FR3050826A1 - Procede de controle non-destructif par apprentissage - Google Patents

Abstract

L'invention concerne un procédé de contrôle non-destructif d'une pièce composite tissée (10) pour aéronautique comprenant les étapes suivantes : - (E0) génération de l'image tomographique de la pièce composite (10) à l'aide d'un tomographe (20), ladite image correspondant à un volume dans lequel est comprise la pièce (10), - (E1) traitement de l'image tomographique, ledit traitement générant une segmentation dudit volume en voxels de pièce et en voxels de vide, - (E3) traitement des voxels de pièce afin de réaliser un pavage de la pièce dans l'image tomographique en une pluralité d'imagettes (I1,..., In) tridimensionnelles, - (E4) pour au moins une imagette, évaluation d'une signature de ladite imagette en la traitant au moyen d'une pluralité (p) de descripteurs, un descripteur consistant en une analyse d'image tridimensionnelle, - (E5) classement de la signature de l'imagette (I1,..., In) avec les signatures de référence issues d'une base de données afin d'attribuer automatiquement à ladite imagette un label représentatifs de la qualité du tissage (L1, L2), la base de données (BDD) étant composée de signatures de référence auxquelles sont attribuées un label (L1, L2) relatifs à la qualité du tissage.

Description

Procédé de contrôle non-destructif par apprentissage DOMAINE TECHNIQUE GENERAL L'invention concerne le domaine du contrôle non destructif (CND) sur des pièces industrielles en matériau composite, notamment dans le domaine de l'aéronautique, à l'aide d'images tridimensionnelles définies correspondant à des volumes tomographiques numériques.

Plus précisément, l'invention concerne l'automatisation des méthodes de CND.

Le CND est primordial pour contrôler la santé matière des matériaux. Par exemple, les aubes de soufflante sont des pièces critiques qui doivent être contrôlées en intégralité.

Une image tomographique est composé de voxels formant un volume tomographique numérique obtenu à l'aide d'un tomographe dont le générateur de rayons X émet un faisceau traversant la pièce à explorer, avant d'être analysé, après atténuation, par un système de détection. L'image intermédiaire ainsi obtenue est appelée une « projection ». En acquérant une pluralité de projections dans différents plans de l'espace (avec un éventuel prétraitement) et en les recombinant, on obtient un volume tridimensionnel d'un volume contenant la pièce, avec une valeur relative liée à la densité d'absorption des rayons X à chaque voxel.

Les matériaux composites, utilisés pour leur résistance et leur légèreté, sont conçus avec un renfort en fibres de carbone noyées dans une résine injectée, à l'aide d'un moule. On parlera de préforme sèche et de préforme injectée pour désigner la pièce respectivement avant et après injection de la résine.

Le renfort en fibre de carbone est constitué de torons de carbone assemblés par tissage. Un toron est constitué d'une pluralité de brins de carbone torsadés. A titre d'exemple, 40 000 brins torsadés sont utilisés par toron.

Comme représenté en figure 1, on distingue d'une façon connue dans le domaine général du tissage les torons de chaîne 100 et les torons de trame 150. Les torons de chaîne 100 forment un ensemble de torons parallèles tendus et les torons de trame 150 forment un ensemble de torons parallèles, disposés orthogonalement ou sensiblement aux torons de chaîne 100 et entrecroisés avec ces derniers. Les torons de chaîne 100, respectivement de trame 150, forment des couches sensiblement parallèles.

Les anomalies de tissage ou d'injection peuvent prendre plusieurs formes.

La figure 2a illustre une boucle : un toron de carbone, de chaîne ou de trame, ne suit pas sa trajectoire théorique et forme une boucle à l'intérieur d'une pièce 10.

La figure 2b illustre un manque : un toron de carbone, de chaîne ou de trame, est absent.

La figure 2c illustre un flambage, avec ou sans accumulation de résine.

Selon la localisation des défauts, leur proximité ou leur nature, ils peuvent remettre en cause l'intégrité de la pièce composite 10 : changement de taux volumique de fibre, modification du ratio chaines/trames, etc.

ETAT DE L'ART

Le CND est généralement effectué par un opérateur qui dispose de logiciel permettant de visualiser la pièce en trois dimensions et de la manipuler dans l'espace, ainsi que d'obtenir tout plan de coupe. A partir du volume tomographique, il analyse la pièce 10 plan par plan, dimension par dimension. Ce type de méthode n'est pas spécialement adapté puisque la structure du matériau est tridimensionnelle et difficile a appréhender par des coupes 2D. L'analyse de l'opérateur est fondée sur son expertise métier.

Le travail d'observation est complexe, fastidieux et fortement lié à l'opérateur et son expérience opérationnelle. Outre la longueur de l'analyse pour une seule pièce, qui peut prendre plusieurs heures, on remarque des variabilités intra-opérateur, et inter-opérateurs qui peuvent porter préjudice à la qualité du CND.

Il existe ainsi un besoin de fiabiliser la qualité du CND, en s'affranchissant au maximum de ces variabilités pour améliorer la répétabilité et en augmentant les rendements.

PRESENTATION DE L'INVENTION L'invention met en œuvre un contrôle non-destructif de tomographie numérique, générant des pièces à inspecter en trois dimensions par un procédé d'analyse automatique utilisant des méthodes statistiques (apprentissage supervisé ou non supervisé). L'invention propose un procédé de contrôle non-destructif d'une pièce composite tissée pour aéronautique comprenant les étapes suivantes : - (EO) génération de l'image tomographique de la pièce composite à l'aide d'un tomographe, ladite image correspondant à un volume dans lequel est comprise la pièce, - (El) traitement de l'image tomographique, ledit traitement générant une segmentation dudit volume en voxels de pièce et en voxels de vide, - (E3) traitement des voxels de pièce afin de réaliser un pavage de la pièce dans l'image tomographique en une pluralité d'imagettes tridimensionnelles, - (E4) pour au moins une imagette, évaluation d'une signature de ladite imagette en la traitant au moyen d'une pluralité de descripteurs, un descripteur consistant en une analyse d'image tridimensionnelle, - (E5) classement de la signature de l'imagette avec les signatures de référence issues d'une base de données afin d'attribuer automatiquement à ladite imagette un label représentatifs de la qualité du tissage, la base de données étant composée de signatures de référence auxquelles sont attribuées un label relatifs à la qualité du tissage. L'invention permet de libérer du temps à l'opérateur qui pourra alors réaliser des tâches à plus forte valeur ajoutée. De plus, la subjectivité introduite par les opérateurs, liée à la variabilité intra- et inter-opérateur est supprimée.

Enfin, le coût financier de l'analyse est diminué. L'invention peut comprendre les caractéristiques suivantes : l'image tomographique subit lors de l'étape de traitement (El) une étape d'uniformisation et/ou de filtrage, l'étape (E2) de segmentation est effectuée par classement des voxels en fonction de niveaux de gris (NDG), préférablement par déconvolution de gaussienne. - Ledit procédé comprend une étape de corrélation des descripteurs, afin de supprimer les doublons, - les signatures de la base de données sont des vecteurs à p dimensions, p étant le nombre de descripteurs, - la base de données comporte une liste de labels représentatifs de la qualité du tissage et associe chaque vecteur à un de ces labels, - les vecteurs ayant un même label définissent une partition de dans l'espace p-dimensionnel en domaines auxquels on associe ledit label et ladite valeur de label, lesdits domaines étant mémorisés, - l'étape de classement (E5) associe un label au vecteur d'une des imagettes lorsque ledit vecteur se trouve dans un domaine associé audit label. - on génère préalablement ladite base de données à partir d'une pièce d'apprentissage, sur laquelle on met en œuvre les étapes suivantes : (FO) génération de l'image tomographique tridimensionnelle de ladite pièce test à l'aide d'un tomographe, (Fl) traitement de l'image tomographique correspondant à un volume dans lequel est comprise la pièce d'apprentissage, ledit traitement générant une segmentation dudit volume en voxels de pièce et en voxels d'air, (F3) traitement des voxels de pièce afin de réaliser un pavage de la pièce dans l'image tomographique en une pluralité d'imagettes tridimensionnelles, (F4) pour au moins une imagette, évaluation d'une signature de ladite imagette à l'aide de la pluralité de descripteurs, (F5) attribution à ladite signature d'un label et d'une valeur de label relatif à la qualité du tissage en fonction d'une inspection visuelle de l'imagette, ladite inspection visuelle ayant pour but de détecter des anomalies au sein de ladite imagette, (F6) Stockage de ladite attribution dans la base de données - chaque imagette de la pièce d'apprentissage est modélisée sous la forme d'un vecteur à p composantes, le vecteur étant positionné dans l'espace à p dimensions, et chaque imagette possède un label et une valeur de label attribués à l'aide de l'analyse visuelle. - l'étape de pavage (F3) est effectuée pour toute l'image et les étapes d'évaluation, d'analyse et d'attribution du contrôle non-destructif et/ou de la génération de la base de données sont effectuées pour chaque imagette, - au moins un label n'a qu'une seule classe, ledit domaine de dimension p ou inférieur étant un domaine fermé, - au moins un label à au moins deux classes, lesdites classes correspondant à un tissage sans défaut et au moins à un tissage avec défaut, correspondant à au moins deux domaines de dimension p ou inférieure, qui sont deux domaines et dans lequel une frontière entre ces deux domaines est établie, - le traitement par pavage fait intervenir des zones de recouvrement entre imagettes, afin de minimiser le taux de fuite. - le traitement par pavage est effectué à l'aide d'un volume élémentaire représentatif à l'échelle mésoscopique. L'invention concerne aussi une unité de calcul, comprenant des moyens de traitement et une mémoire, ladite unité étant configurée pour mettre en œuvre les étapes El à E5, ou E4 à E5, ou Fl à F6, ou F4 à F6. L'invention concerne aussi un produit programme d'ordinateur, configuré pour être exécuté pour une unité de calcul tel que décrite précédemment pour mettre un œuvre les étapes El à E5, ou E4 à E5, ou Fl à F6, ou F4 à F6 telles que décrites précédemment.

PRESENTATION DES FIGURES D'autres caractéristiques, buts et avantages de l'invention ressortiront de la description qui suit, qui est purement illustrative et non limitative, et qui doit être lue en regard des dessins annexés, sur lesquels : - La figure 1, déjà présentée, illustre un tissage avec des fils, ou des torons, de trame et de chaîne, - Les figures 2a à 2c, déjà présentée, illustrent des défauts de tissage, - La figure 3 illustre certaines étapes d'un mode de réalisation conforme à l'invention, ainsi que les liens entre un procédé de CND selon l'invention et un procédé de génération de base de données pour mettre en œuvre un CND, - Les figures 4 à 6 illustrent les différents dispositifs et produits intervenant dans le cadre de l'invention, - La figure 7 illustre un pavage de la pièce à l'aide d'un volume élémentaire représentatif, - La figure 8 illustre un espace p-dimensionnel dans lequel sont positionnés des points formant des domaines.

DESCRIPTION DETAILLEE

Le CND peut être appliqué à différentes étapes de fabrication de la pièce 10. La pièce 10 est en matériau composite, avec un renfort fait en toron 100, 150.

Les pièces sur lesquelles les procédés décrits peuvent être mis en œuvre sont destinées préférentiellement à l'aéronautique. Il s'agit d'aube de soufflante, ou encore de turbine par exemple. Selon la pièce, le matériau composite peut être différent (résine à matrice de carbone, résine à matrice céramique, etc.).

La figure 3 représente certaines étapes d'un mode de réalisation de l'invention.

Afin de pouvoir effectuer un contrôle non-destructif à l'intérieur de la pièce 10, une étape préliminaire d'acquisition à l'aide d'un système d'imagerie 20, comme un tomographe, et de moyens de calcul (voir figure 4) est effectuée. Cette étape permet d'obtenir une image tridimensionnelle de la pièce 10 pour l'aéronautique à l'intérieur d'un volume.

Le volume tomographique V obtenu est constitué de voxels possédant chacun un niveau de gris NDG. La pièce 10 est donc définie à l'intérieur du volume V par des voxels ayant des niveaux de gris particuliers, l'espace complémentaire correspondant à de l'air.

Une unité de calcul 30 est prévue pour effectuer les traitements informatiques. Elle comprend des moyens de traitement 31 comme un micro-processeur et une mémoire 32.

En référence aux figures 5 et 6, le procédé mis en œuvre pour détecter automatiquement des anomalies nécessite une base de données BDD. Cette base de données est stockée sur un serveur 40, et une unité de calcul 50, qui peut être la même unité de calcul que pour l'acquisition de l'image tridimensionnelle, est utilisée. L'unité de calcul 50 comprend elle aussi des moyens de traitement de données 51 et une mémoire 52. Le serveur 40 peut être cette unité de calcul 50 et la base de données BDD peut être stockée dans ladite mémoire 52.

La description sera ainsi scindée en deux parties : une première pour un mode de réalisation de création de la base de données BDD et d'un modèle statistique (sous forme d'une partition d'un espace E), une deuxième pour la mise en œuvre du procédé de contrôle non-destructif à l'aide d'une base de données BDD telle que présentée dans la première partie. Néanmoins, la construction de la base de données BDD et la mise en œuvre du procédé font intervenir des étapes semblables et relèvent du même concept inventif commun.

En effet, la mise en œuvre du procédé consiste à appliquer le traitement pour la génération de la base de données, à l'exception de l'étape final de classement.

Première partie : un mode de réalisation de la base de données

Dans ce mode de réalisation, la pièce 10 est une pièce dite d'apprentissage et sera référencée 11. Cette pièce d'apprentissage 11 va permettre de générer des signatures de référence qui vont contribuer à former la base de données BDD.

Normalisation (Pré-traitemenO de l'image (Fl~)

Avant de mettre en œuvre les procédés qui seront décrits par la suite, des étapes de normalisation Fl sont préférablement effectuées pour améliorer la qualité des analyses, suite à l'étape FO d'acquisition du volume tomographique de la pièce d'apprentissage 11. L'image tomographique subit avantageusement une étape d'uniformisation pour atténuer les artéfacts d'acquisition, de sorte que le niveau de gris de chaque voxel soit proportionnel à la densité de matière de la pièce en ce point. En effet, plus les différents composants de la pièce ont des niveaux de gris NDG similaires et plus les traitements postérieurs seront fiables.

Dans un mode de réalisation, l'image tomographique est filtrée pour réduire le bruit de l'acquisition. Un filtre bilatéral, permettant de réduire le bruit sans déplacer ou supprimer les contours de l'image, peut être utilisé, ou encore des filtres gaussien, morphologique, ou « non local mean » (voir référence [1] en fin de description).

En outre, un masque de la pièce d'apprentissage 11 est généré à partir de l'image tomographique, c'est-à-dire qu'une segmentation entre deux classes de voxels, air et matière, est effectuée. Par exemple, une valeur 0 ou 1 d'un label LO est attribuée à chaque voxel, 0 correspondant à un voxel d'air, 1 correspondant à un voxel de la matière de la pièce 11.

Plus précisément, deux sous-étapes sont mises en œuvre : on segmente entre air et matière, puis on calcule l'enveloppe de la pièce pour que tous les voxels « air » localisés à l'intérieur de cette enveloppe, qui sont des voxels complémentaires à ceux de matière soit considérés comme des voxels de « pièce », et non pas comme des voxels d'air extérieurs à la pièce.

On parlera « d'image de la pièce 10 » pour désigner uniquement l'ensemble des voxels de matière (labélisés L0=1).

Un exemple de méthode de segmentation consiste à calculer l'histogramme des niveaux de gris NDG de l'image et à maximiser la variance interclasse de cet histogramme afin de définir le seuil qui sépare les voxels de l'air et ceux de la matière (voir référence [2]). D'autres méthodes de seuillage automatique sont envisageables (voir référence [3]).

Après traitement, dans une étape F2, l'image tomographique constituée de voxels correspondant au volume de la pièce d'apprentissage 11 elle-même est récupérée par l'unité de traitement pour l'analyse topologique suivante.

Etape F3 de pavage

Comme indiqué précédemment, la pièce 11 est composée de torons de carbone tissés en trois dimensions. Un toron est composé de milliers de fibres de carbone twistées ensemble et à l'échelle mésoscopique où l'on regarde le tissage, il est impossible de distinguer les fibres de carbone. Par conséquent, seuls les torons seront cités dans la description. Le tissage, par définition, présente des régularités et une périodicité qui forment des motifs. Afin de réaliser un apprentissage statistique d'un tissage, il est indispensable de connaître son volume élémentaire représentatif VER. L'échelle mésoscopique, selon la définition admise, constitue une échelle intermédiaire entre l'échelle microscopique, qui caractérise les éléments élémentaires constitutifs du matériau dans le cas du composite échelle où la fibre de Carbonne est observable et l'échelle macroscopique, qui caractérise l'observation de la pièce dans son ensemble. Cette échelle permet un traitement statistique qui puisse avoir des conséquences macroscopiques. A cette fin, le VER doit vérifier deux conditions : - Être plus grand que la taille caractéristique des constituants (ici les torons par exemple) afin que leur nombre soit suffisant pour permettre une représentation statistique correcte de la pièce 10 étudiée, - Être plus petit que la taille caractéristique d'une structure mécanique, afin de pouvoir appliquer un traitement statistique.

La détermination du VER dépend des motifs de tissages utilisés dans la pièce composite 11. Le VER est préférablement orienté selon les directions de la pièce, et notamment la surface de la pièce 11. Typiquement, le VER est déterminé par une méthode inductive. Si cette analyse théorique ne peut pas être menée, une méthode expérimentale consiste à calculer l'autocorrélation du volume tridimensionnel. L'autocorrélation est la corrélation d'un volume avec lui-même mais translaté par un certain vecteur. Cette méthode permet de détecter des régularités, des profils répétés dans un signal (signal périodique perturbé par du bruit) ou une fréquence fondamentale d'un signal. L'analyse de l'autocorrélation doit être réalisée sur un ensemble exhaustif des vecteurs de translation pour définir le VER.

Une fois le VER déterminé, ce dernier est déplacé au sein du volume correspondant à la pièce d'apprentissage 11 pour générer un pavage tridimensionnel de la pièce 11. Le pavage consiste une pluralité de sous-volumes élémentaires représentatifs statistiquement des motifs à caractériser. A chacun dessous-volumes du pavage, on associe une imagette Γ1, ..., Γη (ou « patch », en anglais) issue de l'image tomographique. La figure 7 illustre le pavage. A l'issue de l'étape de pavage, on obtient ainsi une pluralité d'imagettes Γ1,... ,I'n, c'est-à-dire des sous-volumes tridimensionnels, dont la concaténation permet de reconstruire l'image. Dans la suite de la description, on suppose que le pavage de l'image est fait à l'aide de n imagettes Γ1, ..., Γη, n étant un entier naturel.

Préférablement, pour diminuer le taux de fuite, c'est-à-dire pour éviter de manquer une anomalie de tissage, le pavage de la pièce 10 fait intervenir des zones de recouvrement entre deux imagettes. En d'autres termes, le déplacement du VER selon une direction entre deux pavages est inférieur à la dimension du VER selon cette même direction.

Du fait de ce recouvrement, une anomalie qui ne serait pas complètement inclus dans une imagette donnée sera complètement incluse dans une autre imagette positionnée à un emplacement proche.

Signature de l'image f étape F4) A chaque imagette Γ1, ..., Γη est ensuite attribuée une signature, dite signature de référence. Une signature est un ensemble de valeurs numériques, que l'on définit commodément sous la forme d'un vecteur, auquel on associe un point P. Ces valeurs numériques sont obtenues à l'aide de descripteurs, qui sont des traitements, des fonctions mathématiques, des transformations, etc. appliquées à l'imagette. Les descripteurs constituent des analyses des niveaux de gris NDG de l'imagette.

Pour chaque imagette, on dispose préférablement d'une centaine de descripteurs. On définit p comme le nombre de descripteurs, qui est un entier naturel.

Chaque imagette est donc représentable comme un point P dans un espace E p-dimensionnel. Autrement formulé, le vecteur associé à l'imagette est projeté dans cet espace E p-dimensionnel (voir figure 8).

On cite une liste non exhaustive de descripteurs pour l'analyse texturelie :

Histogramme de l'image, où analyse statistique de celui-ci à travers la moyenne, la médiane, le mode, l'écart type, le kurtosis (qui constitue chacun un descripteur),

Descripteurs de Haralick qui caractérise la texture à travers l'organisation spatiale de bi-points,

Descripteurs « Grey Level Run Length Matrix (GLRLM) » qui caractérisent la longueur des zones homogène de la texture de l'image,

Descripteurs « Grey Level Size Zone Matrix (GLSZM) » qui caractérisent la taille des zones homogène de la texture d'une image,

Granulométries : en utilisant un procédé de tamisage, une granulométrie permet de compter les éléments constituant le tissage en les classant par taille,

Filtres de Gabor : une banque de filtres de Gabor permet de faire une analyse en ondelette directionnelle de la texture en regardant l'énergie de la réponse de chaque filtre,

Autocorrélation : Utilisation de l'autocorrélation du volume 3D dans certaines directions privilégiées,

Analyse fréquentielle non directionnelle : à partir de la transformée de Fourier du volume, calcul de l'énergie dans différentes bandes de fréquences, « Histogram of Oriented Gradient 3D (HOG) » : après avoir calculé l'orientation du gradient pour chaque voxel de l'image, on compte le nombre de voxels ayant une direction similaire. La sphère unitée est alors pavée en différentes zones qui correspondent aux différentes cases de l'histogramme.

Analyse en ondelette/curvelette : analyse temps/fréquence du volume tomographique, on utilise par exemple des ondelettes de Haar, de Daubechies, de Morlet...

Descripteurs des éléments constituant le tissage : densité volumique de la résine, des torons, homogénéité de la répartition de résine, orientation des couches de trames... L'utilisation d'une pyramide de filtre par imagette peut également être réalisée. Elle permet une analyse multi-échelle notamment lorsque plusieurs échelles de motifs sont présentes. La pyramide de filtres est constituée d'une succession de filtres incrémentaux de type : passe bas, passe haut, passe bande, sous échantillonnage...

Analyse (F5)

Pour chaque imagette Γ1, ..., Γη de la pièce d'apprentissage 11, on obtient une signature sous forme d'un vecteur à p dimensions. Pour un ensemble d'imagettes Γ1, ... Γη, on obtient un nuage de points P dans l'espace à p dimensions, par projection des vecteurs associés.

Par conséquent, on obtient pour la pièce d'apprentissage 11 concernée une matrice X de dimension n par p, dont les coefficients correspondent aux valeurs numériques des descripteurs. On rappelle qu'une pluralité de pièces d'apprentissage 11 est nécessaire pour générer la base de données BDD.

Cette étape d'analyse fait intervenir une inspection visuelle de l'image tomographique représentant le volume de la pièce d'apprentissage 11. Cette inspection visuelle est effectuée par un opérateur, selon des méthodes connues de l'art antérieur. Néanmoins, toute méthode permettant d'identifier un défaut de tissage avec certitude peut être utilisée, qu'elle soit effectuée manuellement ou semi-automatiquement par un opérateur. A la suite de l'inspection visuelle, à chaque imagette Γ1, ..., Γη est attribué un label. Comme le tissage a été inspecté visuellement, la signature va servir de référence.

On distingue deux manières de marquer une imagette.

Un label L1 mono classe est attribué s'il n'est pas possible de trouver des imagettes possédant la classe contraire. Par exemple, s'il n'est pas possible d'identifier d'imagette avec des anomalies de tissage, le label L1 monoclasse a comme unique valeur possible « sans défaut » (ou « sain »).

Un label L2 multi-classe est attribué si l'imagette peut être identifiée selon M sous-catégories : boucle, toron manquant, flambage, etc. Le label L2 multi-classe le plus élémentaire consiste à attribuer une valeur « sans défaut » (« sain ») ou une valeur « défaut » (« anomalie »).

On obtient ainsi un vecteur Y de dimension n, correspondant au nombre d'imagettes, dont chaque composante correspond à la valeur d'un label.

La valeur du label peut être avantageusement définie numériquement, c'est-à-dire qu'une imagette sans défaut (« saine ») aura un label L1 ou L2 égal à 0, et les défauts seront numérotés de 1 à M par exemple, M étant un entier naturel.

En fonction du type de label L1 ou L2, les méthodes de résolution statistique nécessitent des résolutions statistiques différentes, qui seront détaillées par la suite.

Ainsi, dans l'espace E p-dimensionnel, chaque vecteur du nuage de vecteurs comprend un label L1 ou L2 avec une valeur attribuée. A titre d'illustration, un vecteur Y peut avoir la forme suivante : [L1=0, L1=0, L2=2, L1=0, L2=M, L2=0, L1=0,.... , L2=l], avec n composantes.

Dans une étape F6, cette correspondance entre imagette et label est stockée.

Pour obtenir une base de données BDD exploitables de façon fiable, elle doit être construite à l'aide d'un grand nombre d'imagettes représentatives de la variabilité des images de la pièce 11 et de la variabilité du tissage. Plusieurs pièces 11 sont avantageusement utilisées. A partir de ces informations, il est nécessaire de pouvoir extraire de l'information. Afin de pouvoir exploiter de façon pratique la base de données, il faut pouvoir établir des généralisations à partir des données accumulées.

Dans une étape F7, on réunit les imagettes possédant les mêmes labels afin de déterminer des intervalles de valeurs des descripteurs permettant de caractériser une imagette.

Dans cette étape F7, il s'agit de déterminer à l'aide des imagettes possédant les mêmes labels (c'est-à-dire un nuage de points P), des sous-domaines Dl, D2, \D2 de l'espace E p-dimensionnel (voir figure 8 à nouveau). Ces sous-domaines Dl, D2, \D2 peuvent être de dimension p si l'ensemble des descripteurs est pris en compte, ou bien de dimension inférieure, si au moins un descripteur est ignoré. A l'issue de l'étape F7, une partition de l'espace E est générée.

Grâce à la génération de ces domaines Dl, D2, \D2 la base de données BDD permet de déterminer quel label et quelle valeur de label accorder à un point placé dans l'espace E p-dimensionnel. S'il s'agit d'un label monoclasse Ll, on utilise une analyse uni-modale, ou « one-class classification (OCC) ».

Les méthodes OCC cherchent à définir la frontière le plus proche et assez régulière autour de ce nuage de points P ayant le label Ll

Les imagettes sans défaut (« saines ») forment donc un nuage de points P dans l'espace E à p dimensions. Les méthodes OCC cherchent à définir la frontière le plus proche et assez régulière autour de ce nuage de points P. On définit ainsi un domaine fermé (voir Dl sur figure 8) à l'intérieur duquel se trouvent tous les points ou une large majorité des points comprenant la même valeur d'un label de type Ll. En effet, il est possible de ne pas tenir compte de certains points (valeurs trop éloignées, « erreurs », etc.).

Lorsqu'un nouveau vecteur est inséré (nouvelle imagette), la valeur opposée du label monoclasse lui sera attribué s'il est à l'extérieur de la zone définie.

Dans la littérature, ces méthodes sont connues sous les noms OCC, outlier détection, anomaly détection, novelty détection (One class SVM), etc. S'il s'agit d'un label multi-classe L2, on utilise une analyse multi-modale. Une analyse statistique revient donc à trouver une frontière de décision entre les signatures du tissage sain et celle du tissage anormal. Diverses méthodes existent permettant de trouver cette frontière de décision. On définit ainsi au moins deux domaines ouverts (voir D2, \D2 sur figure 8), tous (ou quasiment tous) les points comprenant la même valeur d'un label de type L2 étant dans un même domaine. A titre d'exemple, la frontière peut être un hyperplan de l'espace p-dimensionnel (c'est-à-dire un plan de dimension p-1), qui scinde l'espace en deux domaines.

Si le label L2 a trois classes, on obtient trois sous-domaines avec une analyse multimodale.

Alternativement, une pluralité d'analyse bimodale (dans le cas d'un label L2 à M classes : M analyses bimodales) pour avoir une pluralité de frontières de décision. On raisonne ainsi sous forme de probabilité d'appartenance aux M classes, la classe retenue étant celle qui a la plus grande probabilité.

Pour éviter le sur-apprentissage, la forme des frontières de décision restera simple (linéaire ou quadratique). On privilégiera des méthodes de type régressions logistiques avec pénalisation LASSO, forward stagewise régression qui sont des méthodes parcimonieuses dans l'espace des descripteurs (n'utilisent pas tous les descripteurs mais seulement les plus pertinents). Cependant, d'autres méthodes peuvent être utilisées :

Support Vector Machine (SVM)

Réseau de neurone KNN

Arbre de décision Boosting

Analyse factorielle discriminante,

Etc.

Complément sur les descripteurs

Toujours pour éviter le sur-apprentissage (« overfitting » en anglais), il est indispensable d'utiliser un modèle ayant une complexité adéquate et de supprimer les descripteurs qui n'apportent pas d'informations pour le CND.

Lors de la génération de la base de données BDD, ou en amont de cette génération, une phase de sélection des descripteurs est réalisée. Par exemple, les descripteurs constants, c'est-à-dire ceux qui donnent la même valeur quelle que soit l'imagette sont supprimés et/ou une étude de la corrélation des descripteurs entre eux est effectuée pour supprimer les « doublons ». En effet, un descripteur trop fortement corrélé avec un autre apporte la même information que cet autre descripteur.

Des méthodes de validation croisée (« K-fold, leave one out ») peuvent être utilisées.

Cette sélection de variable à deux intérêts :

Simplifier la base de données BDD générée en supprimant les descripteurs qui ajoutent du bruit et de la redondance,

Accélérer les temps de calcul car si un descripteur n'est pas utilisé, il n'est pas nécessaire d'être calculé. L'utilisation de descripteurs variés peut générer une hétérogénéité des valeurs, pour lesquelles les méthodes d'apprentissage sont sensibles. Il peut donc être important de normaliser ces valeurs, par exemple en mettant une moyenne à 0 et un écart-type à 1 pour chaque descripteur. Ces méthodes sont connues de l'homme du métier.

Deuxième partie : un mode de mise en œuvre d'un procédé d'automatisation du contrôle non-destruction

Le procédé est similaire à la génération de la base de données BDD, à l'exception du fait que la base de données est utilisée pour attribuer un label Ll, L2 aux imagettes II, ... In de l'image de la pièce 10. On ne parle plus à présent de signature de référence pour la pièce 10, puisque l'on cherche à caractériser la qualité du tissage à l'aide de ces signatures

Les mêmes étapes E0, El, E2, E3 et E4 correspondant aux étapes FO, Fl, F2, F3 et F4 sont effectuées.

Une fois la signature obtenue, dans une étape E5, au lieu de lui attribuer un label par inspection visuelle comme à l'étape F5, et la stocker (étape F6) pour contribuer à former un espace E de vecteurs à partir duquel des domaines sont générés (étape F7), cette signature est projetée dans l'espace E p-dimensionnel de la base de données BDD. En d'autres termes, chaque vecteur associé à une image II, ..., In est projeté dans l'espace p-dimensionnel, de façon à positionner ladite imagette dans ledit espace E. Ensuite, du fait de l'application du modèle statistique et de la partition de l'espace E, le placement du point P correspondant au vecteur permet de lui attribuer automatiquement la valeur d'un label Ll, L2.

Plus précisément, le point P correspondant à une des imagettes II, ..., In est positionnée dans l'espace E p-dimensionnel. A partir de ce positionnement, on détermine dans quel domaine Dl, D2, \D2 prédéterminé de la base de données BDD appartient ce vecteur, ce qui permet d'attribuer à l'imagette la valeur du label qui caractérise ledit domaine.

En positionnant tous les vecteurs des imagettes II, ..., In constituant l'image de la pièce 10, l'ensemble des signatures présentes dans la base de données BDD a permis de générer une partition de l'espace E, qui à son tour permet de générer un vecteur Y, dit de prédiction, tel que défini précédemment, regroupant toutes les valeurs des labels. Il suffit qu'une seule coordonnée de ce vecteur Y, c'est-à-dire une valeur d'un label, correspondent à une imagette avec défaut pour que la pièce 10 ne soit pas considérée comme sans défaut. Les critères de tolérance peuvent néanmoins être fixés en fonction d'un cahier des charges.

Si le domaine est défini par une frontière, on calcule la distance algébrique à cette frontière pour déterminer le label. S'il peut arriver que le point tombe trop près d'une frontière, il est aussi possible de déplacer artificiellement la frontière, notamment dans le but de réduire le taux de fuites : il est en effet préférable de faussement détecter un défaut de tissage que de manquer un défaut de tissage.

Par exemple, si l'imagette est éloignée d'un label L1 correspondant à un tissage sans défaut, on pourra déduire que l'imagette correspond à un tissage non-sain.

Afin de permettre une compatibilité entre la base de données BDD et le procédé de CND automatique, le VER de l'étape de pavage E3 a des dimensions identiques à celui de l'étape F3. De la sorte, toutes les imagettes utilisées ont le même volume.

Dans une étape facultative, une cartographie des défauts présents dans l'image de la pièce 10 est générée. Si besoin, une inspection visuelle, appelée consolidation, est effectuée par un opérateur pour valider la détection.

En outre, suite à cette inspection visuelle, les données générées par le procédé peuvent venir compléter la base de données, de sorte que la base de données BDD s'enrichit à mesure que les pièces sont analysées. Préférablement, ces données ne complètent la base de données que si un écart entre le résultat obtenu et la consolidation est observé. Ainsi, la pièce 10 devient une pièce d'apprentissage 11.

Complément sur les pièces

Certaines parties de pièces sont sensiblement désorganisés en matière d'agencement des torons : par exemple les extrémités d'une aube de soufflante sont composées de nombreuses sorties de couche puisque l'aube est très fine aux extrémités.

Ces zones-là peuvent générer des faux-positifs et il peut être préférable soit de les exclure de l'analyse, soit de les traiter indépendamment. Références [1] K Dabov, A Foi, V Katkovnik Image and video denoising by sparse 3D transform-domain collaborative filtering, [2] Nobuyuki Otsu, « A threshold sélection method from gray-level histograms », IEEE Trans. Sys., Man., Cyber., vol. 9, 1979, p. 62-66 (DOI 10.1109/TSMC. 1979.4210076), [3] M. Sezgin and B. Sankur, « Survey over image thresholding

techniques and quantitative performance évaluation », Journal of Electronic Imaging, vol. 13, no 1, 1503, p. 146-165 (DOI 10.1117/1.1631315),

Claims (10)

1. Revendications

   1. Procédé de contrôle non-destructif d'une pièce composite tissée (10) pour aéronautique comprenant les étapes suivantes : - (EO) génération de l'image tomographique de la pièce composite (10) à l'aide d'un tomographe (20), ladite image correspondant à un volume dans lequel est comprise la pièce (10), - (El) traitement de l'image tomographique, ledit traitement générant une segmentation dudit volume en voxels de pièce et en voxels de vide, - (E3) traitement des voxels de pièce afin de réaliser un pavage de la pièce dans l'image tomographique en une pluralité d'imagettes (II, In) tridimensionnelles, - (E4) pour au moins une imagette, évaluation d'une signature de ladite imagette en la traitant au moyen d'une pluralité (p) de descripteurs, un descripteur consistant en une analyse d'image tridimensionnelle, - (E5) classement de la signature de l'imagette (II, ..., In) avec les signatures de référence issues d'une base de données afin d'attribuer automatiquement à ladite imagette un label représentatifs de la qualité du tissage (Ll, L2), la base de données (BDD) étant composée de signatures de référence auxquelles sont attribuées un label (Ll, L2) relatifs à la qualité du tissage.
2. 2. Procédé selon la revendication 1, dans lequel : - les signatures de la base de données (BDD) sont des vecteurs à p dimensions, p étant le nombre de descripteurs, - la base de données comporte une liste de labels représentatifs de la qualité du tissage et associe chaque vecteur à un de ces labels (Ll, L2), - les vecteurs ayant un même label (Ll, L2) définissent une partition de l'espace (E) p-dimensionnel en domaines (D) auxquels on associe ledit label et ladite valeur de label, lesdits domaines étant mémorisés, - l'étape de classement (E5) associe un label au vecteur d'une des imagettes (II, ..., In) lorsque ledit vecteur se trouve dans un domaine associé audit label.
3. 3. Procédé selon l'une des revendications 1 ou 2, dans lequel on génère préalablement ladite base de données à partir d'une pièce d'apprentissage (11), sur laquelle on met en œuvre les étapes suivantes : - (FO) génération de l'image tomographique tridimensionnelle de ladite pièce test (11) à l'aide d'un tomographe (20), - (Fl) traitement de l'image tomographique correspondant à un volume dans lequel est comprise la pièce d'apprentissage (11), ledit traitement générant une segmentation dudit volume en voxels de pièce et en voxels d'air, - (F3) traitement des voxels de pièce afin de réaliser un pavage de la pièce dans l'image tomographique en une pluralité d'imagettes tridimensionnelles (Γ1, .... Γη), - (F4) pour au moins une imagette, évaluation d'une signature de ladite imagette (Γ1, .... Γη) à l'aide de la pluralité de descripteurs, - (F5) attribution à ladite signature d'un label (Ll, L2) et d'une valeur de label relatif à la qualité du tissage en fonction d'une inspection visuelle de l'imagette (Γ1, .... Γη), ladite inspection visuelle ayant pour but de détecter des anomalies au sein de ladite imagette, - (F6) Stockage de ladite attribution dans la base de données (BDD).
4. 4. Procédé selon la revendication 3, dans lequel : chaque imagette (Γ1,..., Γη) de la pièce d'apprentissage (11) est modélisée sous la forme d'un vecteur à p composantes, le vecteur étant positionné dans l'espace à p dimensions, et chaque imagette (Γ1, ..., Γη) possède un label (Ll, L2) et une valeur de label attribués à l'aide de l'analyse visuelle.
5. 5. Procédé selon l'une quelconque des revendications précédentes, dans lequel l'étape de pavage (F3) est effectuée pour toute l'image et les étapes d'évaluation (E4, F4), d'analyse (E5, F5) et d'attribution (F6) du contrôle non-destructif et/ou de la génération de la base de données (BDD) sont effectuées pour chaque imagette (II, In).
6. 6. Procédé selon l'une quelconque des revendications précédentes, dans lequel au moins un label (Ll) n'a qu'une seule classe, ledit domaine de dimension p ou inférieur étant un domaine fermé (Dl).
7. 7. Procédé selon l'une quelconque des revendications précédentes, dans lequel au moins un label (L2) à au moins deux classes (M), lesdites classes (M) correspondant à un tissage sans défaut et au moins à un tissage avec défaut, correspondant à au moins deux domaines (D2, \D2) de dimension p ou inférieure, qui sont deux domaines (D2, \D2) et dans lequel une frontière entre ces deux domaines est établie.
8. 8. Procédé selon l'une quelconque des revendications précédentes, dans lequel le traitement par pavage (E3, F3) fait intervenir des zones de recouvrement entre imagettes (II, ..., In, Γ1, ... Γη), afin de minimiser le taux de fuite.
9. 9. Procédé selon l'une quelconque des revendications précédentes, dans lequel le traitement par pavage (E3, F3) est effectué à l'aide d'un volume élémentaire représentatif (VER) à l'échelle mésoscopique.
10. 10. Produit programme d'ordinateur comprenant des portions de code de programme enregistrés sur une mémoire lisible par une unité de calcul, pour mettre en œuvre certaines étapes parmi les étapes de traitement, de pavage, de comparaison, d'attribution, de stockage dans ladite mémoire, lorsque ledit programme est exécuté sur une unité de calcul.