Résumé:
La détection et la localisation précises des défauts structurels sont d'une importance
capitale dans l'industrie, tant pour la fabrication que pour l'exploitation des pièces. Dans
cette thèse, nous nous sommes concentrés sur l'amélioration de la résolution et la détection
des défauts de délamination dans les structures en matériaux composites en utilisant des
données A-scan et B-scan ultrasonores.
Nous avons développé une approche basée sur un transducteur ultrasonore multiéléments
et un algorithme basé sur la transformée de Stockwell modifiée optimisée, le seuillage
itératif du plan temps-fréquence et l'enveloppe d'énergie de Shannon. Les résultats obtenus
ont démontré l'efficacité de notre méthode pour améliorer la résolution des données A-scan
et B-scan, ainsi que pour détecter et localiser les défauts de délamination. L'algorithme
proposé a permis de séparer le signal utile du bruit, d'isoler les échos chevauchés et de
mettre en évidence tous les échos existants dans le signal ultrasonore.
En parallèle, nous avons également proposé un modèle basé sur les réseaux de neurones
convolutifs pour la classification des défauts de délamination dans les données B-scan
ultrasonores. Ce modèle a été évalué sur des données simulées et expérimentales, montrant
des résultats prometteurs avec une capacité élevée à classifier les différentes classes de
défauts de délamination.
Notre travail constitue une avancée significative dans le domaine de la détection
automatique des défauts de délamination dans les images ultrasonores. Il souligne
l'importance de l'utilisation de l'apprentissage profond (Deep Learning) et des techniques
d'amélioration des données pour l'inspection par ultrasons. Ces avancées offrent des
opportunités prometteuses pour améliorer continuellement la précision et la fiabilité des
systèmes d'inspection basés sur les ultrasons.
