Reconnaissance automatique de défauts dans les produits métalliques par radioscopie numérique

= Automatic defect recognition in metal products by digital radioscopy

• Auteur / Autrice : Valérie Kaftandjian
• Direction : Gilles Peix
• Type : Thèse de doctorat
• Discipline(s) : Génie des matériaux
• Date : Soutenance en 1995
• Etablissement(s) : Lyon, INSA
• Ecole(s) doctorale(s) : École doctorale Électronique, électrotechnique, automatique (Lyon)
• Partenaire(s) de recherche : Laboratoire : CNDRI - Contrôle Non Destructif par Rayonnements Ionisants (Lyon, INSA1982-2011)

Mots clés

Mots clés contrôlés

Reconnaissance des formes (informatique)

Radioscopie

Contrôle non destructif

Résumé

Notre étude porte sur le contrôle non destructif de produits métalliques par radioscopie numérique. Les défauts internes apparaissant sur l'image radioscopique sont détectés et identifiés automatiquement, pendant le défilement de l’objet. Dans la première partie, nous caractérisons la qualité de l'image radioscopique: le rapport Signal sur Bruit, le contraste, la sensibilité, la résolution en épaisseur sont définis et mesurés sur l'image numérique. Puis, nous étudions plus particulièrement le détecteur de rayonnement, par son Efficacité de Détection Quantique et sa Fonction de Transfert. Nos recherches portent d'abord sur la Fonction de Transfert de Contraste, et une comparaison de l'expérience avec une simulation numérique confirme que l'ouverture géométrique du détecteur est le paramètre qui détermine sa résolution. Enfin, la Fonction de Transfert de Modulation est déterminée par une étude comparative de plusieurs méthodes expérimentales. La deuxième partie de l'étude est consacrée à l'analyse de l'image radioscopique, en vue de détecter et reconnaître automatiquement les défauts internes de l’objet. Il s'agit de lingots d'aluminium avec huit types de défauts différents. L'analyse comporte trois parties : détection des défauts, extraction de leurs caractéristiques, reconnaissance. La détection s'effectue à l'issue d'une étape de segmentation que nous avons mise au point à partir des techniques de morphologie mathématique. Une étude des défauts et du procédé de fabrication a permis d'élaborer des modèles de défauts, en tenant compte de toutes les informations a priori disponibles. Les caractéristiques choisies pour la modélisation sont la forme, l'orientation, la largeur, le contraste. Enfin, notre méthode de reconnaissance est fondée sur un arbre d'identification dont les entrées sont les caractéristiques des objets, et les sorties les types de défauts. Après la discrimination des objets en familles de forme, d'orientation et de largeur, un regroupement des objets proches et alignés permet d'identifier les objets éventuellement déconnectés lors de la segmentation.

The present study refers to the Non Destructive Testing of metal products by digital radioscopy. Internal defects are automatically detected and their type identified, while the object is moving. The first part o( our study is dedicated to the characterization of the radioscopic image quality : the Signal to Noise ratio, the contrast, the sensitivity, the thickness resolution are measured on the digital image. Theo, the X-ray detector is investigated through its Detection Quantum Efficiency and its Transfer Function. First, the Contrast Transfer Function is measured and compared to a numerical simulation which confirmed that the detector resolution is determined by its geometrical aperture. Finally, the Modulation Transfer Function 1s studied in detail through several experimental methods. In the second part, our work is aimed at the radioscopic image analysis, in such a way to detect and recognize the internal defects automatically. This is applied to the inspection of aluminum ingots, where eight defect types are to be considered. The analysis consists of three parts : defect detection, feature extraction, recognition. The developed detection method is based on mathematical morphology. A study of the defects and the production process allowed us to model the defect types, and to gather as much a priori information as possible. The selected features for defect modeling are shape, orientation, width, contrast. Finally, our recognition method is based on an identification tree, whose inputs are the features, and outputs are the defect types. Once the objects are separated in shape, orientation and width families, a clustering of aligned and close objects is performed, in such a way to identify the objects that would have been disconnected by the segmentation process.