1 / 60

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.

alaula
Télécharger la présentation

Patrick DUVAUT (a ) , Aymeric HISTACE (a) , Clément FOUQUET (a, b)

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. (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 Contribution à l’initiative d’ « Inspection Racleur Intelligente », spécifiée par le POF (Pipeline Operator Forum) Soutenance de thèse Patrick DUVAUT(a) , Aymeric HISTACE(a) , Clément FOUQUET(a, b)

  2. Sommaire READ_fault • 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 C. Fouquet, A. Histace,P. Duvaut 2 Soutenance de thèse

  3. Sommaire READ_fault • 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 C. Fouquet, A. Histace,P. Duvaut 3 Soutenance de thèse

  4. Présentation de TRAPIL (1) READ_fault 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) Carte des installations Initialement publique, l’entreprise est désormais totalement privée à la suite de la vente des parts de l’état français. C. Fouquet, A. Histace,P. Duvaut 4 Soutenance de thèse

  5. Présentation de TRAPIL (2) READ_fault TRAPIL en chiffres Capital : 13 240 800 € Chiffre d’affaire : 154 094 000 € Plus de 750 employés 4700 km de canalisations 160 Installations de pompage Actionnaire majoritaire : Total avec 35.5% du capital 850 000 m3 de stockage C. Fouquet, A. Histace,P. Duvaut 5 Soutenance de thèse

  6. Sommaire READ_fault • 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 C. Fouquet, A. Histace,P. Duvaut 6 Soutenance de thèse

  7. Problématique de thèse (1) READ_fault • 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 Exemple de racleur instrumenté - 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 C. Fouquet, A. Histace,P. Duvaut 7 Soutenance de thèse

  8. Problématique de thèse (2) READ_fault Illustration du fonctionnement d’une sonde US • 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 C. Fouquet, A. Histace,P. Duvaut 8 Soutenance de thèse

  9. Problématique de thèse (3) READ_fault Exemple de cartographie Echelle de couleur : Epaisseur Position angulaire de la sonde i Position discrète de l’outil d’inspection n • La cartographie doit ensuite être analysée pour détecter d’éventuels défauts afin de réaliser des réparations précises et ponctuelles Exemples de défauts C. Fouquet, A. Histace,P. Duvaut 9 Soutenance de thèse

  10. Problématique de thèse (4) READ_fault • 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 C. Fouquet, A. Histace,P. Duvaut 10 Soutenance de thèse

  11. Problématique de thèse (5) READ_fault • Problèmes liés à l’automatisation : • Taille des images • Fabrication des tubes • Bruit d’acquisition • Décentrage du racleur • Sondes HS • Plusieurs familles de défauts • Défauts naturels Exemple d’acquisition de mauvaise qualité C. Fouquet, A. Histace,P. Duvaut 11 Soutenance de thèse

  12. Sommaire READ_fault • 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 C. Fouquet, A. Histace,P. Duvaut 12 Soutenance de thèse

  13. Etat de l’art (1) READ_fault • 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]. • 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. Illustration de la technologie Phased Array [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 C. Fouquet, A. Histace,P. Duvaut 13 Soutenance de thèse

  14. Etat de l’art (2) READ_fault - 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 - 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], …) Exemple de racleur MFL [4] - 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 C. Fouquet, A. Histace,P. Duvaut 14 Soutenance de thèse

  15. Etat de l’art (3) READ_fault • - 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. Fissure dans un pipe de béton • 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, …) [8] S. Iyer & S.K. SinhaUltrasonic 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 C. Fouquet, A. Histace,P. Duvaut 15 Soutenance de thèse

  16. Sommaire READ_fault • 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 C. Fouquet, A. Histace,P. Duvaut 16 Soutenance de thèse

  17. Détection de soudures d’aboutage (1) READ_fault Nature des tubes : • Les tubes peuvent être de caractéristiques bien différentes de l’un à l’autre (fabrication, changement de diamètre ou d’épaisseur) Soudure longitudinale Soudure hélicoïdale Tube extrudé • Il est nécessaire de segmenter le pipe en tubes afin de se placer dans un contexte de détection cohérent C. Fouquet, A. Histace,P. Duvaut 17 Soutenance de thèse

  18. Détection de soudures d’aboutage (2) READ_fault - 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 C. Fouquet, A. Histace,P. Duvaut 18 Soutenance de thèse

  19. Détection de soudures d’aboutage (3) READ_fault - Difficultés principales : le bruit d’acquisition et les signatures de cintres Soudure noyée dans le bruit Signature de cintre • Solution : s’appuyer sur l’hypothèse forte de circonférentialité des soudures d’aboutage C. Fouquet, A. Histace,P. Duvaut 19 Soutenance de thèse

  20. Détection de soudures d’aboutage (4) READ_fault • 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] : 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. [10] H. Van Trees. Detection, estimation and linear modulation theory, part 1. 2001 C. Fouquet, A. Histace,P. Duvaut 20 Soutenance de thèse

  21. Détection de soudures d’aboutage (5) READ_fault Image ultrason 224signaux d’épaisseur 28Signatures de rupture Rassemblement des sondes en bandes Indicateur ruptures 1 threshold h Pondération et fusion des signatures par SOS L : coefficient de pondération l Signature unique 2 l* p p* Fonction d’ambiguïté 3 Détéction & Localisation Contraste événement/bruit Projection sur une base d’ ondelettes de Haar localisation Largeur sign. 2 1 Décision C. Fouquet, A. Histace,P. Duvaut 21 Soutenance de thèse

  22. Détection de soudures d’aboutage (6) READ_fault Pondération optimale RWL=10 Ligne de test. Pipeline de 12km 1670 Soudures 268 Risques de FA Moyennage arithmétique RWL=0 Méthode de référence REF • Performances RW supérieures • RW10 atteind des performances parfaites : • Pas de soudures ratées • Pas de fausses alarmes • RW permet d’économiser 30% de temps d’execution vis à vis de la méthode de référence Probabilité de bonne détection La pondération optimale réduit drastiquement les erreurs Probabilité de fausse alarme C. Fouquet, A. Histace,P. Duvaut 22 Soutenance de thèse

  23. Détection de soudures d’aboutage (7) READ_fault • 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. C. Fouquet, A. Histace,P. Duvaut 23 Soutenance de thèse

  24. Sommaire READ_fault • 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 C. Fouquet, A. Histace,P. Duvaut 24 Soutenance de thèse

  25. Segmentation en zones d’intérêt (1) READ_fault • 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 C. Fouquet, A. Histace,P. Duvaut 25 Soutenance de thèse

  26. Segmentation en zones d’intérêt (2) READ_fault • 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 C. Fouquet, A. Histace,P. Duvaut 26 Soutenance de thèse

  27. Segmentation en zones d’intérêt (3) READ_fault - 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) C. Fouquet, A. Histace,P. Duvaut 27 Soutenance de thèse

  28. Segmentation en zones d’intérêt (4) READ_fault Sous-image en bande de sonde Coupe en 4 bandes macro de sondes (L = 1) READ_Weld Cœur de tube Y : Nb échantillon Récursivité Histogramme Référence quand L = 1 Gaussienne de défaut X : valeur d’épaisseur Modélisation de l’histogramme par EM-3G Histogramme de sous image L = 1 Détermination de la référence Modélisation par EM-3G Split de l’image (L = L+1) L > 1 ρσ Analyse de la gaussienne de défaut Si défaut mal encadré Si défaut bien encadré ou taille minimale atteinte ∆μ Si aucun défaut détecté Séparatrice de décision (ad-hoc sur 500 données) Rejet Fusion des zones d’intérêt Zones d’intérêt encadrées C. Fouquet, A. Histace,P. Duvaut 28 Soutenance de thèse

  29. Segmentation en zones d’intérêt (5) READ_fault • 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 Taux de compression d’information Taux de perte des défauts - Benchmarking réalisé en comparaison avec une méthode de seuillage à 14% de perte d’épaisseur : C. Fouquet, A. Histace,P. Duvaut 29 Soutenance de thèse

  30. Segmentation en zones d’intérêt (6) READ_fault Origine DS² Seuil C. Fouquet, A. Histace,P. Duvaut 30 Soutenance de thèse

  31. Segmentation en zones d’intérêt (7) READ_fault • 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 C. Fouquet, A. Histace,P. Duvaut 31 Soutenance de thèse

  32. Segmentation en zones d’intérêt (8) READ_fault • 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. C. Fouquet, A. Histace,P. Duvaut 32 Soutenance de thèse

  33. Sommaire READ_fault • 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 C. Fouquet, A. Histace,P. Duvaut 33 Soutenance de thèse

  34. Identification des zones d’intérêt (1) READ_fault • 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 C. Fouquet, A. Histace,P. Duvaut 34 Soutenance de thèse

  35. Identification des zones d’intérêt (2) READ_fault • 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) C. Fouquet, A. Histace,P. Duvaut 35 Soutenance de thèse

  36. Identification des zones d’intérêt (3) READ_fault Illustration du principe d’apprentissage par classifieur Illustration du principe de classification Exemple didactique de classification à deux caractéristiques C. Fouquet, A. Histace,P. Duvaut 36 Soutenance de thèse

  37. Identification des zones d’intérêt (4) READ_fault • 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 C. Fouquet, A. Histace,P. Duvaut 37 Soutenance de thèse

  38. Identification des zones d’intérêt (5) READ_fault • 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 C. Fouquet, A. Histace,P. Duvaut 38 Soutenance de thèse

  39. Identification des zones d’intérêt (6) READ_fault • Extraction de caractéristiques : • La sélection des caractéristiques utilisées a été faite en deux temps : • 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 C. Fouquet, A. Histace,P. Duvaut 39 Soutenance de thèse

  40. Identification des zones d’intérêt (7) READ_fault • 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], • Les Support Vector Machine (SVM) [18] • Les Forêts Aléatoires [19]. [17] H.B. Demuth & M.T. Hagan. Neural network design. 1996 [18] B. Schölkopf & A. Smola. Advances in kernel methods – support vector learning. 1998 [19] L. Breiman. Random Forests. 2001 C. Fouquet, A. Histace,P. Duvaut 40 Soutenance de thèse

  41. Identification des zones d’intérêt (8) READ_fault • 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 C. Fouquet, A. Histace,P. Duvaut 41 Soutenance de thèse

  42. Identification des zones d’intérêt (9) READ_fault 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. C2 > b ? a non oui b x Caractéristique 2 x C1 > a ? x x c oui non x x x x C2 > c ? a Caractéristique 1 non oui x C. Fouquet, A. Histace,P. Duvaut 42 Soutenance de thèse

  43. Identification des zones d’intérêt (10) READ_fault Arbre de décision binaire : inconvénient Mauvaise généralisation par effet de sur apprentissage C. Fouquet, A. Histace,P. Duvaut 43 Soutenance de thèse

  44. Identification des zones d’intérêt (11) READ_fault • 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). C. Fouquet, A. Histace,P. Duvaut 44 Soutenance de thèse

  45. Identification des zones d’intérêt (12) READ_fault • 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. C. Fouquet, A. Histace,P. Duvaut 45 Soutenance de thèse

  46. Identification des zones d’intérêt (13) READ_fault Résultats sur notre base de test (cross-validation 10-fold) : Résultats avec réduction des FA C. Fouquet, A. Histace,P. Duvaut 46 Soutenance de thèse

  47. Identification des zones d’intérêt (14) READ_fault Résultats sur notre base de test (cross-validation 10-fold) : Résultats avec duplication des défauts C. Fouquet, A. Histace,P. Duvaut 47 Soutenance de thèse

  48. Identification des zones d’intérêt (15) READ_fault • 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 RFdans 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. C. Fouquet, A. Histace,P. Duvaut 48 Soutenance de thèse

  49. Sommaire READ_fault • 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 C. Fouquet, A. Histace,P. Duvaut 49 Soutenance de thèse

  50. Exploitation industrielle READ_fault • 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. C. Fouquet, A. Histace,P. Duvaut

More Related