Soutenance de thèse de Valentin NOEL

Composition du jury :

M. Sébastien BOURGUIGNON, de l'Ecole Centrale de Nantes,  Rapporteur

M. Bruno SIXOU,de l'INSA Lyon, Rapporteur

Mme Caroline CHAUX, de l'Université Aix-Marseille,  Examinatrice

M. Xudong CHEN, l'University Nationalof Singapore, Examinateur

Mme Sylvie LE HEGARAT-MASCLE, de l'Université Paris-Saclay, Examinatrice

 

Mots clés : Imagerie du sein, Contrôle non destructifs (CND), Réseaux neuronaux convolutifs bayésiens (BCNN), Fusion des modalités électromagnétiques (EM) et ultrasonores (US), Apprentissage par transfert.

Keywords : Breast Imaging, Non-Destructive Testing (NDT), Bayesian Convolutional Neural Networks (BCNN), Electromagnetic (EM) and Ultrasonic (US) Modalities Fusion, Transfer Learning.

 

Résumé :

Cette thèse de doctorat explore des méthodologies avancées dans le domaine du contrôle non destructif (CND), en intégrant des techniques d'intelligence artificielle (IA) et d'apprentissage automatique pour améliorer l'inspection, la détection et la caractérisation des défauts matériels. Une méthode a été développée pour approximer le transfert de chaleur dans les matériaux, en utilisant des opérations de convolution pour les inspections thermographiques, ce qui est particulièrement utile pour évaluer les polymères affectées par des défauts de délamination minces. Des réseaux de neurones bayésiens (BNN) ont été employés pour quantifier les incertitudes des prédictions, cruciales pour une détection fiable des défauts et pour éviter le sur-apprentissage dans des scénarios avec des données limitées. De plus, la recherche combine les modalités électromagnétiques (EM) et ultrasonores (US) pour l'imagerie mammaire, exploitant les propriétés diélectriques des ondes EM et les détails structurels à haute résolution fournis par les ondes US. Des réseaux neuronaux convolutifs (CNN), tels que le Structurally-Aware Complex Cascaded Neural Network (SACC-CNN), ont été implémentés pour maximiser la similarité structurelle et l'exactitude physique des reconstructions de défauts. Enfin, des techniques de transfert d'apprentissage, telles que le Bayesian Bridge Transfer Learning (BBTL) et le Bayesian Bridge Fused Transfer Learning (BBFTL), ont été utilisées pour adapter les modèles d'une modalité à une autre, facilitant ainsi l'intégration et le transfert de connaissances entre différentes modalités d'inspection.

Abstract :

This doctoral thesis explores advanced methodologies in the field of Non-Destructive Testing (NDT), integrating artificial intelligence (AI) and machine learning techniques to enhance the inspection, detection, and characterization of material defects. A method has been developed to approximate heat transfer within materials, using convolution operations for thermographic inspections, which is particularly useful for evaluating stratified parts affected by thin delamination defects. Bayesian Neural Networks (BNNs) have been employed to quantify prediction uncertainties, crucial for reliable defect detection and to prevent overfitting in scenarios with limited data. Furthermore, the research combines electromagnetic (EM) and ultrasonic (US) modalities for breast imaging, leveraging the dielectric properties of EM waves and the high-resolution structural details provided by US waves. Convolutional Neural Networks (CNNs), such as the Structurally-Aware Complex Cascaded Neural Network (SACC-CNN), have been implemented to maximize structural similarity and physical accuracy in defect reconstructions. Finally, transfer learning techniques, such as Bayesian Bridge Transfer Learning (BBTL) and Bayesian Bridge Fused Transfer Learning (BBFTL), have been used to adapt models from one modality to another, thus facilitating the integration and transfer of knowledge between different inspection modalities.