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

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.

Date	11 déc. 2025
langue originale	Français
Établissement diplômant	École de technologie supérieure
Superviseur	Pierre Bélanger (Directeur(-trice))