Table of Contents

Comprendre l'imagerie radiographique et son rôle dans le contrôle de la qualité moderne

L'imagerie radiographique est devenue un outil indispensable pour les essais non destructifs (NDT) dans de nombreuses industries, de la fabrication aérospatiale et automobile à la construction et à l'inspection des pipelines.Cette technique puissante utilise le rayonnement pénétrant – typiquement les rayons X ou gamma – pour créer des images détaillées de la structure interne des matériaux et des composants sans causer de dommages.

L'intégration d'algorithmes avancés de traitement d'images avec l'inspection radiographique a révolutionné les capacités de détection des défauts. L'interprétation manuelle traditionnelle des images radiographiques, bien qu'efficace, prend du temps, est sujette à l'erreur humaine, et dépend de l'habileté et de l'expérience des inspecteurs formés.

L'application du traitement d'images aux données radiographiques représente une convergence de la physique, de l'informatique et de l'ingénierie des matériaux. En exploitant des techniques mathématiques sophistiquées et des ressources informatiques de plus en plus puissantes, les organisations peuvent atteindre des niveaux sans précédent d'assurance de la qualité tout en réduisant les coûts d'inspection et en minimisant le risque que des produits défectueux atteignent les utilisateurs finaux.

Les fondamentaux de la formation d'images radiographiques

Avant d'explorer les algorithmes utilisés pour traiter les images radiographiques, il est essentiel de comprendre comment ces images sont créées. L'imagerie radiographique repose sur l'absorption différentielle du rayonnement à travers des matériaux de densité et de composition variables. Lorsqu'une source de rayonnement émet des rayons X ou des rayons gamma vers un objet, une partie du rayonnement est absorbée par le matériau tandis que le reste passe pour frapper un détecteur du côté opposé.

Les matériaux denses et les sections plus épaisses absorbent plus de rayonnement, ce qui réduit l'exposition au détecteur et semble plus léger dans l'image finale. Inversement, les matériaux moins denses, les sections plus minces ou les vides permettent de passer plus de rayonnement, créant des régions plus sombres dans l'image.

Les systèmes radiographiques modernes utilisent des détecteurs numériques qui convertissent le rayonnement en signaux électroniques, produisant des images numériques composées d'éléments d'image ou de pixels discrets. Chaque pixel a une valeur d'intensité associée qui représente la quantité de rayonnement détectée à cet endroit. Ce format numérique rend les données radiographiques idéales pour l'analyse computationnelle, car les algorithmes de traitement d'image peuvent manipuler directement les valeurs de pixel pour améliorer les caractéristiques, supprimer le bruit et extraire des informations significatives sur la présence et les caractéristiques des défauts.

Défis dans la détection des défauts radiologiques

Malgré la puissance de l'imagerie radiographique, plusieurs défis compliquent la détection et la caractérisation des défauts. Comprendre ces défis est crucial pour apprécier comment les algorithmes de traitement d'image les traitent et améliorer les résultats d'inspection.

Bruit et artéfacts de l'image

Les images radiographiques contiennent intrinsèquement du bruit provenant de sources multiples. Le bruit quantique résulte de la nature statistique des émissions et de la détection des rayonnements, créant des variations aléatoires de l'intensité des pixels, même dans des régions uniformes. Le bruit électronique des composants de détecteur et des circuits de traitement des signaux ajoute des fluctuations aléatoires supplémentaires.

Les artefacts peuvent également apparaître dans les images radiographiques en raison d'imperfections de l'équipement, d'une mauvaise configuration ou de facteurs environnementaux. Ces artefacts peuvent imiter l'apparition de défauts, entraînant de fausses détections positives, ou encore masquer de véritables défauts, entraînant des détections manquées.

Qualité d'image variable et contraste

La qualité et le contraste des images radiographiques dépendent de nombreux facteurs, dont l'énergie de rayonnement, le temps d'exposition, la sensibilité du détecteur, la composition du matériau et la géométrie du spécimen. Les variations de ces paramètres au cours de différentes inspections ou même au sein d'une seule image peuvent rendre difficile la détection des défauts.

Les géométries complexes présentent des difficultés supplémentaires. Les structures de recouvrement, l'épaisseur variable et les surfaces courbes créent des modèles d'intensité de fond non uniformes qui peuvent masquer les défauts ou créer de fausses indications.

Défaut de diversité et de complexité

Les défauts des matériaux et des structures présentent une grande diversité dans leur taille, leur forme, leur orientation et leur aspect radiographique. Les fissures peuvent apparaître comme des indications linéaires minces, la porosité comme des amas de petites taches sombres, les inclusions comme des régions irrégulières de densité altérée et la corrosion comme des zones d'épaisseur réduite du matériau.

Cette diversité signifie qu'aucune approche de traitement d'image unique ne fonctionne de manière optimale pour tous les types de défauts et les scénarios d'inspection.

Aperçu complet des algorithmes de traitement d'images pour l'analyse radiographique

Un large éventail d'algorithmes de traitement d'images a été développé et adapté pour la détection des défauts radiographiques. Ces algorithmes peuvent être catégorisés en fonction de leur fonction principale : prétraitement pour améliorer la qualité de l'image, amélioration pour augmenter la visibilité des défauts, segmentation pour isoler les régions de défauts, extraction de caractéristiques pour caractériser les défauts, et classification pour identifier les types de défauts.

Techniques de réduction du bruit et de filtration

La réduction du bruit est souvent la première étape du traitement des images radiographiques, car le bruit excessif dégrade les performances des algorithmes d'analyse ultérieurs. Diverses techniques de filtrage ont été développées pour supprimer le bruit tout en préservant des caractéristiques importantes de l'image telles que les bords de défauts et les détails fins.

Les filtres moyens remplacent chaque pixel par la moyenne des pixels environnants, lissant efficacement l'image et réduisant le bruit aléatoire. Cependant, la simple moyenne brouille également les bords et les détails fins. Les filtres médians remplacent chaque pixel par la valeur médiane dans son voisinage, fournissant une excellente suppression du bruit tout en préservant les bords. Les filtres gaussiens appliquent une moyenne pondérée avec des poids déterminés par une fonction gaussienne, offrant un bon équilibre entre la réduction du bruit et la préservation des bords avec une résistance réglable au lissage.

Les filtres Wiener optimisent la réduction du bruit en fonction des statistiques locales de signal et de bruit, en préservant les détails dans les régions à forte contraste tout en lissant des zones uniformes. Les filtres bilatéraux combinent proximité spatiale et similitude d'intensité, lissant fortement des régions uniformes tout en préservant les bords. Ces approches adaptatives sont particulièrement utiles pour les images radiographiques où les défauts créent des variations d'intensité locale qui doivent être préservées pendant la réduction du bruit.

Frequence domain filtrant transforme les images en domaine de fréquence en utilisant des techniques telles que la transformation de Fourier, applique des opérations de filtrage, puis se transforme en domaine spatial. Les filtres à passe basse suppriment les composants à haute fréquence associés au bruit tout en conservant les composants à basse fréquence représentant des structures d'images à grande échelle.

Les filtres morphologiques utilisent des éléments structurants pour sonder la structure de l'image. Les opérations d'ouverture (érosion suivie de dilatation) éliminent les petites caractéristiques lumineuses et lisses des limites de l'objet, tandis que les opérations de fermeture (dilation suivie d'érosion) remplissent de petites cavités sombres et lisses de l'intérieur. Ces opérations peuvent supprimer certains types de bruit et d'artefacts tout en préservant ou en améliorant les caractéristiques de défaut de tailles et de formes spécifiques.

Méthodes d'amélioration du contraste

Les algorithmes d'amélioration des contrastes améliorent la visibilité des défauts en augmentant la différence d'intensité entre les régions de défaut et leur environnement. Ces techniques sont cruciales lorsque les défauts produisent seulement des variations subtiles d'intensité de l'image radiographique originale.

Les méthodes basées sur l'histogramme modifient la distribution des intensités de pixels à travers l'image. L'égalisation de l'histogramme redistribue les valeurs d'intensité pour obtenir un histogramme plus uniforme, élargissant la plage dynamique et augmentant le contraste global. L'égalisation de l'histogramme adaptatif applique ce processus aux régions d'image locales, améliorant le contraste différemment dans différentes zones basées sur les distributions d'intensité locales.

Linéairement, l'étirement contrasté[ permet de cartographier la gamme d'intensité originale à une gamme plus large, généralement la gamme complète disponible dans le format d'image. Cette technique simple augmente la séparation entre différents niveaux d'intensité, rendant les caractéristiques subtiles plus visibles.

Un masque non assourdissant améliore les bords et les détails fins en soustrayant une version floue de l'image de l'original et en ajoutant la différence à l'original avec l'amplification. Cette technique augmente le contraste local aux bords et aux limites, rendant les défauts avec des transitions nettes plus proéminentes. Le degré d'amélioration peut être contrôlé en ajustant le rayon de flou et le facteur d'amplification.

Les transformations de chapeau supérieur et de chapeau inférieur sont des opérations morphologiques qui extraient des caractéristiques lumineuses sur des milieux sombres (haut-hat) ou sombres sur des milieux lumineux (haut-hat).Ces transformations sont particulièrement efficaces pour améliorer les défauts qui apparaissent comme des écarts d'intensité locale par rapport à un milieu lentement variable, comme de petites fissures ou de la porosité dans des images radiographiques avec un éclairage non uniforme.

Algorithmes de détection des bords

La détection des bords identifie les emplacements d'une image où l'intensité change brusquement, correspondant aux limites entre différents matériaux, structures ou défauts. Pour la détection des défauts radiographiques, les bords délimitent souvent l'étendue des fissures, des vides, des inclusions et d'autres anomalies.

Les méthodes basées sur les gradins calculent le taux de variation d'intensité à chaque emplacement de pixel. L'opérateur Sobel utilise la convolution avec des noyaux dérivés directionnels pour estimer les gradients d'intensité horizontaux et verticaux, qui sont ensuite combinés pour produire l'amplitude et la direction des bords. L'opérateur Prewitt utilise des principes similaires avec différents poids de noyau.

Le détecteur de bord de Canny est un algorithme multi-étapes largement considéré comme l'une des méthodes de détection de bord les plus efficaces. Il commence par le lissage gaussien pour réduire le bruit, calcule les gradients d'intensité, applique une suppression non maximale aux bords fins à la largeur d'un pixel, et utilise le double seuil avec le suivi des bords par hystérésis pour identifier les bords forts et les relier aux bords adjacents plus faibles.

Le détecteur Laplacien de Gaussian (LoG) combine le lissage Gaussien avec l'opérateur Laplacien, qui calcule le second dérivé de l'intensité. Les croisements zéro dans la réponse Laplacienne indiquent les emplacements des bords. Cette approche est isotrope (également sensible aux bords dans toutes les directions) et peut détecter les bords à de multiples échelles en modifiant le paramètre de lissage Gaussien.

La différence de Gaussians (DoG) est approximative du LoG en soustrayant deux versions gaussiennes lisses de l'image avec différents paramètres de lissage. Cette approche efficace pour la détection des caractéristiques et des bords semblables à des blobs à des échelles spécifiques, rend utile l'identification des défauts de porosité et d'inclusion dans les images radiographiques.

Techniques de segmentation d'images

La segmentation divise une image en régions distinctes correspondant à différents objets, matériaux ou défauts. Pour la détection des défauts radiographiques, la segmentation isole les régions de défaut potentiels de l'arrière-plan, permettant ainsi une analyse et une mesure subséquentes.

Thresholding is the simplest segmentation approach, classifying pixels as foreground (defect) or background based on intensity values. Global thresholding uses a single threshold value for the entire image, typically determined by analyzing the intensity histogram to find a value that separates defect and background intensity distributions. Otsu's method automatically determines the optimal threshold by maximizing the between-class variance of the two resulting pixel groups.

Le seuil d'adaptation[ utilise des valeurs de seuil différentes pour différentes régions d'image, calculées sur la base de statistiques locales d'intensité.Cette approche traite l'intensité de fond non uniforme plus efficacement que le seuil global, ce qui en fait une valeur pour les images radiographiques avec une épaisseur de matériau variable ou un éclairage inégal.

La croissance de la région commence par des points de graine et ajoute itérativement des pixels voisins qui satisfont aux critères de similitude, comme avoir des valeurs d'intensité dans une plage spécifiée de l'intensité moyenne de la région. Cette approche peut segmenter les régions de défaut connectées même lorsqu'elles ont une intensité variable, tant que la variation est progressive. Les points de graine peuvent être sélectionnés manuellement, automatiquement en fonction de l'intensité extrema, ou par d'autres méthodes de détection de fonctionnalités.

La segmentation par étang traite l'image comme une surface topographique où l'intensité représente l'élévation. L'algorithme identifie les bassins hydrographiques séparés par des lignes de bassin hydrographique, segmentant efficacement l'image en régions. La segmentation par bassin hydrographique contrôlé par un marqueur utilise des marqueurs prédéfinis pour guider le processus, réduisant la sursegmentation.

Les contours actifs (snakes) sont des courbes déformables qui évoluent pour minimiser une fonction énergétique combinant des caractéristiques d'image (comme les bords) et des propriétés de contour (comme la lissage).Le contour est initialisé près d'un défaut et ajusté de façon itérative pour se conformer aux limites de défaut. Les méthodes de réglage des niveaux fournissent un cadre mathématique pour la mise en œuvre de contours actifs qui peuvent gérer des changements topologiques, permettant à un seul contour de se diviser ou fusionner selon les besoins pour segmenter plusieurs défauts.

Opérations morphologiques

La morphologie mathématique fournit un cadre pour l'analyse de la structure de l'image en utilisant la théorie de l'ensemble et la géométrie. Les opérations morphologiques utilisent des éléments structurants – de petites formes qui sondent l'image – pour extraire, modifier ou simplifier les caractéristiques de l'image.

L'érosion réduit les régions lumineuses en supprimant les pixels aux limites de l'objet, en filtrant efficacement les petites caractéristiques lumineuses et les fines protrusions. La dilatation élargit les régions lumineuses en ajoutant des pixels aux limites, en remplissant de petites lacunes et en connectant les caractéristiques voisines.

Ouverture (érosion suivie de dilatation) enlève les petites caractéristiques lumineuses tout en préservant la taille et la forme approximatives des caractéristiques plus grandes. La fermeture[ (dilation suivie d'érosion) remplit de petites cavités et trous sombres tout en maintenant la taille globale de la caractéristique.Ces opérations sont utiles pour nettoyer les résultats de segmentation, éliminer les fausses détections induites par le bruit et relier les régions de défaut fragmentées.

Le gradient morphologique calcule la différence entre la dilatation et l'érosion, en mettant en évidence les limites des objets.Cette opération offre une alternative à la détection des bords par dérivé et peut être moins sensible au bruit. Les transformations du chapeau supérieur et du chapeau inférieur, mentionnées plus tôt dans le contexte de l'amélioration du contraste, sont également des opérations morphologiques qui extraient des caractéristiques basées sur leur taille par rapport à l'élément structurant.

Le choix de la forme et de la taille de l'élément structurant affecte de façon significative les résultats de l'opération morphologique. Les éléments structurants à disque ou circulaire sont isotropes et conviennent pour les défauts sans orientation privilégiée.

Extraction et description des caractéristiques

Une fois segmentées les régions de défaut potentiel, les algorithmes d'extraction des caractéristiques calculent des descripteurs quantitatifs qui caractérisent les propriétés de défaut.Ces caractéristiques permettent la mesure des défauts, leur classification et leur comparaison par rapport aux critères d'acceptation.

Les caractéristiques géométriques décrivent la taille, la forme et les propriétés spatiales des défauts. La surface mesure le nombre de pixels dans une région de défaut, fournissant un indicateur de taille de base. Le périmètre mesure la longueur des limites, tandis que la compacité (rapport de la surface au périmètre au carré) indique la régularité de la forme.Les défauts de forme, comme les vides circulaires, ont une grande compacité, tandis que les fissures allongées ont une faible compacité. Le rapport de l'aspect (rapport de la longueur de l'axe majeur à la longueur de l'axe mineur) quantifie l'allongement.

Les caractéristiques d'intensité caractérisent la distribution des valeurs de pixel dans les régions de défaut. L'intensité moyenne et médiane indiquent la luminosité ou l'obscurité globale du défaut par rapport au fond. L'écart type mesure la variation d'intensité dans le défaut. Les valeurs d'intensité minimale et maximale identifient les pixels les plus extrêmes.

Les caractéristiques de texture quantifient les patrons spatiaux en intensité de pixel. Les matrices de co-occurrences au niveau gris (GLCM) capturent la fréquence de différentes paires de valeurs d'intensité à des relations spatiales spécifiées, à partir desquelles des caractéristiques telles que le contraste, la corrélation, l'énergie et l'homogénéité peuvent être calculées.Ces caractéristiques distinguent les défauts lisses de ceux dont la structure interne est complexe.

Les caractéristiques basées sur la transformation représentent des défauts dans des domaines alternatifs. Les descripteurs de Fourier caractérisent la forme de la limite des défauts dans le domaine de fréquence, fournissant la rotation, la traduction et la représentation de la forme invariante de l'échelle.

Apprentissage automatique et approches d'apprentissage profond

Les algorithmes d'apprentissage automatique apprennent les modèles à partir des données de formation et appliquent ces connaissances acquises pour classer les défauts, prédire les types de défauts ou détecter directement les défauts des nouvelles images radiographiques.Ces approches sont devenues de plus en plus importantes ces dernières années en raison de leur capacité à gérer des données complexes et à haute dimension et à obtenir une haute précision avec une formation suffisante.

Les classificateurs traditionnels de machine learning[ utilisent des fonctionnalités extraites comme entrée. Les machines vectorielles de soutien (SVM) trouvent des limites de décision optimales qui séparent différentes classes de défauts dans l'espace de la fonctionnalité, souvent en utilisant des fonctions du noyau pour gérer les limites de classe non linéaire. Les forêts aléatoires combinent plusieurs arbres de décision, chacun formé sur des sous-ensembles aléatoires de fonctionnalités et des échantillons de formation, pour créer des classificateurs d'ensemble robustes.

Les réseaux neuronaux convolutionnels (RNC)[[[RTC :1]] ont révolutionné l'analyse d'image en apprenant automatiquement les représentations hiérarchiques des caractéristiques directement à partir de données d'image brutes. Les RCN utilisent plusieurs couches d'opérations de convolution, de mise en commun et d'activation non linéaire pour extraire progressivement des caractéristiques de plus en plus abstraites. Les couches primitives détectent des motifs simples comme les bords et les textures, tandis que les couches plus profondes reconnaissent des profils complexes de défauts et des relations spatiales.

Les réseaux de détection d'objets tels que YOLO (You Only Look Once), R-CNN plus rapide et RetinaNet étendent les CNN pour détecter et localiser simultanément plusieurs défauts dans les images radiographiques. Ces architectures prédisent les boîtes de délimitation autour des défauts avec les probabilités de classe, permettant la détection de défauts de bout en bout à partir d'images brutes sans étapes de segmentation distinctes.

Les réseaux de segmentation sémantique tels que U-Net, SegNet et DeepLab effectuent une classification par pixel, attribuant chaque pixel à une classe ou un arrière-plan de défaut. Ces architectures utilisent généralement des structures de décodeur-encodeur, où l'encodeur extrait des caractéristiques à des échelles progressivement plus grossières et le décodeur reconstitue la résolution spatiale tout en intégrant les fonctionnalités apprises. U-Net, initialement développé pour la segmentation biomédicale de l'image, s'est révélé particulièrement efficace pour la segmentation des défauts radiographiques en raison de sa capacité à localiser précisément les défauts tout en tirant parti de l'information contextuelle.

L'apprentissage par transfert tire parti des réseaux pré-formés développés pour d'autres tâches d'analyse d'images, les adaptant à la détection des défauts radiographiques. Cette approche est utile lorsque les données de formation sont limitées, car le réseau pré-formé possède déjà des capacités générales de compréhension de l'image qui peuvent être adaptées aux caractéristiques spécifiques des images et des défauts radiographiques.

Les approches de détection d'anomalie apprennent l'apparence de matériaux et de régions de drapeau normaux et exempts de défauts qui s'écartent de ce modèle normal. Ces méthodes sont particulièrement utiles lorsque les exemples de défauts sont rares ou lorsque les types spécifiques de défauts qui peuvent survenir ne sont pas connus à l'avance. Les codeurs automatiques apprennent les représentations compressées des images normales et les reconstruisent; les erreurs de reconstruction indiquent des anomalies.

Applications pratiques pour la détection des défauts industriels

Les algorithmes de traitement d'images pour la détection des défauts radiographiques trouvent une application dans une gamme variée d'industries et de scénarios d'inspection.

Contrôle des soudures

La soudure est un processus critique de jointure dans la fabrication et la construction, et la qualité de la soudure a des répercussions directes sur l'intégrité et la sécurité de la structure. L'inspection radiographique est largement utilisée pour détecter les défauts de soudure, y compris la porosité (boucles de gaz piégés dans le métal de soudure), l'absence de fusion (liaison incomplète entre le métal de soudure et le métal de base ou entre les passes de soudure), le manque de pénétration (profondeur de soudure insuffisante), les fissures et les inclusions de laitier (matériel non métallique piégé dans le métal de soudure).

La porosité apparaît comme des amas de petites indications sombres et assez circulaires qui peuvent être détectées à l'aide d'algorithmes de détection de blob, d'opérations morphologiques avec des éléments structurants circulaires, ou de classificateurs à base de CNN formés pour reconnaître des profils de porosité caractéristiques. Les fissures apparaissent comme des indications minces, linéaires et sombres que les algorithmes de détection de bord et les opérations morphologiques avec des éléments structurants linéaires peuvent mettre en évidence.

Les systèmes automatisés d'inspection des soudures traitent les images radiographiques pour détecter, classer et mesurer les défauts, en comparant les résultats aux normes d'acceptation telles que celles définies par l'American Society of Mechanical Engineers (ASME) ou l'American Welding Society (AWS). Ces systèmes réduisent considérablement le temps d'inspection et améliorent la cohérence par rapport à l'interprétation manuelle, tout en maintenant ou en dépassant la fiabilité de la détection.

Inspection de coulée

Les processus de coulée en métal peuvent introduire divers défauts, notamment la porosité, les cavités de rétrécissement, les inclusions, les fissures et les fermetures à froid (fusion incomplète entre les flux métalliques).

Les défauts de coulée présentent des apparences diverses dans les images radiographiques. La porosité du gaz apparaît comme des taches foncées arrondies, tandis que les cavités de rétrécissement ont des formes irrégulières, souvent dendritiques. Les inclusions peuvent sembler plus légères ou plus foncées que le métal environnant selon leur composition.

Les classificateurs d'apprentissage automatique formés à des exemples de différents types de défauts et de caractéristiques normales peuvent automatiquement classer les indications détectées, réduire les taux de faux positifs et permettre des rapports spécifiques aux défauts. Certains systèmes avancés intègrent des données de simulation de coulée pour prédire les emplacements et les types de défauts probables, en concentrant le traitement d'images sur les régions à haut risque.

Inspection des composantes aérospatiales

Les applications aérospatiales exigent une fiabilité extrêmement élevée, car les défaillances des composants peuvent avoir des conséquences catastrophiques. L'inspection radiographique est utilisée tout au long de la fabrication et de l'entretien des aéronefs pour inspecter les composants essentiels, y compris les pales de turbine, les joints structuraux, le train d'atterrissage et les structures composites.

La complexité des composants aérospatiaux et les critères d'acceptation rigoureux exigent des approches sophistiquées de traitement d'image. Les lames de turbine ont des passages de refroidissement internes complexes qui doivent être vérifiés pour la formation appropriée et l'absence de blocages. Les matériaux composites présentent des défis uniques comme des défauts tels que la délamination, le désalignement des fibres et les vides de résines produisent des variations subtiles de contraste.

Les systèmes automatisés de reconnaissance des défauts (ADR) approuvés par les autorités de réglementation de l'aviation intègrent des algorithmes validés de traitement d'images qui répondent à des exigences de performance strictes. Ces systèmes doivent démontrer une forte probabilité de détection des défauts critiques tout en maintenant des taux d'appel faux acceptables.

Inspection des pipelines et des bateaux à pression

Les pipelines et les navires sous pression des industries du pétrole et du gaz, du traitement chimique et de la production d'électricité fonctionnent sous haute pression et à température, ce qui rend la détection des défauts critiques pour prévenir les fuites, les ruptures et les catastrophes environnementales.

Les algorithmes de traitement des images mesurent l'étendue et la profondeur de la corrosion en analysant les profils d'intensité et en les comparant aux images de base de la composante non corrodée. La détection de fissures dans les récipients sous pression à parois épaisses nécessite des algorithmes de détection et d'amélioration des bords sensibles pour identifier les indications de fissures minces, souvent ramifiées. Les systèmes automatisés peuvent suivre la progression de la corrosion au fil du temps en enregistrant et en comparant les images radiographiques provenant d'inspections périodiques, ce qui permet une maintenance prédictive et une planification des inspections fondée sur les risques.

Contrôle de la qualité des additifs industriels

La fabrication additive (3D) de composants métalliques a connu une croissance rapide ces dernières années, notamment pour les applications aérospatiales, médicales et automobiles. Cependant, le processus de construction couche par couche peut introduire des défauts tels que la porosité, le manque de fusion entre les couches, les fissures et les inclusions.

Les géométries complexes souvent produites par la fabrication additive créent des images radiographiques difficiles avec des caractéristiques de chevauchement et d'épaisseur variable. La tomographie (CT), qui acquiert des projections radiographiques à partir de multiples angles et reconstitue des images tridimensionnelles, est de plus en plus utilisée pour l'inspection complète des composants fabriqués additivement.

Considérations relatives à la mise en oeuvre des systèmes automatisés d'inspection

Le déploiement réussi d'algorithmes de traitement d'images pour la détection des défauts radiographiques exige une attention particulière à la conception du système, à la validation et aux facteurs opérationnels au-delà de la seule sélection de l'algorithme.

Acquisition et normalisation d'images

La qualité des images radiographiques a une incidence directe sur les performances des algorithmes. Les procédures d'acquisition d'images cohérentes garantissent que les images ont une résolution, un contraste et un rapport signal-bruit suffisants pour une détection fiable des défauts.

Les étapes de prétraitement de l'image, comme la correction en champ plat (compensation pour la réponse non uniforme des détecteurs), la correction des pixel défectueux et la correction par dispersion, améliorent la qualité et la cohérence de l'image. Ces corrections doivent être appliquées systématiquement avant que les algorithmes de détection des défauts ne traitent les images.

Optimisation du paramètre d'algorithme

La plupart des algorithmes de traitement d'image ont des paramètres réglables qui contrôlent leur comportement. Les valeurs seuils, les tailles de filtre, la sensibilité à la détection des bords et les hyperparamètres d'apprentissage de la machine affectent tous les performances de détection des défauts.

L'optimisation des paramètres consiste généralement à tester les performances des algorithmes sur une gamme de valeurs de paramètres à l'aide d'un ensemble de données représentatifs d'images radiographiques présentant des défauts connus. Les mesures de performance telles que la probabilité de détection, le taux d'appel faux et la sélection des paramètres de précision de calibrage des défauts guident la sélection des paramètres.

Validation et qualification du rendement

La validation rigoureuse est essentielle pour s'assurer que les systèmes automatisés de détection des défauts répondent aux exigences de performance et peuvent être fiables pour les inspections critiques. La validation consiste à tester le système avec un ensemble de données importantes et représentatives d'images radiographiques contenant des défauts connus de différents types, tailles et emplacements, ainsi que des images sans défaut pour évaluer les taux d'appels faux.

L'analyse de la probabilité de détection (POD) permet de quantifier la probabilité que le système détecte des défauts en fonction de la taille des défauts ou d'autres caractéristiques. Les courbes de POD sont générées par l'essai du système avec de nombreux exemples de défauts à différentes tailles et l'adaptation de modèles statistiques aux résultats de détection.

La validation doit démontrer que les taux d'appel faux sont acceptables pour toute la gamme de composants et de conditions d'imagerie rencontrées dans la pratique. Les courbes caractéristiques de fonctionnement du récepteur (CRO), qui tracent le taux de détection par rapport au taux d'appel faux, car le seuil de détection varie, offrent une vue complète des performances du système et permettent de sélectionner des points d'exploitation qui équilibrent la sensibilité à la détection et la spécificité des appels faux.

Intégration avec le flux de travail d'inspection

Les interfaces utilisateur devraient présenter clairement les résultats, mettre en évidence les défauts détectés avec les superpositions sur les images radiographiques et fournir des informations détaillées sur l'emplacement, la taille, le type et la gravité des défauts. Les inspecteurs devraient être en mesure d'examiner facilement les détections automatisées, d'accepter ou de rejeter les indications signalées et d'ajouter des annotations manuelles.

Les systèmes devraient permettre un stockage et une récupération efficaces des images, tenir des registres d'inspection pour assurer la traçabilité et la conformité réglementaire, et permettre une analyse statistique des tendances des défauts entre les composants, les lots de production ou les périodes de temps. L'intégration aux systèmes de gestion de la qualité d'entreprise et aux systèmes d'exécution de la fabrication permet le contrôle de la qualité en boucle fermée et l'amélioration des processus.

Collaboration entre l'homme et l'algorithme

Bien que les algorithmes automatisés de traitement d'images améliorent considérablement les capacités de détection des défauts, l'expertise humaine demeure précieuse, en particulier pour les cas complexes ou ambigus. Les systèmes efficaces soutiennent la collaboration entre les algorithmes et les inspecteurs humains, en tirant parti des forces de chacun. Les algorithmes excellent dans le traitement rapide de grands ensembles de données, en appliquant systématiquement des critères de détection, et en identifiant des modèles subtils qui pourraient être manqués par les inspecteurs fatigués.

Les approches de détection assistée par ordinateur (CAD) utilisent des algorithmes pour déceler les défauts potentiels de l'examen humain plutôt que de prendre des décisions finales d'acceptation/rejeter de façon autonome. Ce modèle collaboratif peut améliorer la performance globale de l'inspection tout en maintenant la surveillance humaine des décisions critiques.

Tendances et orientations futures

Le domaine du traitement des images pour la détection des défauts radiographiques continue d'évoluer rapidement, en raison des progrès de la technologie d'imagerie, des méthodes de calcul et des exigences d'application.

Architectures avancées d'apprentissage profond

Les transformateurs de vision, qui appliquent des mécanismes d'attention dans les régions d'image, sont prometteurs pour saisir les relations spatiales à longue distance pertinentes à la détection des défauts. Les méthodes d'apprentissage auto-supervisées permettent aux réseaux d'apprendre des représentations utiles à partir d'images radiographiques non marquées, réduisant ainsi le besoin de séries de données de formation annotées manuellement.

Des techniques d'IA explicables sont en cours de développement pour rendre la détection des défauts d'apprentissage profond plus compréhensible et plus fiable. La visualisation de l'attention, les cartes de saliabilité et les explications conceptuelles aident les inspecteurs à comprendre pourquoi un réseau a signalé une région particulière comme un défaut, à renforcer la confiance dans les décisions automatisées et à faciliter l'acceptation réglementaire.

Analyse multi-modale et multi-échelle

La combinaison de l'imagerie radiographique avec d'autres modalités non destructives d'essais, telles que les essais ultrasoniques, les essais de courant de Foucault ou la thermographie, peut fournir des informations complémentaires sur les défauts. Les algorithmes de traitement d'images qui fusionnent des données de multiples modalités peuvent atteindre une caractérisation des défauts plus complète que n'importe quelle seule modalité.

La tomographie numérique fournit des données radiographiques tridimensionnelles qui permettent une détection et une caractérisation plus complètes des défauts que la radiographie bidimensionnelle. Les algorithmes avancés de traitement d'images pour les données de CT comprennent des réseaux neuronaux convolutionnels tridimensionnels, des méthodes de segmentation volumétrique et des algorithmes qui exploitent les relations spatiales tridimensionnelles entre les défauts et les caractéristiques des composants.

Inspection en temps réel et en ligne

Les industries manufacturières se dirigent vers le contrôle de la qualité en temps réel, l'inspection étant intégrée directement dans les lignes de production, ce qui nécessite des algorithmes de traitement d'images qui peuvent analyser les images radiographiques assez rapidement pour suivre le rythme de production, généralement en traitant les images en quelques secondes ou moins. L'accélération du GPU, les implémentations optimisées des algorithmes et les architectures de calcul de bord permettent la détection des défauts en temps réel.

Pour la fabrication additive, la surveillance in situ pendant le processus de construction à l'aide d'imagerie par rayons X ou de CT peut détecter les défauts au fur et à mesure qu'ils se forment, ce qui peut permettre des ajustements en temps réel pour empêcher la propagation des défauts.

Jumelles numériques et entretien prédictif

La technologie numérique à double génération crée des répliques virtuelles de composants physiques qui sont continuellement mis à jour avec des données d'inspection, l'historique opérationnel et les résultats de simulation. Les données d'inspection radiographique traitées par des algorithmes de traitement d'image se nourrissent de jumeaux numériques, permettant de suivre l'initiation et la croissance des défauts sur la durée de vie d'un composant.

L'intégration des résultats du traitement d'images à des modèles de croissance et de mécanismes de défaillance basés sur la physique fournit un cadre puissant pour l'évaluation des risques et la prise de décisions.

Normalisation et développement de la réglementation

À mesure que les systèmes automatisés de détection des défauts deviennent plus répandus, les normes et les cadres réglementaires de l'industrie évoluent pour tenir compte de leur qualification, validation et utilisation. Des organismes comme ASTM International, l'American Society for Nondestructive Testing (ASNT) et des organismes internationaux de normalisation élaborent des normes pour les exigences de rendement des systèmes automatisés de reconnaissance des défauts, les procédures de validation et la documentation.

Ces efforts de normalisation visent à garantir que les systèmes automatisés répondent aux exigences minimales de rendement, fournissent des résultats cohérents pour différentes applications et maintiennent des niveaux appropriés de fiabilité et de traçabilité. La participation à l'élaboration de normes par les concepteurs d'algorithmes, les fournisseurs de services d'inspection, les fabricants d'équipement et les utilisateurs finaux contribue à garantir que les normes sont pratiques, techniquement saines et conformes aux besoins de l'industrie.

Techniques communes et leurs applications spécifiques

Pour fournir des conseils pratiques aux praticiens, cette section résume les principales techniques de traitement de l'image et leurs principales applications dans la détection des défauts radiographiques.

  • Détection des bords de canny: Identifie les limites des défauts tels que les fissures, le manque de fusion et les inclusions à tranchant tranchant tranchant. La détection des bords de canny est particulièrement efficace pour trouver des limites de défauts bien définies tout en supprimant le bruit.
  • Troisième rétention: Les régions de défaut de segment sont basées sur des différences d'intensité par rapport au fond. Le seuil global avec la méthode d'Otsu fonctionne bien pour les images avec des distributions d'intensité bimodales où les défauts et le fond ont des plages d'intensité clairement séparées. Le seuil adaptatif gère l'intensité de fond non uniforme commune dans les radiographies de composants d'épaisseur variable.
  • Filtering: Supprime le bruit pour clarifier les caractéristiques des défauts et améliorer les étapes de traitement suivantes. Le filtrage gaussien permet une réduction générale du bruit avec une résistance à lisser contrôlable. Le filtrage médian excelle à éliminer le bruit de sel et de poivre tout en préservant les bords.
  • Machine Learning: Classe les types de défauts à l'aide de modèles formés qui apprennent des exemples. Supporter les machines vectorielles et les forêts aléatoires fonctionne bien avec des caractéristiques soigneusement conçues extraites des régions de défauts segmentés. Les réseaux neuronaux convolutionnels apprennent automatiquement les caractéristiques pertinentes directement à partir des données d'image et ont atteint des performances de pointe pour de nombreuses tâches de détection de défauts.
  • Opérations morphologiques: Analyser et modifier la structure de l'image en fonction de la forme. L'ouverture élimine les petites caractéristiques lumineuses et le bruit tout en préservant les défauts plus grands. La fermeture comble les petites lacunes dans les régions de défaut et relie les caractéristiques voisines. Le chapeau transforme en extrait des défauts lumineux sur des fonds sombres, tandis que le chapeau de fond transforme en extrait des défauts sombres sur des fonds lumineux.
  • Amélioration des contrastes:[ Améliore la visibilité des défauts subtils en augmentant les différences d'intensité. L'égalisation histographique élargit la portée dynamique et peut révéler des défauts à faible contraste, bien qu'elle puisse amplifier le bruit. L'égalisation histographique adaptative (CLAHE) fournit une amélioration du contraste local qui gère l'intensité de fond non uniforme.
  • Segmentation: Les images de cloisonnement en régions de défaut et non-défectueux. Les segments de croissance régionale connectées zones de défaut en fonction de la similitude d'intensité. La segmentation du bassin hydrographique sépare les défauts touchants et fournit des limites bien définies. Les contours actifs et les ensembles de niveaux évoluent pour se conformer aux limites de défaut et peuvent gérer des formes complexes.
  • Extraction de caractéristiques: Calcule les descripteurs quantitatifs des défauts segmentés. Les caractéristiques géométriques (zone, périmètre, compacité, rapport d'aspect) caractérisent la taille et la forme des défauts. Les caractéristiques d'intensité (moyenne, écart type, statistiques d'histogramme) décrivent le contraste des défauts et la distribution de l'intensité interne.

Défis et limites

Despite significant advances, image processing for radiographic defect detection faces ongoing challenges that researchers and practitioners must address.

Données limitées sur la formation

Les méthodes d'apprentissage automatique, en particulier l'apprentissage profond, exigent de grandes séries de données d'exemples étiquetés pour une formation efficace. Cependant, les défauts sont souvent rares dans la production, et la collecte d'exemples suffisants de tous les types de défauts pertinents peut être difficile et coûteuse. Les exemples de défauts peuvent être exclusifs ou sensibles à la sécurité, limitant le partage de données entre les organisations.

Les stratégies visant à traiter les données limitées de formation comprennent l'augmentation des données (création d'exemples de formation supplémentaires par des transformations comme la rotation, l'échelle et l'ajustement d'intensité), la production de données synthétiques (utilisation de simulations basées sur la physique ou de modèles génériques pour créer des exemples réalistes de défauts), l'apprentissage par transfert (modèles de levier formés à des tâches connexes) et l'apprentissage par faible nombre de points (développement d'algorithmes pouvant tirer des enseignements d'exemples minimes).

Généralisation dans les conditions d'imagerie

Les images radiographiques varient considérablement selon l'équipement, les paramètres d'exposition, les propriétés du matériau et la géométrie des composants. Les algorithmes formés sur des données provenant d'un système d'imagerie ou d'une application peuvent ne pas généraliser bien à différentes conditions.

Les techniques d'adaptation de domaine visent à améliorer la généralisation en ajustant les algorithmes aux nouvelles conditions d'imagerie avec des données de formation supplémentaires minimales. La normalisation et la normalisation des caractéristiques d'image peuvent réduire la sensibilité aux variations d'équipement. La formation sur divers ensembles de données couvrant de multiples conditions d'imagerie améliore la robustesse.

Interprétabilité et confiance

Les algorithmes complexes, en particulier les réseaux neuronaux profonds, fonctionnent souvent comme des « boîtes noires » où le raisonnement derrière des détections spécifiques n'est pas transparent. Ce manque d'interprétation peut entraver la confiance et l'acceptation, en particulier dans les applications critiques pour la sécurité où les inspecteurs et les régulateurs doivent comprendre pourquoi un composant a été accepté ou rejeté.

La recherche sur l'IA explicable vise à rendre les décisions d'algorithmes plus compréhensibles grâce aux techniques de visualisation, aux mécanismes d'attention qui mettent en évidence les régions d'image qui influencent les décisions et aux explications basées sur des concepts qui relient les décisions aux caractéristiques compréhensibles par l'homme.

Exigences informatiques

Les algorithmes avancés de traitement d'images, en particulier les réseaux d'apprentissage profond, peuvent être intensifs en calcul, nécessitant un temps de traitement et des ressources matérielles considérables. Cela peut limiter les applications d'inspection en temps réel et augmenter les coûts du système.

L'accélération du GPU permet de réaliser des accélérations substantielles pour de nombreuses opérations de traitement d'images et est essentielle pour un déploiement pratique de l'apprentissage profond. L'optimisation de l'algorithme, y compris des architectures réseau efficaces et des techniques de taille qui réduisent la complexité du modèle, peut réduire les exigences de calcul.

Meilleures pratiques de mise en œuvre

Pour mettre en œuvre avec succès des algorithmes de traitement d'image pour la détection des défauts radiographiques, il faut prêter attention à plusieurs pratiques exemplaires qui couvrent le développement, la validation et le déploiement opérationnel des algorithmes.

Démarrer avec des exigences claires:[ Définir des exigences de performance spécifiques, y compris la probabilité minimale de détection pour les types et les tailles de défauts critiques, des taux d'appel faux acceptables maximum, des contraintes de temps de traitement, et toute exigence de conformité réglementaire ou de normes.

Assurer des données de formation et d'essai représentatives:[ Recueillir des ensembles de données qui couvrent toute la gamme des conditions d'imagerie, des types de composants et des caractéristiques de défaut rencontrées dans l'application cible.

Validation systématique de l'application:[ Utiliser des méthodes statistiques pour quantifier rigoureusement le rendement de l'algorithme, y compris la probabilité d'analyse de détection, l'évaluation du taux d'appel faux et l'évaluation de la précision du calibrage des défauts.

Conception pour la collaboration entre l'homme et l'algorithme:[ Créer des interfaces utilisateur qui présentent efficacement les résultats de l'algorithme tout en appuyant l'examen et la suppression par l'homme. Fournir des scores de confiance ou des estimations d'incertitude avec des détections automatisées pour aider les inspecteurs à prioriser les efforts d'examen.

Plan de surveillance et d'amélioration continues:[ Mettre en place des systèmes pour suivre la performance de l'algorithme au fil du temps en utilisation opérationnelle.Surveiller la dégradation de la performance qui pourrait indiquer des conditions d'imagerie changeantes ou des types de défauts émergents.

Adresse cybersécurité et intégrité des données:[ Mettre en place des mesures de sécurité appropriées pour protéger les images radiographiques et les résultats d'inspections de l'accès ou de la falsification non autorisés.

Fournir une formation adéquate:[ Former les inspecteurs et les autres utilisateurs sur les capacités du système, les limites et le bon fonctionnement. Veiller à ce que les utilisateurs comprennent ce que les algorithmes détectent et comment interpréter les résultats.

Conclusion

L'application d'algorithmes de traitement d'images aux données radiographiques a fondamentalement transformé la détection des défauts dans les industries. Des techniques traditionnelles comme la détection des bords, le seuil et le filtrage aux approches avancées d'apprentissage par machine et d'apprentissage profond, ces algorithmes améliorent la précision, l'efficacité et la cohérence des processus de contrôle de la qualité.

Le domaine continue d'évoluer rapidement avec les progrès des architectures d'apprentissage profond, l'analyse multimodale, les capacités d'inspection en temps réel et l'intégration avec les cadres numériques de maintenance jumelés et prédictifs. À mesure que les algorithmes deviennent plus sophistiqués et les ressources informatiques plus puissantes, les capacités de détection automatique des défauts radiographiques continueront de s'élargir.

La mise en œuvre réussie exige une attention particulière à la sélection des algorithmes, à l'optimisation des paramètres, à la validation rigoureuse et à l'intégration réfléchie dans les processus d'inspection. L'expertise humaine demeure précieuse et les systèmes efficaces soutiennent la collaboration entre les algorithmes et les inspecteurs humains, en tirant parti des forces complémentaires de chacun.

Pour les organisations qui cherchent à mettre en oeuvre ou à améliorer les capacités de détection des défauts radiologiques, la clé est de commencer par des exigences claires, d'investir dans des données de formation et d'essai représentatives, d'utiliser des méthodes de validation systématiques et des systèmes de conception qui appuient une collaboration efficace entre les humains et l'algorithme. En suivant les pratiques exemplaires et en restant à l'affût des progrès technologiques, les organisations peuvent améliorer sensiblement le contrôle de la qualité tout en réduisant les coûts et le temps d'inspection.