des obstacles rencontrés sous la terre sont bien connues et très utiles dans la mise en place des algorithmes de déconvolution.

L’analyse des échographies médicales avec les opérations de déconvolution montrent que la résolution peut effectivement être améliorée (Loupas et al., 1989). Cependant, l’apparition de nombreux artéfacts font que cette technique reste peu employée. Contrairement à la géophysique, il existe beaucoup de réglementation dans l’émission d’un signal ultrasonore dans un corps humain : les puissances sont limitées, des plages de fréquences sont interdites en raison du risque de cavitation (Izadifar et al., 2017). De plus, les ondes se propageant dans les tissus sont gênées par les nombreuses interfaces et l’hétérogénéité des milieux traversés ce qui complique l’utilisation d’un modèle de réflexion unique.

Cicero et al. (2009b) a mis en évidence une faiblesse de la déconvolution pour les CND et en particulier en SHM. En effet, les résultats prometteurs en simulation ne le sont plus en pratique. D’autres articles mettent en évidence ce problème (Perrot, 1993). Les filtres comme celui de Weiner sont très performants quand il s’agit de supprimer un bruit blanc mais le sont beaucoup moins pour supprimer un bruit cohérent comme celui de structure.

Le réseau de neurones convolutif

À partir des années 1990, sont apparues (LeCun et al., 1989) les premières architectures de réseau de neurones convolutifs (CNN pour Convolutional Neural Network, en anglais). Son utilisation a explosé vers 2014 grâce à l’apparition d’une nouvelle génération de cartes graphiques.

Plutôt que de calculer tous les poids dans un réseau de neurones, ce qui est globalement complexe et bien souvent peu pertinent, seuls quelques poids sont pris en compte et appliqué de la même manière sur tout le vecteur de forme. Cette méthode se veut proche de ce qui se passe dans le cortex visuel des animaux et c’est donc pour cela qu’on retrouve surtout les CNN dans l’imagerie et la vision ordinateur.

On pourrait approcher cette méthode avec les filtres d’imagerie tel que celui de Sobel utilisé pour la détection de contour en traitement d’image. La différence tient dans l’algorithme plus sophistiqué qui permet de mettre à jour les pondérations du filtres à chaque itération.

Le CNN vise à traiter par un filtre une zone réduite du vecteur de forme pour en extraire les informations pertinentes. En faisant glisser, le noyau de la couche convolutionnelle, souvent appelé kernel, on analyse le vecteur de forme de la même manière en tout point. La place d’un groupe d’éléments remarquable dans la matrice d’entrée n’influe donc pas sur l’analyse de l’entrée.

Comme pour les réseaux de neurones classique, l’entrainement nécessite un lot conséquent de données. En théorie, plus il y en aura, meilleure sera la qualité de l’apprentissage.

Il existe plusieurs méthodes d’apprentissage. On parle d’apprentissage supervisé lorsque toute les données d’entrainement sont entièrement étiquetées. L’étiquetage des données est souvent une étape manuelle, longue et fastidieuse et donc coûteuse. C’est pourquoi des algorithmes d’apprentissage semi-supervisé ou renforcé (Weston et al., 2012), voire faiblement supervisé (Durand, 2017) ont été développé. Dans le premier cas, les données sont partiellement (parfois entre 0.1% et 15%) classifiées. Dans le second cas, les classes présentes sur un échantillon sont données mais pas localisées. Dans le dernier cas, aucune étiquette n’est fournie au réseau de neurone et il devra automatiquement retrouver, via des techniques de regroupement (clustering) pour regrouper les point d’une classe ensemble.