Fusion entre les données ultrasonores et les images de radioscopie ...

&KDSLWUH ,9 0RGpOLVDWLRQ GHV &RQQDLVVDQFHV HW IXVLRQ GHV GRQQpHV
__________________________________________________________________________________________
Enfin, lorsqu'un défaut n'est détecté que par une seule technique de contrôle, on suppose qu'il
n'y a pas de conflit puisqu'il se voit alors attribuer la confiance accordée par ce contrôle. Dans
certains cas, il serait plus juste de considérer si cette absence de détection est normale ou non.
Par exemple, si le contrôle RX observe un défaut linéaire, il n'est pas naturel que ce défaut ne
soit pas détecté lors du contrôle US. Cette situation devrait conduire à un conflit. Nous
envisageons d’indiquer à l’opérateur ce type de conflit qui n’est pas relié au facteur K de la
règle de Dempster mais qui est en fait issu de la non détection d’un défaut par une méthode.
La prise en compte de ce conflit permettrait par exemple d'indiquer à l'utilisateur qu'il y a un
problème avec l'acquisition ultrasonore tel qu'une absence de couplage correcte entre les
traducteurs et le matériau.
Nous avons finalement adopté, lors de la modélisation des connaissances en parts de
croyances, une démarche qui prévient toute source de conflit.
V. CONCLUSION
Dans ce chapitre, nous avons étudié les caractéristiques des objets détectés à l'issue du
processus de traitement, afin de permettre d'améliorer la fiabilité de détection et de fournir
également une indication à l'utilisateur sur la nature de l'objet détecté (identification).
Pour le contrôle RX, un apprentissage a été réalisé lors duquel les objets détectés contenus
dans une base de données sont représentés dans l'espace des paramètres. Cette représentation
a fait apparaître des régions de confiance dans lesquelles tel ou tel type d'objet était
prédominant. Chacune de ces régions fut alors associée à un jeu de masse traduisant la
connaissance du système automatique sur la nature d'un objet inconnu à partir de ses
caractéristiques physiques. Le passage continu d'une région de confiance à une autre est
assuré par des fonctions d'appartenance à des ensembles flous. Cette modélisation permet de
distinguer, à travers les degrés de confiance, certains vrais défauts des fausses détections de
manière fiable. Dans un deuxième temps, la nature privilégiée d'un défaut est indiquée à
l'expert. Les paramètres d'élongation et de position permettent d'exclure certains types
particuliers de défauts.
Pour le contrôle US, les régions de confiance sont définies à partir d’un échantillon de
calibrage et les connaissances de l'expert sont ici fortement utilisées. La technique
3DJH