Table of Contents

Introduction à la segmentation des images pour l'inspection des matériaux

La segmentation d'image est une tâche fondamentale de vision informatique qui divise une image numérique en plusieurs segments, ensembles de pixels, pour simplifier ou modifier la représentation en quelque chose de plus significatif et de plus facile à analyser. Dans le contexte de l'inspection technique des matériaux, la segmentation permet la localisation et la quantification précises des défauts tels que les fissures, les fosses de corrosion, les inclusions, les délavations et l'usure de surface.

Les tolérances de fabrication se resserrant et les normes de sécurité s'accroissant dans les secteurs de l'aérospatiale, de l'automobile, de l'énergie et de l'infrastructure civile, la nécessité de méthodes fiables d'évaluation non destructive (EMI) n'a jamais été aussi grande. Les approches traditionnelles de segmentation – la détention de menaces, la détection des bords, la croissance régionale et les modèles de contour actif – échouent souvent face à des textures matérielles complexes, à des éclairages inégalés ou à des morphologies subtiles de défauts.

De l'inspection manuelle à l'apprentissage profond : un changement de paradigme

Limitations des méthodes de segmentation conventionnelle

Les méthodes semi-automatisées utilisant des techniques classiques de traitement des images ont apporté un certain soulagement, mais ont introduit leurs propres limites. Par exemple, le seuil global échoue lorsque les régions défectueuses occupent seulement une infime fraction de l'image ou lorsque l'intensité de fond varie grandement. Les méthodes basées sur les bords comme les détecteurs Canny ou Sobel luttent avec des images bruyantes ou peu contrastantes, produisant souvent des bords fragmentés ou faux. La croissance régionale nécessite une sélection soigneuse des semences et peut s'écouler dans des zones non pertinentes.

L'élévation des réseaux neuronaux convolutionnels

L'introduction de réseaux neuronaux convolutionnels (RCN) et la disponibilité de données annotées à grande échelle (p. ex. ImageNet) ont déclenché une révolution dans la compréhension de l'image. Pour la segmentation, les réseaux entièrement convolutionnels (RCN) ont remplacé les couches entièrement connectées par des données convolutionnelles, permettant des prédictions denses en pixel. Depuis, une famille d'architectures spécialisées a été développée pour relever les défis uniques de l'inspection des matériaux techniques : images à haute résolution, déséquilibre de classe (les pixels défectueux sont généralement beaucoup moins nombreux que les pixels de fond), limites à grain fin, et nécessité à la fois de segmentation sémantique (classe pixel) et d'instance (objet individuel).

Architectures d'apprentissage profond de base pour la segmentation des matériaux

U-Net: Précision avec des données limitées

Conçu à l'origine pour la segmentation biomédicale de l'image, U-Net est devenu un moteur de détection des défauts matériels grâce à sa structure symétrique de codeur-décodeur avec connexions saut. L'encodeur capture le contexte par un échantillonnage descendant successifs, tandis que le décodeur récupère la résolution spatiale. Les connexions saut fusionnent des informations sémantiques de haut niveau avec des détails fins de bas niveau, permettant une délimitation précise des limites même lorsque les défauts sont petits ou mal définis. U-Net effectue fortement sur des ensembles de données avec relativement peu d'images annotées (p. ex., quelques centaines), ce qui rend attrayant pour les laboratoires où les données de défaut étiquetés sont rares.

Masque R-CNN: Segmentation d'instance pour les défauts multiples

Lorsqu'une seule image contient des défauts multiples et adjacents de différents types (p. ex., une fissure entrecroisant avec une fosse de corrosion), la segmentation sémantique (classification de chaque pixel) est insuffisante – nous devons distinguer les cas de défaut individuels. Le masque R-CNN étend le R-CNN plus rapide en ajoutant une branche qui prédit un masque de segmentation binaire pour chaque objet détecté.

SegNet et encodeurs Web efficaces

SegNet utilise un nouveau système d'échantillonnage qui transfère les indices de mise en commun max de l'encodeur au décodeur, réduisant ainsi les paramètres de formation et l'empreinte mémoire tout en conservant une grande précision des limites. Pour une inspection en temps réel sur les lignes de production, des épines légères comme MobileNet ou EfficientNet-Lite sont souvent remplacées par des cadres de segmentation.

DeepLab et la Convolution Atrouse

La série DeepLab (v3+ est la plus mature) permet de contrôler le champ de vision des filtres sans augmenter les paramètres. Le module de mise en commun spatiale de la pyramide (ASPP) capture le contexte à plusieurs échelles en appliquant des convolutions parallèles de la courbe avec des vitesses de dilatation différentes. Ceci est particulièrement utile pour inspecter les matériaux présentant des défauts qui varient considérablement en échelle, à partir de micro-criques (< 1 mm) to large delamination areas (> 10 cm).

Segmentation basée sur les transformateurs

La segmentation la plus récente utilise des transformateurs de vision (ViTs), comme le Segment Anything Model (SAM) de Meta AI et le SEgmentation TRansformer (SETR). Au lieu de se fier uniquement aux noyaux de convolution locaux, les transformateurs utilisent l'auto-attention pour modéliser les dépendances à longue distance sur toute l'image. Pour l'inspection des matériaux, cela est prometteur pour détecter les défauts qui couvrent de grandes zones (comme la corrosion généralisée) ou qui ont des repères contextuels (p. ex., les motifs de fissure qui se répètent périodiquement sur une surface).

Applications dans les matériaux d'ingénierie

Métaux: acier, aluminium et superalliages

Dans la fabrication des métaux, les modèles de segmentation identifient les fissures de surface, les défauts de laminage, les pores de coulée et les inclusions. Par exemple, U-Net formé sur le microscope électronique à balayage (SEM) images peuvent segmenter les fissures de fatigue fine dans les alliages d'aluminium de qualité avion avec une précision de niveau de pixel supérieure à 95%.

Ressource externe:[ Une étude récente sur l'apprentissage profond pour la détection des défauts d'acier (Mesure, 2022) fournit des résultats de référence complets.

Composites: Laminats de fibre de carbone et de fibre de verre

Les matériaux composites souffrent de défauts uniques : délaminations, désalignement de fibres, vides en résine et dommages aux chocs. Les analyses de tomographie (CT) calculées par rayons X des panneaux composites sont des volumes 3D massifs; la segmentation 2D des tranches individuelles combinée à la reconstruction 3D est standard. Les modèles d'apprentissage en profondeur, formés sur des tranches de CT annotées, peuvent segmenter les régions de délamination avec des scores de Die dépassant 0,9.

Céramique et béton

Les composants céramiques, tels que les pales de turbine ou les isolateurs électriques, sont inspectés pour détecter les défauts de surface (trous, fissures, copeaux) à l'aide de la microscopie optique. La segmentation en apprentissage profond aide à automatiser ce processus, réduisant le temps d'inspection de 80% par rapport aux opérateurs humains.

Polymères et revêtements

Dans la production de films de polymères (par exemple, séparateurs de piles, emballages alimentaires), les défauts tels que les taches de gel, les yeux de poisson et les variations d'épaisseur sont segmentés en temps réel en utilisant des architectures de réseau neuronal légères comme ENet ou BiSeNet. De même, les surfaces en métal peint ou revêtu sont inspectées pour les cloques, les pelures oranges ou les rayures en utilisant des modèles de segmentation qui produisent une zone de défaut en pourcentage de la surface totale – une métrique clé pour les portes de qualité des ateliers de peinture automobile.

Principaux avantages de la segmentation de l'apprentissage profond dans l'inspection industrielle

Précision et cohérence non précedentes

Les modèles d'apprentissage approfondi obtiennent une précision de pixel qui dépasse souvent les annotateurs humains, surtout pour les défauts subtils ou ambigus. Un modèle formé sur des milliers d'images annotées produit à chaque fois la même limite de décision, éliminant la variabilité inter-opérateurs.

Automatisation de bout en bout

Les pipelines d'inspection traditionnels exigent des étapes distinctes pour le prétraitement de l'image, l'extraction des fonctions, la segmentation et la classification, chacune étant ajustée à la main par un expert. L'apprentissage profond s'effondre en un seul modèle pouvant être entraîné.

Adaptation aux nouveaux matériaux et aux défauts

L'apprentissage par transfert permet de mettre au point un modèle pré-formé sur un grand ensemble de données génériques (comme ImageNet ou COCO) sur un petit ensemble de données spécifiques à un matériau avec seulement quelques centaines d'images. Cela réduit considérablement l'effort d'annotation nécessaire pour lancer l'inspection pour une nouvelle gamme de produits.

Vitesse pour l'inspection en ligne

Les architectures modernes (MobileNetV3+DeepLabv3, ENet, SwiftNet) peuvent traiter 512x512 images à plus de 100 images par seconde sur un GPU de moyenne portée. Lorsqu'elles sont déployées sur des périphériques de bord comme NVIDIA Jetson ou Intel Myriad, elles permettent une segmentation en temps réel sur la ligne de production, ce qui stoppe les pièces défectueuses avant qu'elles ne atteignent les stations en aval.

Défis dans le déploiement de la segmentation profonde pour les matériaux

Rares données sur la formation étiquetée

Un seul micrographe à haute résolution peut prendre des heures pour l'étiquetage. Le déséquilibre de classe – les défauts couvrent souvent moins de 1 % de la zone d'image – rend inefficace la formation sans fonction de perte spéciale (perte focale, perte de dés) . Des stratégies d'apprentissage actif et une faible supervision (en utilisant des boîtes de délimitation ou des annotations ponctuelles) sont des domaines de recherche actifs visant à réduire les coûts d'annotation.

Variations texturales et changement de domaine

Un modèle formé sur une qualité d'acier (par exemple 304 acier inoxydable) échoue souvent sur une autre (par exemple 6061 aluminium) en raison de différences de texture de surface, de réflectivité et de morphologie des défauts. Le déplacement de domaine se produit également lorsque les conditions d'éclairage, les angles de caméra ou les changements d'étalonnage des capteurs.

Besoins en ressources informatiques

Si l'inférence peut être rapide, l'entraînement des modèles de segmentation profonde nécessite des GPU puissants (12-24 Go VRAM) et souvent plusieurs jours pour les grands ensembles de données. Pour les fabricants de petites et moyennes dimensions, le coût initial du matériel et du calcul du cloud peut être une barrière.

Interprétabilité et confiance

Les inspecteurs industriels se méfient des systèmes de « boîte noire ». Les techniques d'explication comme Grad-CAM (planification d'activation pondérée par les gradients) mettent en évidence les pixels d'entrée qui influencent le plus la décision de segmentation.Cela aide les ingénieurs à vérifier que le modèle se concentre sur le défaut et non sur les artefacts non pertinents (p. ex., marques de scribe, poussières).

Orientations futures : Systèmes d'inspection de la prochaine génération

Peu de cours chauds et zéro cours chauds

Les modèles futurs ne nécessiteront qu'un ou quelques exemples d'un nouveau défaut pour commencer à segmenter de façon fiable. Les réseaux prototypés et les architectures siamois formées aux tâches d'apprentissage en méta-méta sont prometteurs. La segmentation zéro-shot, où le modèle peut segmenter une classe de défaut invisible basée sur une description textuelle, est à l'horizon avec des modèles de langage de vision comme CLIP.

Augmentation des données génériques

La production de données synthétiques à l'aide de modèles StyleGAN, Diffusion ou de rendus à base de physique peut produire des images d'entraînement infinies et parfaitement annotées de défauts rares. La combinaison de données réelles et synthétiques améliore généralement la généralisation des modèles. Le défi clé est de s'assurer que la distribution synthétique correspond à la distribution des défauts réels – un problème qui est abordé avec l'alignement du domaine adversaire.

Segmentation 3D en temps réel

Comme les capteurs 3D (LiDAR, lumière structurée) deviennent moins chers, la segmentation nuageuse 3D point des surfaces matérielles (par exemple, pour les panneaux de carrosserie automobile) deviendra standard. Des architectures d'apprentissage profond comme PointNet++ ou VoxelNet adaptées pour la détection des défauts peuvent segmenter des anomalies géométriques telles que des bosses ou des déformations directement dans l'espace 3D.

L'apprentissage fédéré et l'apprentissage de l'avant-garde

Déployer des modèles de segmentation directement sur des caméras intelligentes ou des périphériques de bord élimine la nécessité de diffuser des images haute résolution vers un serveur central. fédérated learning permet à plusieurs usines de former en collaboration un modèle mondial sans partager d'images de défaut propriétaires, en préservant la propriété intellectuelle tout en améliorant la robustesse du modèle sur tous les sites.

Ressource externe:[ Pour un aperçu des outils de déploiement des bords, voir Exemples de segmentation de la piste de tir.

Conclusion : Une fondation fiable pour l'assurance de la qualité automatisée

Bien que des défis subsistent — volume de données, changement de domaine et interprétabilité —, le rythme rapide de l'innovation dans les architectures, les stratégies de formation et le matériel de bord assure que ces obstacles continueront de se réduire. Pour l'inspection du matériel d'ingénierie, l'adoption de la segmentation profonde n'est pas seulement une mise à niveau technologique; c'est un impératif stratégique pour les industries où la défaillance matérielle n'est pas une option.

Ressource externe:[ La page de segmentation de l'Institut Max Planck pour l'informatique offre des recherches sur les méthodes les plus modernes.