Partagez

Linkedin

Twitter

Facebook

email

Print

Deep Learning d'images de tomographie de pièces de fonderie aluminium.

Le Deep Learning a été utilisé pour analyser des images de tomographies de pièces de fonderie en aluminium. Le projet CRITER TOMO a permis, avec un groupe d’industriels fondeurs, de développer dans le cadre d’une thèse avec l’INSA de Lyon (laboratoire LVA) un algorithme d’intelligence artificielle à base de réseaux de neurones convolutifs qui permet de classifier les défauts internes.

Le projet de R&D de CTIF

La tomographie qui était jusqu’ici réservée à la mise au point de pièces de fonderie commence à être utilisée en contrôle de production pour des pièces en alliage d’aluminium. Cela nécessite la création d’un référentiel spécifique afin de pouvoir juger si les pièces sont conformes ou non comme ce qui existe en radiographie sous la forme des images de référence ASTM. Afin de répondre à ce besoin, le Centre Technique des Industries de la Fonderie (CTIF) a initié un projet de recherche en collaboration avec le Laboratoire Vibrations et Acoustique (LVA) de l’INSA de Lyon et avec des groupes industriels : RENAULT, SAB, EUROCAST, MONTUPET et CONSTELLIUM. Dans le cadre de ce projet appelé CRITER-TOMO, Abdel Rahman DAKAK, doctorant à l’INSA, a initié sa thèse en octobre 2018 sur le thème du développement les algorithmes de traitement des données tomographiques, encadré par Valérie KAFTANDJIAN-DOUDET, professeure à l’INSA de Lyon et Patrick BOUVET, expert en Contrôles Non Destructifs (CND) au CTIF. Afin de pouvoir automatiser entièrement les traitements des données tomographiques, plusieurs types de traitements d’intelligence artificielle ont été employés (Deep Learning, k-Plus proches voisins, Support Vector Machine, Transfert Learning, …). Le travail et les résultats du projet sont décrits dans cet article.

Le principe de la tomographie

Comme la radiographie (en deux dimensions), la tomographie est basée sur l’absorption différentielle des rayons X en fonction de la densité de matière, mais elle exploite un plus grand nombre de vues réalisées suivant différents angles par rotation de l’objet observé. Les différentes vues permettent de déterminer l’absorption de chaque élément de volume appelé « voxel » et ainsi de reconstituer l’objet en trois dimensions. Il est alors possible d’obtenir plusieurs représentations du volume de l’objet, dont la visualisation sous forme de coupes virtuelles. Cette représentation est la plus conventionnelle et la plus pratique pour déterminer des taux de porosités ou mesurer des discontinuités internes à la pièce. Pour examiner la totalité du volume, il faut faire défiler à l’écran les coupes virtuelles 2D ou utiliser un algorithme permettant une représentation en 3D du volume de l’objet. Dans ce cas, cela nécessite une opération de segmentation permettant pour alléger l’exploitation de ne retenir que les contours de la pièce et les éventuels défauts internes.

En tomographie, deux systèmes correspondant à deux géométries d’acquisition existent : les systèmes « Cône-Beam » et les systèmes « Fan-Beam ». Tout d’abord, les systèmes dits « Cône-Beam » exploite le cône de rayonnement du tube à rayons X pour examiner l’objet à partir de vues 2D obtenues sur un détecteur plan (ou panneau plat). Ce sont les équipements principalement utilisés pour la tomographie industrielle. Il existe également des systèmes dits « Fan-Beam » pour lesquels, un fin faisceau de rayonnement est envoyé à travers l’objet vers un détecteur linéaire. Ces matériels sont plutôt réservés aux hautes énergies lorsque le rayonnement diffusé devient trop important.

Le besoin industriel vis-à-vis de la tomographie

Pour le secteur industriel de la fonderie qui produit des pièces métalliques aux formes « tourmentées » avec souvent des conduits internes, la tomographie est un outil d’analyse de la santé interne des pièces très intéressant. Par rapport à la radiographie, qui produit des images du volume projeté sur un plan, la tomographie permet d’examiner la matière par tranches ou coupes fictives. Cela évite d’être gêné par les nombreuses variations d’épaisseurs ou par les projections de parois qui sont caractéristiques de la radiographie de pièces de fonderie, et ainsi la reconnaissance de la nature des discontinuités présentes est grandement facilitée.  Une illustration de la puissance de la tomographie par rapport à la radiographie est l’examen des structures alvéolaires (structures lattices) métalliques, issues de fonderie ou de fabrication additive. La figure ci-dessous montre la différence entre l’image radiographique et une coupe tomographique d’une mousse métallique produite par fonderie. En radiographie, l’image est floue, les porosités se superposent et il est impossible de déterminer la dimension des pores. A l’inverse, les coupes tomographiques donnent des images nettes qui permettent d’accéder à des données précises sur la dimension des pores et leur distribution.

En tomographie, le positionnement de la discontinuité dans l’épaisseur devient possible ainsi que sa visualisation suivant plusieurs orientations. Cela permet d’envisager des critères plus pertinents en fonction de la position de la discontinuité par rapport à la surface ou par rapport à une zone critique très sollicitée. Actuellement, la conformité de la santé interne des pièces de fonderie est réalisée en comparant des images radiographiques 2D avec des images de référence disponibles auprès de l’ASTM (American Society for Testing and Materials). L’inconvénient est que cela peut conduire à rebuter une pièce alors que la discontinuité se situe dans la fibre neutre et n’aura pas d’influence sur sa durée de vie en service. A l’inverse, de petites indications situées en zone superficielle critique peuvent être conformes aux cahiers des charges client et néanmoins conduire à des ruptures prématurées de pièces. Avec la tomographie, il est possible de savoir si les discontinuités vont partir à l’usinage ou déboucher en surface ou si elles se situent dans une zone désignée dangereuse pour la tenue mécanique de la pièce.

Les fonderies hexagonales équipées en tomographes

En France et en Europe occidentale, des fonderies se sont équipées avec des tomographes industriels pour le développement et la mise au point des pièces mais aussi pour le contrôle de production. Dans ce dernier cas, le but est d’avoir des informations pertinentes sur le suivi de la qualité de la production afin d’anticiper des dérives éventuelles. Dans le secteur automobile, toutes les pièces ne peuvent pas être contrôlées en tomographie et la tendance est de privilégier les temps d’acquisition plutôt que la recherche de résolution. Parmi les industriels Français ayant investi dans un équipement de tomographie, citons La fonderie du Groupe RENAULT à Cléon pour le contrôle de production des carters cylindres en alliages d’aluminium, Le groupe SAB à Montmerle-sur-Saône pour maintenir la qualité de pièces en coquille gravité et la fonderie MONTUPET à Laigneville pour la mise au point de culasses. Cependant, il n’existe pas à ce jour un référentiel qualité en tomographie et les producteurs sont contraints d’utiliser les images de référence ASTM en radiographie pour l’acceptation des pièces. C’est pour cette raison que les industriels ont souhaité que CTIF travaille sur l’élaboration de critères d’acceptation en tomographie dans le cadre d’un projet collaboratif : le projet CRITER-TOMO réunissant CTIF, l’INSA de Lyon, et cinq partenaires industriels utilisateurs ou prescripteurs de besoin en tomographie : le groupe RENAULT et notamment le Technocentre, le groupe SAB, la fonderie MONTUPET, le groupe EUROCAST, spécialiste de la fonderie sous-pression, la fonderie CONSTELLIUM à Ussel.

Le projet CRITER TOMO

En tomographie le volume des données est très important, aussi une exploitation manuelle coupe par coupe est fastidieuse. L’automatisation du traitement d’image est donc nécessaire pour une utilisation en contrôle de production. Des logiciels de traitement d’images spécialisés en tomographie existent : notamment VG STUDIO de Volume Graphics qui équipe la majeure partie des équipements, ou AVIZO de ThermoFishers Scientific. Dans le cadre du projet CRITER TOMO, Abdel Rahman DAKAK a développé au cours de sa thèse, avec l’appui de Valérie KAFTANDJIAN, professeure à l’INSA au Laboratoire Vibrations et Acoustique (LVA) de Lyon, des algorithmes qui permettent un traitement automatisé des données tomographiques. Ces algorithmes ont pour but de détecter les discontinuités de matière et de reconnaitre leur type. Ils sont basés sur les concepts d’intelligence artificielle de type « Deep Learning » (réseau de neurones) et Machine Learning (traitement statistique).

Les traitements d’images et l’étape de segmentation

Le processus de traitement des données issues de coupes tomographiques comprend plusieurs étapes. Tout d’abord, la segmentation qui a pour but de séparer les zones de défauts du reste de la pièce. Ensuite, il y a une étape de traitement des indications pour séparer les vraies indications des faux positifs. Les faux positifs sont les indications relevées qui ne sont pas des discontinuités de matière (artéfacts). Puis, on pratique une reconstruction des indications relevées en 3D (dans le volume) et enfin on réalise un classement des indications selon 2 types : dans notre cas, retassures ou porosités.

La segmentation s’applique aux coupes tomographiques donc en 2D. Cette segmentation est souvent basée sur les différences de niveaux de gris entre les défauts et la matrice. Les défauts étant en fonderie le plus souvent des manques de matière, les niveaux de gris de ces indications sont plus élevés. Dans ce cas, la segmentation nécessite une opération de seuillage où une limite en niveau de gris doit être définie telle qu’au-dessus de cette valeur tous les pixels sont considérés comme faisant partie du défaut et tous les autres comme étant de la matière saine. On obtient ensuite une image binaire avec les défauts en noir et le reste de la pièce en blanc. Bien évidemment, il faut auparavant avoir défini et fermé les contours de la pièce, ce qui est souvent délicat. Ce processus de segmentation par seuillage est difficilement automatisable et nécessite un certain niveau d’expertise pour bien placer le curseur au bon endroit, au risque sinon de donner des résultats en volume ou densité de défauts qui seraient incohérents avec la réalité. En tomographie, la quantité d’image est très élevée et il est indispensable que les systèmes de détection des indications soient autonomes. De plus, les images tomographiques comportent un grand nombre d’artéfacts : des cercles concentriques (« rings ») ou des marques dues au durcissement du faisceau de rayons X lorsqu’ils traversent beaucoup de matière. Ces artefacts peuvent être considérés comme des défauts dans le cas de segmentation par seuillage.

Pour améliorer l’efficacité de la détection, nous avons décidé d’utiliser les algorithmes d’intelligence artificielle de type Deep Learning avec une approche en deux temps : tout d’abord, une (sur)segmentation est effectuée afin d’être certain de ne pas manquer de discontinuités grâce à des réseaux de neurones à convolution type U-NET (voir figure 4). Ce type de réseau de neurones de type Deep Learning a été développé en 2015 pour la segmentation d’images biomédicales au département d’informatique de l’université de Fribourg en Allemagne. Il s’agit d’un réseau entièrement « convolutionnel » sous forme de « U », qui a l’avantage de pouvoir fonctionner avec moins d’images d’entrainement et de permettre une segmentation plus précise. La sur-segmentation entraîne, bien entendu, de nombreux artefacts (faux positifs) qui sont traités au moyen de deux autres réseaux de neurones pour trier les vraies discontinuités des faux positifs. La sur-segmentation implique que le taux de faux négatifs (discontinuités non vues) est quasi-nul.

Le Deep Learning pour différencier les vraies indications des faux positifs

Pour la deuxième étape cruciale pour l’efficacité de la détection, les deux réseaux de neurones suivants travaillent en parallèle afin de comparer les résultats obtenus et avoir une plus grande assurance sur la qualité de traitement. L’architecture du premier réseau de neurones a été entièrement conçue dans le cadre de la thèse, alors que pour le deuxième, nous nous sommes appuyés sur un modèle existant de Deep Learning « VGG 19 » en « open source » proposé par l’université d’Oxford en Angleterre (voir figure 5). Ce modèle de Deep Learning a été initialement conçu pour reconnaitre des objets ou des animaux dans des images. Il a été ici adapté pour reconnaitre une vraie ou une fausse indication. Ces travaux ont fait l’objet d’une publication à paraitre dans la revue Expert Systems with Applications : « Deep Learning -Based Classification of Die-Pressure Casting Defects in Computed Tomographic Images. A.R Dakak, V. Kaftandjian, P. Duvauchelle, P. Bouvet ».

Dans les deux cas, les réseaux de neurones sont entrainés à partir de bases de données d’images que nous avons construites et sur lesquelles nos modèles se sont entrainés. Nous avons choisi de séparer les images de fonderie sous pression de celles de gravité et nous avons donc établi deux bases de données d’images. Ces bases d’apprentissage sont sous la forme « d’imagettes » de 64 x 64 pixels et ont été établies à partir de la riche base de données de coupes tomographiques que CTIF a enregistré et classifié depuis de nombreuses années. Ces bases d’apprentissage ont été également enrichies grâce aux coupes tomographiques fournies par les partenaires industriels du projet. Les résultats de l’entraînement des 2 modèles à la base de données de fonderie sont représentés par des courbes de précision (qui sont censées approcher 100%) et des courbes de validation (erreurs de prédiction qui doivent approcher zéro). On constate que l’ajout de données dans la base, associé à la chaîne d’optimisation par itérations permet d’augmenter la précision et en parallèle de réduire l’erreur de prédiction. Après plusieurs essais d’optimisation, nous avons pu atteindre 98% de précision de classification de discontinuités avec les deux modèles sur une base de test de 100 défauts et 100 images saines. Ce résultat est très positif car généralement la précision de ces systèmes de Deep Learning est souvent comprise entre 90 et 95 %.

La reconstruction des défauts en 3 dimensions

L’étape suivante est de reconstruire les discontinuités validées comme vrais défauts en trois dimensions à partir des coupes voisines et se fixer des critères pour considérer s’il agit d’un seul ou de plusieurs défauts lorsque les indications sont proches. A partir des volumes de discontinuités reconstruites, celles-ci ont été caractérisées par leur taille, leur forme et leur orientation. A ce stade de l’étude qui n’est pas finie, les trois caractéristiques retenues sont la sphéricité, l’allongement et la compacité.

Les traitements par Machine Learning pour différencier les types d’indications

A partir de ces 3 caractéristiques, les indications sont classées selon leurs types et notamment porosités ou retassures. Les porosités sont globalement plutôt sphériques et plutôt compactes alors que les retassures présentent un facteur d’allongement élevé. Le diagramme (figure ci-contre) représente la position des deux populations d’indications en fonction de leur sphéricité et de leur compacité. On constate que certains points verts correspondant à des retassures sont plutôt dans la zone où se situent les porosités.

Pour optimiser le classement des indications en séparant les deux populations d’échantillons, des solutions ont été testées. La première solution (Modèle de k-Plus Proches Voisins) est de comparer la situation d’une indication en fonction de trois facteurs de forme retenus par rapport aux voisins les plus proches. Si tous les voisins sont classés en porosité, alors l’indication est une porosité. L’autre algorithme testé repose sur des traitements statistiques appelés machines à vecteurs de support (en anglais Support Vector Machine, SVM). Ils sont basés sur des techniques d’apprentissage permettant de séparer deux populations. Le système a été entrainé sur 115 défauts en gravité à partir de la base de données en tomographie de CTIF. Les résultats sont plutôt probants pour une première approche puisque seulement 8 défauts sur 115 ont mal été classés dans le cas du SVM (6 pour des retassures et 2 pour des porosités) et 7 défauts dans le cas du K-plus proches voisins (4 porosités et 3 retassures).

Ce résultat nous semble positif car certaines indications sont parfois une combinaison des deux types de défauts, on parle alors de soufflo-retassures. De même, des microporosités peuvent être classées en micro-retassures et vice-versa du fait du manque de résolution des images vis-à-vis de la faible taille des échantillons.

Les prochaines étapes consisteront à réaliser le même type de traitement mais sur des données de fonderie sous pression et à optimiser les résultats en fonderie gravité en augmentant la base d’entrainement. Enfin le traitement global sera validé sur des données provenant des industriels partenaires. En fonction du type de défauts et à partir de leur taille, de leur localisation par rapport à la surface, ou par rapport à une zone désignée, des critères pertinents pourront être établis par les donneurs d’ordre en fonction du cahier-des-charges appliqué à la pièce.

Conclusions

Les travaux développés dans le cadre du projet CRITER TOMO ont permis de démontrer que les algorithmes d’intelligence artificielle (Deep Learning) rendent possible un traitement entièrement automatisé des données tomographiques. Ce traitement intègre la reconnaissance du type de discontinuité de matière, et a été ici évalué et validé sur des alliages d’aluminium produits en fonderie gravité et en injection sous-pression. Un nouveau projet sera lancé en 2022 pour poursuivre de développement industriel des algorithmes développés au cours de la thèse, l’enjeu étant à terme, par ces solutions, de fiabiliser les contrôles en production des produits métalliques par tomographie, et de mettre à la disposition des industriels producteurs et utilisateurs de ces produits contrôlables par tomographie, de nouvelles solutions d’automatisation des contrôles, sur la base de solutions qualifiées.