RECONNAISSANCE AUTOMATIQUE AVEC DÉTECTION RECONNAISSANCE AUTOMATIQUE AVEC DÉTECTION PRÉALABLE (READ) DE DÉFAUTS STRUCTURELS PRÉALABLE (READ) DE DÉFAUTS STRUCTURELS D’OLÉODUCS, À PARTIR D’IMAGES XTRASONICS D’OLÉODUCS, À PARTIR D’IMAGES XTRASONICS Patrick DUVAUT (a) , Aymeric HISTACE (a) , Clément FOUQUET (a, b) Contribution à l’initiative d’ « Inspection Racleur Intelligente », spécifiée par le POF (Pipeline Operator Forum) (a) ETIS-ENSEA-UCP- UMRS8051-CNRS, 6 Avenue du Ponceau, 95164, Cergy cedex, France (b) Société TRAPIL, 1 rue Charles Edouard Jeanneret, 78300, Poissy, France. Soutenance de thèse
60
Embed
Patrick DUVAUT (a ) , Aymeric HISTACE (a) , Clément FOUQUET (a, b)
(a) ETIS-ENSEA-UCP-UMRS8051-CNRS, 6 Avenue du Ponceau, 95164, Cergy cedex, France. (b) Société TRAPIL, 1 rue Charles Edouard Jeanneret, 78300, Poissy, France. RECONNAISSANCE AUTOMATIQUE AVEC DÉTECTION PRÉALABLE (READ) DE DÉFAUTS STRUCTURELS D ’ OLÉODUCS, À PARTIR D ’ IMAGES XTRASONICS. - PowerPoint PPT Presentation
This document is posted to help you gain knowledge. Please leave a comment to let me know what you think about it! Share it to your friends and learn new things together.
Transcript
RECONNAISSANCE AUTOMATIQUE AVEC RECONNAISSANCE AUTOMATIQUE AVEC DÉTECTION PRÉALABLE (READ) DE DÉFAUTS DÉTECTION PRÉALABLE (READ) DE DÉFAUTS
STRUCTURELS D’OLÉODUCS, À PARTIR D’IMAGES STRUCTURELS D’OLÉODUCS, À PARTIR D’IMAGES XTRASONICSXTRASONICS
Patrick DUVAUT(a) , Aymeric HISTACE(a) , Clément FOUQUET(a, b)
Contribution à l’initiative d’ « Inspection Racleur Intelligente », spécifiée par le POF (Pipeline Operator
Forum)
(a) ETIS-ENSEA-UCP-UMRS8051-CNRS,
6 Avenue du Ponceau, 95164, Cergy cedex, France
(b) Société TRAPIL, 1 rue Charles Edouard
Jeanneret, 78300, Poissy, France.
Soutenance de thèse
Soutenance de thèse 2
READ_faultREAD_fault
C. Fouquet, A. Histace, P. Duvaut
Sommaire
• Introduction• Présentation rapide de l’entreprise TRAPIL
• Problématique de thèse et objectif
• Etat de l’art sur la problématique
• Détection de défauts structurels dans les pipelines• Détection des soudures d’aboutage
• Segmentation des tubes en zones d’intérêt
• Identification des zones d’intérêt
• Conclusion• Résultats obtenus
• Perspectives
Soutenance de thèse 3
READ_faultREAD_fault
C. Fouquet, A. Histace, P. Duvaut
Sommaire
• Introduction• Présentation rapide de l’entreprise TRAPIL
• Problématique de thèse et objectif
• Etat de l’art sur la problématique
• Détection de défauts structurels dans les pipelines• Détection des soudures d’aboutage
• Segmentation des tubes en zones d’intérêt
• Identification des zones d’intérêt
• Conclusion• Résultats obtenus
• Perspectives
Soutenance de thèse 4
READ_faultREAD_fault
C. Fouquet, A. Histace, P. Duvaut
Présentation de TRAPIL (1)
TRAPIL est une entreprise française dont la mission principale est l’exploitation et la maintenance de pipelines d’hydrocarbure de l’hexagone.
Fondée en 1950 suit à la loi du 2 Août 1949 visant à la création et l’exploitation du réseau Le Havre – Paris (LHP)
TRAPIL s’est par la suite vu confier l’exploitation de la partie française de l’Oléoduc de Défense Commune (ODC), appartenant à l’OTAN, et le Pipeline Méditerranée – Rhône (PMR)
Initialement publique, l’entreprise est désormais totalement privée à la suite de la vente des parts de l’état français.
Carte des installations
Soutenance de thèse 5
READ_faultREAD_fault
C. Fouquet, A. Histace, P. Duvaut
Présentation de TRAPIL (2)TRAPIL en chiffres
Plus de 750 employés
Capital :
13 240 800 €Chiffre d’affaire :
154 094 000 €
4700 km de canalisations
160 Installations de pompage
850 000 m3
de stockage
Actionnaire majoritaire : Total avec 35.5% du
capital
Soutenance de thèse 6
READ_faultREAD_fault
C. Fouquet, A. Histace, P. Duvaut
Sommaire
• Introduction• Présentation de l’entreprise TRAPIL
• Problématique de thèse et objectif
• Etat de l’art sur la problématique
• Détection de défauts structurels dans les pipelines• Détection des soudures d’aboutage
• Segmentation des tubes en zones d’intérêt
• Identification des zones d’intérêt
• Conclusion• Résultats obtenus
• Perspectives
Soutenance de thèse 7
READ_faultREAD_fault
C. Fouquet, A. Histace, P. Duvaut
Problématique de thèse (1)
- La nécessité de maintenance de pipelines en grande partie enterrés a nécessité l’émergence de technologies de contrôle embarquées.
Naissance de la Division Racleurs instrumentés (DRA) au sein de TRAPIL, chargée de l’inspection régulière des pipelines.
- La DRA utilise actuellement une technologie embarquée équipée de sondes ultrasons sur toute sa circonférence
- Cet outil autoalimenté est propulsé par le flux de produit et réalise des acquisitions tous les 1.5mm ou tous les 3mm selon la configuration
Exemple de racleur instrumenté
Soutenance de thèse 8
READ_faultREAD_fault
C. Fouquet, A. Histace, P. Duvaut
Problématique de thèse (2)
- Le tir des sondes est réalisé perpendiculairement à la paroi du pipeline, fournissant les temps de parcours entre la sonde et la surface interne (T1) et entre la surface interne et la surface externe (T2).
- Ce temps de parcours peut facilement être transformé en distance en connaissant les vitesses de parcours d’onde dans le fluide (T1) et dans le métal (T2)
Une cartographie d’ épaisseur du pipeline peut alors être constituée
Illustration du fonctionnement d’une sonde US
Soutenance de thèse 9
READ_faultREAD_fault
C. Fouquet, A. Histace, P. Duvaut
Problématique de thèse (3)P
os
itio
n a
ng
ula
ire
de
la
so
nd
e i
Position discrète de l’outil d’inspection n
Echelle de couleur :
Epaisseur
Exemple de cartographie
- La cartographie doit ensuite être analysée pour détecter d’éventuels défauts afin de réaliser des réparations précises et ponctuelles
Exemples de défauts
Soutenance de thèse 10
READ_faultREAD_fault
C. Fouquet, A. Histace, P. Duvaut
Problématique de thèse (4)
Analyse des images
- Le processus standard d’analyse comporte plusieurs étapes :
- L’analyste doit tout d’abord annoter les soudures d’aboutage
- Il doit ensuite passer tube par tube et détecter les défauts
- Chaque défaut doit être encadré et annoté
- Les défauts sont ensuite calculés (affectation d’un score de criticité)
- Un rapport final est enfin dressé et remis au client
- Avec un pas d’acquisition de 1.5mm, une résolution circonférentielle de 256 sondes sur un pipe de 10 km, le nombre de pixels à analyser est de 1.7 Milliards !
Il s’agit d’un travail fastidieux (~ quatre semaines / homme pour 30 km) pouvant grandement bénéficier de méthodes d’automatisation
Soutenance de thèse 11
READ_faultREAD_fault
C. Fouquet, A. Histace, P. Duvaut
Problématique de thèse (5)
Problèmes liés à l’automatisation :
- Taille des images
- Fabrication des tubes
- Bruit d’acquisition
- Décentrage du racleur
- Sondes HS
- Plusieurs familles de défauts
- Défauts naturelsExemple d’acquisition de mauvaise qualité
Soutenance de thèse 12
READ_faultREAD_fault
C. Fouquet, A. Histace, P. Duvaut
Sommaire
• Introduction• Présentation de l’entreprise TRAPIL
• Problématique de thèse et objectif
• Etat de l’art sur la problématique
• Détection de défauts structurels dans les pipelines• Détection des soudures d’aboutage
• Segmentation des tubes en zones d’intérêt
• Identification des zones d’intérêt
• Conclusion• Résultats obtenus
• Perspectives
Soutenance de thèse 13
READ_faultREAD_fault
C. Fouquet, A. Histace, P. Duvaut
Etat de l’art (1)
- La problématique du contrôle non destructif dans les installations de transport de fluide est encore jeune et principalement focalisée sur l’acquisition plutôt que sur le traitement. A ce jour une grande partie des publications du domaine vise la technologie Phased Array, une évolution des sondes ultrason [1], [2], [3].
Illustration de la technologie Phased Array
- L’émulation de la communauté CND pour ces nouvelles technologie explique le peu de publications orientées sur le traitement
- La grande variété de technologies exploitées s’ajoute à la variété d’applications, rendant difficile l’établissement d’un état de l’art sur une technologie précise, sur une application précise.
- Il est cependant possible de trouver nombre de publications sur des problématiques similaires, ou utilisant la même technologie ultrason.
[1] H.W Kim & J.K. Lee. Circonferential Phased Array of shear-horizontal wave magnetostrictive patch transducers for pipe inspection , 2012
[2] R. Huang & L.W. Schmerr Jr. Caracterization of the system functions of ultrasonic linear phased array inspection systems , 2008
[3] R.S.C Cobbold & R.K. Warriner. Focused, phased-array oplane piston and spherically-shaped concave pistion transducers : Comparison for the same aperture and focal point, 2011
Soutenance de thèse 14
READ_faultREAD_fault
C. Fouquet, A. Histace, P. Duvaut
Etat de l’art (2)
- Dans notre exacte problématique, la majorité de la recherche se concentre sur la technologie MFL (Magnetic Flux Leakage) car cette dernière fonctionne également dans le gaz
Exemple de racleur MFL [4]
- Plusieurs exemples de travaux similaires à notre problématique existent sur cette technologie, utilisant diverses méthodes d’apprentissage pour le traitement des données (Réseaux de neurones [4], transformée en ondelettes discrète [5], …)
- D’autres technologies ont été approchées, comme les ondes guidées [6] ou des systèmes de vision experts [7] mais les données obtenues sont trop différentes pour effectuer la moindre comparaison avec notre problématique
[4] A.A Carvalho & J.M.A. Rebello. MFL signals and artificial neural networks applied to detection and classification of pipe weld defects . 2006
[5] S. Mukhopadhyay & G.P. Srivastava. Characterization of metal loss defects from MFL signals with discrete wavelet transform. 2000
[6] M.J.S Lowe & D.N. Alleyne. Defect detection in pipes using guided waves. 1998
[7] H.I. Shafeek & E.S. Gadelmawla. Automatic inspection of gas pipeline welding defects using an expert vision system . 2004
Soutenance de thèse 15
READ_faultREAD_fault
C. Fouquet, A. Histace, P. Duvaut
Etat de l’art (3)
[8] S. Iyer & S.K. Sinha Ultrasonic signal processing methods for detection of defects in concrete pipes. 2012
[9] M. Kesharaju & R. Nagajarah. Ultrasonic sensor based defect detection and caracterization of ceramics . 2014
- La technologie US telle quelle est principalement utilisée dans la littérature pour les pipelines de béton ou la céramique car le MFL n’y fonctionne pas.
-On trouve dans cette catégorie nombre de publications [8] ou [9] par exemple. Malheureusement cette fois c’est la nature des défauts recherchés qui est trop différente pour permettre une comparaison.
- Enfin, du fait du contexte de concurrence industrielle, il est impossible d’obtenir des informations concrètes sur les méthodes d’aide à l’analyse utilisées par les acteurs majeurs du monde de l’inspection par racleurs instrumentés (PII, Rosen, …)
Fissure dans un pipe de béton
Soutenance de thèse 16
READ_faultREAD_fault
C. Fouquet, A. Histace, P. Duvaut
Sommaire
• Introduction• Présentation de l’entreprise TRAPIL
• Problématique de thèse et objectif
• Etat de l’art sur la problématique
• Détection de défauts structurels dans les pipelines • Détection des soudures d’aboutage
• Segmentation des tubes en zones d’intérêt
• Identification des zones d’intérêt
• Conclusion• Résultats obtenus
• Perspectives
Soutenance de thèse 17
READ_faultREAD_fault
C. Fouquet, A. Histace, P. Duvaut
Détection de soudures d’aboutage (1)
-Les tubes peuvent être de caractéristiques bien différentes de l’un à l’autre (fabrication, changement de diamètre ou d’épaisseur)
Il est nécessaire de segmenter le pipe en tubes afin de se placer dans un contexte de détection cohérent
Nature des tubes :
Soutenance de thèse 18
READ_faultREAD_fault
C. Fouquet, A. Histace, P. Duvaut
- Les soudures d’aboutage joignent deux tubes. Du fait de leur surépaisseur et de leur forme arrondie, elles entrainent une signature bruitée sur la cartographie US
-Du fait de la nature aléatoire du rebond des ultrasons sur une soudure, La signature présente un bruit difficilement modélisable.
- Il s’agit cependant de la seule signature rectiligne et totalement circonférentielle visible dans une cartographie -> hypothèse forte
Détection de soudures d’aboutage (2)
Soutenance de thèse 19
READ_faultREAD_fault
C. Fouquet, A. Histace, P. Duvaut
- Difficultés principales : le bruit d’acquisition et les signatures de cintres
Solution : s’appuyer sur l’hypothèse forte de circonférentialité des soudures d’aboutage
Soudure noyée dans le bruit Signature de cintre
Détection de soudures d’aboutage (3)
Soutenance de thèse 20
READ_faultREAD_fault
C. Fouquet, A. Histace, P. Duvaut
Détection de soudures d’aboutage (4)
- Nous définissons alors trois hypothèses :
- Une portion de tube sain ou légèrement bruité ne possédant pas de cohérence circonférentielle
- Une portion de tube possédant une signature partiellement circonférentielle, donc une potentielle fausse alarme ou PCE (Partial Circumferential Event)
- Une soudure d’aboutage possédant une signature totalement circonférentielle ou FCE (Full Circumferential Event)
- Plus formellement [10] :
[10] H. Van Trees. Detection, estimation and linear modulation theory, part 1. 2001
La problématique de détection peut donc se résumer à la maximisation de la détection de FCE conjointement à la minimisation de la détection de PCE.
],[],[][][:
][][:0
PCEFCEznwnxnyH
nwnyH
iiiz
ii
z
Soutenance de thèse 21
READ_faultREAD_fault
C. Fouquet, A. Histace, P. Duvaut
Rassemblement des sondes en bandes
Pondération et fusion des signatures par SOS
L : coefficient de pondération
Détéction & Localisation
Image ultrason][nyi
][nsCEk
224 signaux d’épaisseur28 Signatures de rupture
2241 i
281 k
i
n
Signature unique
][nsFCEn
n
Décision
1
2
3
Fonction d’ambiguïté
1 2
Contraste événement/bruit
dB4
dB21
dB28
Largeur sign.
localisation
Indicateur ruptures
Projection sur une base d’ ondelettes
de Haar
Détection de soudures d’aboutage (5)
Soutenance de thèse 22
READ_faultREAD_fault
C. Fouquet, A. Histace, P. Duvaut
RWL=10
RWL=0
REF
Pondération optimale
Moyennage arithmétique
Méthode de référence
Probabilité de bonne détection
Probabilité de fausse alarme
FCEFCE HHPr
PCEFCE HHPr
o Performances RW supérieureso RW10 atteind des performances
parfaites :• Pas de soudures ratées• Pas de fausses alarmes
o RW permet d’économiser 30% de temps d’execution vis à vis de la méthode de référence
o Performances RW supérieureso RW10 atteind des performances
parfaites :• Pas de soudures ratées• Pas de fausses alarmes
o RW permet d’économiser 30% de temps d’execution vis à vis de la méthode de référence
La pondération optimale réduit
drastiquement les erreurs
La pondération optimale réduit
drastiquement les erreurs
Ligne de test. Pipeline de 12km
1670 Soudures 268 Risques de FA
Ligne de test. Pipeline de 12km
1670 Soudures 268 Risques de FA
Détection de soudures d’aboutage (6)
Soutenance de thèse 23
READ_faultREAD_fault
C. Fouquet, A. Histace, P. Duvaut
Détection de soudures d’aboutage (7)
Conclusion
La méthode READ_weld est en exploitation depuis deux ans (~30 passages) et a prouvé sa robustesse au fil de son incorporation dans le processus d’analyse.
Du fait de son exécution rapide et du peu de retouches manuelles nécessaires, elle a permis aux analyste un gain de temps non négligeable.
Soutenance de thèse 24
READ_faultREAD_fault
C. Fouquet, A. Histace, P. Duvaut
Sommaire
• Introduction• Présentation de l’entreprise TRAPIL
• Problématique de thèse et objectif
• Etat de l’art sur la problématique
• Détection de défauts structurels dans les pipelines• Détection des soudures d’aboutage
• Segmentation des tubes en zones d’intérêt
• Identification des zones d’intérêt
• Conclusion• Résultats obtenus
• Perspectives
Soutenance de thèse 25
READ_faultREAD_fault
C. Fouquet, A. Histace, P. Duvaut
Segmentation en zones d’intérêt (1)
Problématique :
- La grande quantité de donnée à analyser ne permet pas l’application directe de méthodes telles que les champs de Markov ou les contours actifs de par leur complexité algorithmique
- Il est donc nécessaire de réaliser un premier élagage des données
Approche segmentation en zone d’intérêt puis classification
- La segmentation en elle-même doit être d’une complexité algorithmique maitrisée, si possible en agissant à un niveau macro permettant de rejeter rapidement les zone saines.
- Différencier les défauts du bruit est bien plus complexe : les défauts sont naturels donc de caractéristiques très variables, pas d’hypothèse forte comme pour les soudures
Impossible de modéliser de façon précise les défauts dans leur ensemble
Solution proposée :
- S’appuyer sur le couple perte de métal / variété des valeurs d’épaisseur
Soutenance de thèse 26
READ_faultREAD_fault
C. Fouquet, A. Histace, P. Duvaut
Segmentation en zones d’intérêt (2)
Modélisation de référence
- Il est impossible de modéliser l’ensemble des défauts mais il est possible de modéliser le comportement sain d’un tube donné.
Problème : le décentrage du racleur dans le tube entraine des variations de référence tout au long de sa circonférence
Solution :
Découpe en quarts de tube
Soutenance de thèse 27
READ_faultREAD_fault
C. Fouquet, A. Histace, P. Duvaut
- Analyse macro nécessaire : étude de l’histogramme d’une portion de tube
Tube sain
Bruit d’acquisition ambiant
Zone d’intérêt
-La présence d’une zone d’intérêt peut être détectée au travers de l’histogramme d’une portion de tube
Modélisation de l’histogramme par un mélange de 3 gaussiennes (EM)
Segmentation en zones d’intérêt (3)
Soutenance de thèse 28
READ_faultREAD_fault
C. Fouquet, A. Histace, P. Duvaut
Cœur de tube
Coupe en 4 bandes macro de sondes
(L = 1)
Histogramme
Modélisation de l’histogramme
par EM-3G
Analyse de la gaussienne de
défaut
Split de l’image(L = L+1)
Rejet Fusion des zones d’intérêt
Sous-image en bande de sonde
Histogramme de sous image
X : valeur d’épaisseur
Y : Nb échantillon
Modélisation par EM-3G
Si aucun défaut détecté
Si défaut mal encadré
Récursivité
Si défaut bien encadré ou taille minimale atteinte
Séparatrice de décision(ad-hoc sur 500 données)
Gaussienne de défaut
Détermination de la référence
L = 1
L > 1
READ_Weld
Référence quand L = 1
∆μ
ρσ
Zones d’intérêt encadrées
Segmentation en zones d’intérêt (4)
Soutenance de thèse 29
READ_faultREAD_fault
C. Fouquet, A. Histace, P. Duvaut
- Ligne de test : Bi-diamètre avec changements d’épaisseur, 11 km, 305 défauts
- 89.6 % des défauts ont bien été conservés
- 52.000 clusters renvoyés, représentant 6.4 % des pixels d’origine
- Benchmarking réalisé en comparaison avec une méthode de seuillage à 14% de perte d’épaisseur :
Taux de compression d’information Taux de perte des défauts
Critère \ méthode DS² Seuil
Défauts conservés 89.6% 93.4%
Clusters renvoyés 52.000 186.000
Pourcentage de pixels éliminés 93.6% 74.4%
Segmentation en zones d’intérêt (5)
Soutenance de thèse 30
READ_faultREAD_fault
C. Fouquet, A. Histace, P. Duvaut
Segmentation en zones d’intérêt (6)
Origine
DS²
Seuil
Soutenance de thèse 31
READ_faultREAD_fault
C. Fouquet, A. Histace, P. Duvaut
Segmentation en zones d’intérêt (7)
Conclusion
-Sur la ligne de test la méthode à offert de bon résultats, éliminant prés de 95% des pixels d’origine tout en conservant prés de 90% des défauts.
- La complexité de la méthode reste acceptable, la ligne de test (11km) étant traitée en environ 2h à l’aide des ordinateurs dont les analystes sont équipés (24 cœurs cadencés à 3.0Ghz)
- Il est à noter que parmi les défauts manqués par la méthode, aucun n’était considéré comme « critique » par les analystes :
Exemples de défauts manqués
Soutenance de thèse 32
READ_faultREAD_fault
C. Fouquet, A. Histace, P. Duvaut
Segmentation en zones d’intérêt (8)
Conclusion
-La méthode, basée en grande partie sur la perte d’épaisseur, reste malgré tout sensible aux bruits importants et les résultats dépendent donc de la qualité d’inspection.
- Même si le nombre de pixels à analyser a été drastiquement réduit, Le nombre de clusters renvoyé reste énorme :
la classification des zones d’intérêt extraites est donc indispensable.
Soutenance de thèse 33
READ_faultREAD_fault
C. Fouquet, A. Histace, P. Duvaut
Sommaire
• Introduction• Présentation de l’entreprise TRAPIL
• Problématique de thèse et objectif
• Etat de l’art sur la problématique
• Détection de défauts structurels dans les pipelines• Détection des soudures d’aboutage
• Segmentation des tubes en zones d’intérêt
• Identification des zones d’intérêt
• Conclusion• Exploitation industrielle
• Perspectives
Soutenance de thèse 34
READ_faultREAD_fault
C. Fouquet, A. Histace, P. Duvaut
Identification des zones d’intérêt (1)
Problématique :
A l’issue de la segmentation d’une ligne nous obtenons une grande quantité de zones d’intérêt qui doivent être classifiées en 5 types :
Corrosion
Délaminage
Sous épaisseur
Enfoncement
Non défaut
Soutenance de thèse 35
READ_faultREAD_fault
C. Fouquet, A. Histace, P. Duvaut
Identification des zones d’intérêt (2)
Contexte :
La mise à disposition des données TRAPIL permet l’accès à une grande base de données de défauts avec la vérité terrain
Large base d’apprentissage à disposition
Méthode choisie :
Algorithme d’apprentissage
- 1. Extraction de caractéristiques
- 2. Projeter les données dans un espace caractéristique permettant la séparation des différentes classes à l’aide de frontières déterminées par apprentissage sur une base de donnée fournie (vérité terrain connue)
Soutenance de thèse 36
READ_faultREAD_fault
C. Fouquet, A. Histace, P. Duvaut
Illustration du principe d’apprentissage par classifieur
Illustration du principe de classification
Identification des zones d’intérêt (3)
Exemple didactique de classification à deux caractéristiques
Soutenance de thèse 37
READ_faultREAD_fault
C. Fouquet, A. Histace, P. Duvaut
Identification des zones d’intérêt (4)
-A l’issu de la segmentation d’une ligne nous obtenons une grande quantité de zones d’intérêt
Base d’apprentissage a disposition
- Afin d’être exploitables, nos images nécessitent une segmentation fine
- Obtenir une segmentation fine de la zone d’intérêt est aisé : l’image étant petite le bruit d’acquisition est négligeable ; une binarisation d’Otsu [11] suffit à offrir un résultat satisfaisant.
Exemples de binarisations
[11] N. Otsu. A threshold selection method for gray scale histogram. 1978
Soutenance de thèse 38
READ_faultREAD_fault
C. Fouquet, A. Histace, P. Duvaut
Identification des zones d’intérêt (5)
Extraction de caractéristiques :
-La sélection des caractéristiques utilisées a été faite en deux temps :
1. Rassemblement de toutes les caractéristiques pouvant être utiles :
- Un ensemble de caractéristiques psycho-visuelles utilisées par les analystes pour différencier les défauts
Exemple : perte d’épaisseur abrupte ou douce sur les frontières du défaut
- Un ensemble de descripteurs de formes [12], calculées sur les images binarisées des défauts (Exemple : Ellipse englobante)
- Un ensemble de descripteurs de textures [13], [14], [15], basés sur les matrices de co-occurrence (Exemple : Energie, Entropie,…)
Au total par imagette, un vecteur de 36 paramètres est extrait
[12] R.C. Gonzalez & S.L. Eddins Digital image processing using MATLAB. 2002
[13] L.Soh & C. tsatsoulis. Texture analysis of sar sea ice imagery using gray level co-occurrence matrices . 1999
[14] D.A. Clausi. An analysis of co-occurrence texture statistics as a function of gray level quantization . 2002
[15] R.M. Haralick & K. Shanmugam. Textural features of image classification. 1973
Soutenance de thèse 39
READ_faultREAD_fault
C. Fouquet, A. Histace, P. Duvaut
Identification des zones d’intérêt (6)
Extraction de caractéristiques :
- La sélection des caractéristiques utilisées a été faite en deux temps :
1. Rassemblement de toutes les caractéristiques pouvant être utiles
2. Analyse en composante principale (ACP) [16]
- Cette étape permet :
- De blanchir les caractéristiques extraites afin de les rendre « comparables »
- D’exclure du vecteur final les quelques caractéristiques n’apportant pas d’information pertinente au niveau de la discrimination des types de défauts
Passage de 36 caractéristiques à 28 (combinaisons linéaires)
[16] S. Wold & K. Esbensen. Principal Component Analysis. 1987
Aymeric Histace
J'ai refait de la mise en page
Soutenance de thèse 40
READ_faultREAD_fault
C. Fouquet, A. Histace, P. Duvaut
Choix du classifieur :
De nombreux classifieurs existent, aux caractéristiques variées. Cependant la nécessité d’industrialisation impose une réponse rapide.
La complexité de la décision doit être minimale.
Trois classifieurs répondant à cette contrainte et peuvent donc être retenus :
- Les réseaux de neurones (ou Perceptron MultiCouche, PMC) [17],
[18] B. Schölkopf & A. Smola. Advances in kernel methods – support vector learning. 1998
[19] L. Breiman. Random Forests. 2001
Soutenance de thèse 41
READ_faultREAD_fault
C. Fouquet, A. Histace, P. Duvaut
Choix du classifieur :
Pour 3 raisons principales, notre choix s’est porté a priori sur les Forêts Aléatoires :
Volume très important des données à traitées
Aspect multi-classe de la réponse attendue
Interprétabilité plus immédiate de la décision
Rq : Cependant, nous avons réalisé nos tests sur les trois classifieurs à titre de comparaison
Identification des zones d’intérêt (8)
Soutenance de thèse 42
READ_faultREAD_fault
C. Fouquet, A. Histace, P. Duvaut
Identification des zones d’intérêt (9)
Arbre de décision binaire : Principe
Réaliser une architecture de choix logiques binaires, caractéristique par caractéristique dans le but de séparer les différentes classes au sein de l’espace caractéristique.
Caractéristique 1
x
x
xx
x
xx
a
a
b
c
C2 > b ?
C1 > a ?
C2 > c ?x
x
ouinon
oui non
ouinon
Ca
ract
éris
tiqu
e 2
Soutenance de thèse 43
READ_faultREAD_fault
C. Fouquet, A. Histace, P. Duvaut
Identification des zones d’intérêt (10)
Arbre de décision binaire : inconvénient
Mauvaise généralisation par effet de sur apprentissage
Soutenance de thèse 44
READ_faultREAD_fault
C. Fouquet, A. Histace, P. Duvaut
Principe des Forêts Aléatoires :
Exploiter l’instabilité de l’arbre de décision binaire en injectant de l’aléatoire dans le processus d’apprentissage et en mettant un grand nombre d’arbres en parallèle, les faisant voter à la majorité pour la prise de décision.
Création d’un flou décisionnel dans les frontières complexes
Le flou ainsi généré gomme en grande partie la tendance à sur-apprendre de l’arbre binaire unique et renforce donc sa capacité de généralisation.
En pratique, c’est le principe du bootstrapping qui est utilisé (création d’arbre à partir des caractéristiques tirées aléatoirement avec remise parmi celles disponibles)
Rq: Il est également possible de renforcer ce comportement en « effaçant » des décisions en bout de chaîne : principe d’élagage (pruning).
Identification des zones d’intérêt (11)
Soutenance de thèse 45
READ_faultREAD_fault
C. Fouquet, A. Histace, P. Duvaut
Caractéristique de la base d’apprentissage
- Construite à partir des résultats de la ligne de test utilisée pour la segmentation
- Déséquilibre de la base d’apprentissage (350 défauts, 50 000 fausses alarmes)
- L’apprentissage ne peut pas être réalisé immédiatement car la sur-représentation de fausses alarmes noie complètement les défauts.
- Solutions proposées:
- 1. Réduire le nombre de fausses alarmes (tirage aléatoire de 500 fausses alarmes)
- 2. Augmenter artificiellement le nombre de défauts en les dupliquant tout en injectant un léger bruit gaussien (sigma = 10%) sur toutes les caractéristiques.
Identification des zones d’intérêt (12)
Soutenance de thèse 46
READ_faultREAD_fault
C. Fouquet, A. Histace, P. DuvautRésultats avec réduction des FA
Identification des zones d’intérêt (13)
Résultats sur notre base de test (cross-validation 10-fold) :
Soutenance de thèse 47
READ_faultREAD_fault
C. Fouquet, A. Histace, P. DuvautRésultats avec duplication des défauts
Résultats sur notre base de test (cross-validation 10-fold) :
Identification des zones d’intérêt (14)
Soutenance de thèse 48
READ_faultREAD_fault
C. Fouquet, A. Histace, P. Duvaut
Conclusion
-Les résultats obtenus sont encourageants : même dans le cas le plus défavorable de la réduction du nombre de fausses alarmes dans la base d’apprentissage, le taux de bonne classification est de l’ordre de 80% avec les RF
- De plus, les très bons résultats obtenus avec les RF dans le cas de la duplication des défauts, même s’ils ne se suffisent pas a eux seuls, assurent la pertinence des caractéristiques utilisées (nos classes ne présentent que peu de recouvrement)
- Avec une base d’apprentissage de défauts plus étoffée (notamment pour les corrosions), nous pouvons espérer une bonne qualité d’identification lors du déploiement industriel.
-L’utilisation des deux autres classifieurs reste à investiguer afin d’assurer un réglage adapté au type de données considéré et de comparer de manière plus convaincante les performances obtenues grâce au RF.
Identification des zones d’intérêt (15)
Soutenance de thèse 49
READ_faultREAD_fault
C. Fouquet, A. Histace, P. Duvaut
Sommaire
• Introduction• Présentation de l’entreprise TRAPIL
• Problématique de thèse et objectif
• Etat de l’art sur la problématique
• Détection de défauts structurels dans les pipelines• Détection des soudures d’aboutage
• Segmentation des tubes en zones d’intérêt
• Identification des zones d’intérêt
• Conclusion• Exploitation industrielle
• Perspectives
Soutenance de thèse 50
READ_faultREAD_fault
C. Fouquet, A. Histace, P. Duvaut
Exploitation industrielle
Contributions :
- Si READ_weld a pu prendre à sa charge la tache de détection des soudures, se transformant en gain de temps brut pour les analystes, notre méthode de détection de défauts quant à elle vient en renforcement de l’analyse manuelle :
- Aide à la décision
- Soumission de pré-rapport rapide
- Répétabilité
- Performance
- A ce jour, la partie segmentation des zones d’intérêt à été traduite en langage industriel (C++) et le développement de la partie identification se fera au cours de l’année pour une mise en service prévue vers Octobre.
Soutenance de thèse 51
READ_faultREAD_fault
C. Fouquet, A. Histace, P. Duvaut
Perspectives (1)
De nombreuses pistes d’amélioration peuvent encore être explorées :
- Les zones de soudures ont un caractère particulier et bénéficieraient grandement d’un traitement dédié : certaines familles de défauts n’existent que dans ces zones et la soudure en elle-même est un problème pour la détection automatique.
- Nous n’avons exploité dans ce travail que l’information d’épaisseur (T2), mais les autres sources de données fournies par le racleur (notamment la distance racleur-paroi interne, T1) pourraient permettre de renforcer à la fois la partie segmentation et la partie identification.
-De nouvelles sources d’inspiration peuvent être piochée du côté des méthodes bio-inspirées; « imiter » le comportement de l’œil des analystes pourrait fournir de nouvelles pistes.
Soutenance de thèse 52
READ_faultREAD_fault
C. Fouquet, A. Histace, P. Duvaut
Perspectives (2)
-La segmentation fine pourrait être améliorée en exploitant des méthodes par contours actifs :
-La méthode d’identification pourrait être renforcée en appliquant une structure d’apprentissage par cascade de classifieur, en séparant l’identification défaut – fausses alarmes (approche One-class) de l’identification des différentes classes de défauts.
- Enfin dans un autre domaine il serait possible d’embarquer directement une partie des traitements sur le racleur, notamment READ_weld, s’y prêtant parfaitement.
Résultat d’un contours actif basé alpha-divergences sur un cas de corrosion aux frontières diffuses
Soutenance de thèse 53
READ_faultREAD_fault
C. Fouquet, A. Histace, P. Duvaut
Publications
Conférences internationales :
- NDT in Progress 2011, Pragues, Republique Tchèque : Automatic and Circumferential Oriented Detection (ACOD) for Pipeline Intelligent Inspection
- ICNDT 2013, Portoroz, Slovénie : Automated Detection of Defect Signature in Pipelines using Ultrasonic Thickness Images
- ECNDT 2014, Pragues, République Tchèque : Automated Classification of Defect Signatures using Ultrasonic Thickness Images (Accepté)
Revues internationales :
- Ultrasonics : Detection and Recognition of Structural Defects in Oil Pipelines using Ultrasonic Thickness Images (Soumission 2014)
Soutenance de thèse 54
Merci pour votre attention!Questions & Réponses
READ_faultREAD_fault
C. Fouquet, A. Histace, P. Duvaut
Soutenance de thèse 55
READ_faultREAD_fault
C. Fouquet, A. Histace, P. Duvaut
Annexes
Histogramme des maximas de la fct. d’ambiguïté
Soutenance de thèse 56
READ_faultREAD_fault
C. Fouquet, A. Histace, P. Duvaut
Annexes
Séparatrice de décision et seuil à 14%
∆μ
ρσ
Soutenance de thèse 57
READ_faultREAD_fault
C. Fouquet, A. Histace, P. Duvaut
Annexes
Matrices de co-occurrence :
La matrice de co-occurrence MC(d,θ) est définie pour un couple (a,b) de niveaux de gris et une translation t. La translation t est déterminée par le couple (d,θ) ou d est la distance entre a et b et θ l’angle formé avec l’horizontale
L’exemple ci-dessous est défini pour t = (0, -1) :
Soutenance de thèse 58
READ_faultREAD_fault
C. Fouquet, A. Histace, P. Duvaut
Annexes
Liste des 28 caractéristiques utilisées :
Caractéristiques ad-hoc :
-Largeur de l’image
-Hauteur de l’image
-Nombre de composantes connexes
-Surface de la plus grande composante connexe (PGCC)
-Perte de métal relative maximale au sein de la PGCC
-Ecart-type des valeurs d’épaisseurs de la PGCC
-Gradient moyen sur les contours de la PGCC
Caractéristiques de forme :
-Excentricité
-Longueur grand axe de l’ellipse entourant la PGCC
-Longueur petit axe de l’ellipse entourant la PGCC
-Orientation en degrés de l’ellipse entourant la PGCC
-Perimetre de la PGCC
-Compacité de la PGCC
Caractéristiques matrices de co-occurrence :
-Autocorrelation GLCM
-Correlation GLCM
-Proéminence des clusters GLCM
-Ombre des clusters GLCM
-Dissimilarité GLCM
-L’entropie GLCM
-Variance GLCM
-Moyenne des sommes GLCM
-Variance des sommes GLCM
-Entropie des sommes GLCM
-Variance des différences GLCM
-Entropie des différences GLCM
-Information des mesures de correlation 1
-Information des mesures de correlation 2
-Différence inverse normalisée GLCM
Soutenance de thèse 59
READ_faultREAD_fault
C. Fouquet, A. Histace, P. Duvaut
Annexes
Matrices de confusion – suppression des fausses alarmes :