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

&RQFOXVLRQ JpQpUDOH
__________________________________________________________________________________________
particulier de défaut étaient compensées par les performances de l’autre technique de contrôle.
Par exemple, nous avons remarqué que les petites soufflures étaient difficilement détectables
par le contrôle US et c’est pourquoi nous nous sommes attachés à les détecter le mieux
possible lors du contrôle RX. De même, les défauts fins et allongés sont souvent détectés en
différents segments sur l’image RX, ce qui nous a conduit également à développer un
processus original de regroupement des signaux ultrasonores capables de les détecter
correctement. Enfin, nous avons remarqué que la mesure de la largeur d’un défaut est plus
précises pour le contrôle RX alors que la mesure de la longueur est plus précise pour le
contrôle US, ce qui nous a permis de dimensionner correctement le défaut à l’issue du
processus de fusion de données. Le défaut est également positionné et dimensionné en
profondeur à l’aide du contrôle US. L’aptitude de chaque technique de contrôle à détecter un
type particulier de défaut à nécessité une réflexion sur les phénomènes physiques régissants
les contrôles ainsi qu’une étude des incertitudes de mesure.
Pour l’étape de modélisation des connaissances, nous avons tout d’abord recherché les
connaissances du système automatique telles que les caractéristiques des indications de
défauts ainsi que les règles d’analyse de l’expert humain. Cette étape consiste à utiliser ces
connaissances pour attribuer un degré de confiance sur la nature d’une détection et cette
modélisation constitue le cœur et l’originalité de ce travail.
Lors de cette étape, nous avons utilisé les connaissances du système automatique pour
décomposer l’espace des paramètres en différentes régions. Certaines régions de l’espace des
paramètres apportent une information sur la présence d’un vrai défaut alors que d’autres
délivrent une information sur son type. L’imprécision sur les frontières des régions est
modélisée par des ensembles flous.
Afin de modéliser les caractères imprécis et incertain des informations contenues dans chaque
région, nous avons développé une méthode de calcul des fonctions de masses. Différents
degrés d’imprécision et d’incertitude sont tout d’abord définis à partir de propositions
inspirées du langage courant. Chaque région est alors associée à l’une de ces propositions qui
est traduite sous forme numérique d’un jeu de masses. Pour un objet inconnu situé dans
l’espace des paramètres, le calcul des fonctions des masses est obtenu par pondération des
jeux de masses des différentes régions par les degrés d’appartenance de cet objet aux
différentes régions de l’espace.
Cette modélisation permet d’exprimer un degré de confiance sur la présence d’un défaut à
partir de certaines de ses caractéristiques tout en précisant son type à partir d’autres
3DJH