Back to Search
Start Over
L’IA, un outil de diagnostic pour le contrôle en ligne par radiographie industrielle
- Source :
- e-Journal of Nondestructive Testing, Vol 28, Iss 9 (2023)
- Publication Year :
- 2023
- Publisher :
- NDT.net, 2023.
-
Abstract
- L'intelligence artificielle (IA) est de plus en plus utilisée pour le diagnostic en ligne dans le domaine de la radiographie industrielle. Les avancées dans les algorithmes de classification et de segmentation sémantique ces dernières années constituent des outils qui permettent une détection plus précise des détails dans les images radiographiques, ce qui constitue une avancée majeure par rapports aux algorithmes traditionnels à base de traitements d’images « classiques » ou méthodes statistiques. Nous présentons ici 3 approches IA en radiographie industrielle, développées à des fins de diagnostic pour du contrôle sur ligne de production. ▪ La première approche, basée sur la classification, consiste à élaborer et entrainer un réseau de neurones de type CNN pour un établir un diagnostic qualité sur ligne de production sur image radiographique. Les images d’acquisition radiographique dont il est question ici sont des images acquises au moyen d’un capteur matriciel (projection conique). ▪ Les deux autres approches traitent du contrôle radiographique industriel sur ligne de production acquises au moyen d’un capteur linéaire (donc géométrie de projection semi-conique). ▪ La première de ces deux approches consiste à apprendre à un modèle de type Variational Autoencoder un pattern de « normalité », de la structure du matériau analysé, permettant ainsi de s’affranchir de l’apprentissage des défauts. ▪ La deuxième de ces deux approches consiste par des moyens de segmentation sémantique à détecter des défauts sur un produit à sur l’image. Le modèle ainsi conçu et entrainé, consiste en une segmentation sémantique à 5 sorties (4 classes de défauts et le background).
- Subjects :
- Technology
Subjects
Details
- Language :
- German, English, Spanish; Castilian, French, Italian
- ISSN :
- 14354934
- Volume :
- 28
- Issue :
- 9
- Database :
- Directory of Open Access Journals
- Journal :
- e-Journal of Nondestructive Testing
- Publication Type :
- Academic Journal
- Accession number :
- edsdoj.3c5f81d62c5f47f695759ad8a743e469
- Document Type :
- article
- Full Text :
- https://doi.org/10.58286/28480