Des assistants vocaux numériques aux appareils domestiques intelligents, l’intelligence artificielle (IA) est en voie de devenir monnaie courante dans notre quotidien. À l’instar de ces appareils dotés de l’IA, nos outils d’analyse d’images nous promettent, eux aussi, d’être toujours plus productifs. En métallographie et en analyse des matériaux, l’intelligence artificielle nous permet d’accéder à un nouveau monde d’analyse d’images plus simple et plus précis.
Résolution des défis relatifs au seuillage des images lors de l’analyse des microstructures
Pensons aux défis liés aux analyses basées sur le seuil conventionnel et rencontrés lors de l’analyse de la microstructure des métaux, alliages, céramiques, matériaux composites et autres matériaux. Bien qu’il s’agisse d’une méthode reconnue pour l’analyse des microstructures, l’algorithme de seuillage des images présente certaines limites.
Par exemple, l’algorithme de seuillage ne détecte pas les structures spécifiques sur les images. En effet, il permet de détecter immédiatement plusieurs objets multiples sans faire de distinction entre eux. Les algorithmes analytiques comme le seuillage sont capables d’utiliser d’autres approches comme les filtres de renforcement des bordures, la correction des ombrages et les analyses morphologiques en vue de trouver des structures spécifiques. Le problème est que ces approches nécessitent à la fois des compétences en programmation et l’activation de l’automatisation des analyses. En outre, compte tenu du nombre de cas particuliers et d’exceptions potentiellement élevés, certains problèmes peuvent être insolvables avec ces approches.
En revanche, l’apprentissage automatique définit des règles pour la détection des objets qui reposent sur de nombreux exemples d’objets d’intérêt. L’évaluation automatique, basée sur les réseaux neuronaux artificiels profonds ayant appris à classer les zones d’image indépendamment des valeurs de seuil définies précédemment, facilite l’analyse d’images et la rend plus précise.
Exemple d’une analyse d’images assistée par IA en métallographie et en analyse des matériaux
Pour savoir comment l’IA améliore l’analyse d’images, étudions un exemple pratique. L’image ci-dessous montre un échantillon métallographique avec des limites de grain, des marques de polissage et des poussières (figure 1).
Figure 1. Coupe métallographique présentant des limites de grain, des marques de polissage et des poussières
Le logiciel d’analyse d’images ne peut pas clairement distinguer les limites de grain des marques de polissage et des poussières avec le seul paramètre de seuil (figure 2). Cela se traduit par une granulométrie erronée puisqu’il est impossible de détecter uniquement les limites de grain.
Figure 2. La même image d’une coupe métallographique analysée grâce à l’algorithme de seuillage.
Étudions maintenant la même image analysée avec l’IA (figure 3). Il est possible de distinguer les traces de broyage, de polissage, de poussière et de résidus des objets d’intérêt comme les limites de grain sur les images de coupes polies. Cela est dû au fait que l’analyse d’images basée sur l’IA permet de détecter des limites de grain au niveau des microstructures qui présentent avec fiabilité et reproductibilité des structures de grain très hétérogènes. En outre, les composants structurels peuvent être classés grâce à l’exactitude du pixel.
Figure 3. La même coupe métallographique a été analysée avec la technologie d’apprentissage profond TruAI. L’analyse de l’IA montre clairement que les bordures de grain détectées (rouge), les distinguant des marques de polissage et des poussières.
Analyse des microstructures assistée par l’IA à l’aide d’un logiciel d’imagerie industriel
Le tout dernier logiciel d’analyse d’images industrielles est doté de l’intelligence artificielle pour faciliter l’analyse des images complexes. Notre propre logiciel d’imagerie et de mesure PRECiV™ est maintenant doté de la technologie d’apprentissage profond TruAI™. Vous pouvez maintenant analyser vos images à l’aide d’un réseau neuronal entraîné pour une meilleure reproductibilité et une analyse plus robuste.
La technologie TruAI est dotée d’une fonctionnalité pratique, à savoir la segmentation d’instances. Celle-ci permet de séparer les objets accolés. Cette méthode de segmentation puissante est utile pour les images complexes comportant des objets accolés les uns aux autres, comme des grains, mais également des particules, des défauts et des matériaux constitués de poudres et utilisés pour le frittage et la fabrication additive. Les utilisateurs peuvent entraîner eux-mêmes un réseau neuronal grâce à la segmentation d’instances et l’utiliser pour séparer les objets en un seul clic.
La technologie TruAI vous permet également d’entraîner des réseaux neuronaux grâce à la segmentation sémantique, ce qui permet de déterminer si un pixel appartient au fond ou au premier plan de l’image. Contrairement à la segmentation d’instances, cette technologie ne permet pas de faire la distinction entre des objets fusionnés. Par conséquent, la segmentation sémantique nécessite un travail de post-traitement manuel pour réaliser une segmentation d’instances. Cela permet d’utiliser la segmentation sémantique pour faciliter les tâches d’analyse, notamment des objets parfaitement séparés ou lorsque la séparation des objets n’est pas nécessaire. La segmentation sémantique permet de faire la distinction entre de larges zones, comme l’analyse des phases, la détection des points de soudure, l’analyse des zones endommagées par la chaleur et l’analyse des couches de peinture.
Pour une plus grande polyvalence, les méthodes de segmentation d’instances ou de segmentation sémantique sont accessibles depuis la fonction « Count and Measure » (Numération et mesure) en cliquant sur « Materials Solutions » (Solutions dédiées aux matériaux) dans le logiciel PRECiV.
Procédure à suivre pour l’entraînement d’un réseau neuronal en métallographie et en analyse de matériaux
Comme illustré ci-dessus, l’utilisation d’un réseau neuronal entraîné sur des images constitue un moyen efficace d’analyser les microstructures. Cependant, le réseau doit être correctement entraîné pour fournir une analyse d’images précise et reproductible. L’entraînement optimal d’un réseau neuronal nécessite d’utiliser des échantillons servant d’exemples qui seront marqués avec attention, puisque l’algorithme qui en résulte est basé sur les données marquées. En d’autres termes, plus la formation est réalisée de manière optimale, plus le traitement des images sera de bonne qualité. C’est pour cette raison qu’il est essentiel qu’un spécialiste en d’analyse des matériaux soit impliqué dans le processus d’entraînement.
Entraînement optimal d’un réseau neuronal profond pour l’analyse d’images industrielles :
1. Marquage de chaque image et vérification des données en vue de l’entraînement.
Pour l’analyse d’images au moyen de la technologie d’apprentissage profond, le marquage des données nécessite de créer des images grâce à la vérité-terrain. Pour dire les choses plus simplement, la vérité-terrain correspond aux informations avec lesquelles le réseau neuronal est entraîné et évalué. Marquer la vérité-terrain sur l’image grâce au traitement des images et au marquage manuel pour que le réseau soit en mesure d’apprendre à partir de ces marquages.
Un spécialiste doit vérifier les données d’entraînement. Seul un spécialiste peut définir les données qui doivent être utilisées pour l’entraînement puisqu’il s’agit de la source utilisée par le réseau neuronal entraîné pour faire l’analyse. Le spécialiste doit être un expert en analyse des matériaux afin de prendre des décisions à partir des renseignements contenus dans l’image et détectés par le réseau en cours d’entraînement.
Prenez l’exemple d’une coupe métallographique (figure 2, à gauche). Le spécialiste peut demander : quand l’élément peut-il être considéré comme une bordure de grain ? Comment évaluons-nous ces anomalies ? Les données doivent être représentatives de tous les objets et de toutes les cartographies escomptés pour chaque classe.
2. Entraînement du réseau neuronal.
La prochaine étape consiste à sélectionner les paramètres d’entraînement optimaux pour la tâche à accomplir. Pour réaliser le paramétrage, il est important de suivre les instructions relatives à l’augmentation du volume de données d’entraînement et au choix du modèle d’entraînement.
L’augmentation des données d’entraînement donne au modèle de réseau neuronal bien plus d’opportunités pour apprendre et améliorer sa fiabilité. La rotation, la projection symétrique et d’autres fonctions d’imagerie permettent de multiplier le volume de données d’entraînement.
Il est important de noter quelle méthode d’augmentation du volume de données doit être utilisée en fonction de l’utilisation envisagée. Par exemple, la rotation est utile pour les structures dont aucun sens n’est préférable, mais est inutile pour les matériaux allongés comme les matériaux enroulés.
3. Validation de la réussite de l’entraînement.
Dans le domaine de l’apprentissage profond, un réseau neuronal artificiel avec une structure donnée est créé. Toutefois, le processus décisionnel utilisé par le réseau reste inconnu. Le réseau ne fournit aucune justification analytique quant à la raison pour laquelle une décision est prise.
C’est pourquoi la validation est importante. Un spécialiste peut valider la réussite de l’entraînement en vérifiant que les résultats d’une analyse répondent aux attentes. Les ensembles de données de validation vous permettent de comparer la mesure dans laquelle le réseau neuronal artificiel entraîné est capable de reconnaître les zones de l’image spécifiée.
Vous pouvez également utiliser le réseau pour générer une carte des probabilités qui sera superposée pendant l’entraînement sur les images de validation marquées. Il est essentiel de noter que les données de validation ne font pas partie de l’ensemble de données utilisé pour entraîner le réseau. Afin d’effectuer une évaluation réaliste du statut de l’entraînement, les similitudes entre les critères de qualité – comme les pertes – évalués sur les images d’entraînement et de validation, peuvent être sorties au format numérique et sous la forme d’un graphique.
Une fois que vous avez réalisé un entraînement qui inclut une validation, un nouvel ensemble de données est utilisé pour vérifier si l’algorithme est toujours opérationnel avec de nouvelles données représentatives : l’ensemble de données de test. Un spécialiste, ou idéalement plusieurs experts, doivent vérifier ce dernier contrôle afin de réduire les risques d’interprétation erronée par l’homme des résultats de l’IA.
4. Application du réseau neuronal entraîné à des images analogues.
Le réseau neuronal entraîné peut maintenant être utilisé en tant que méthode de segmentation. Vous pouvez l’utiliser avec des images analogues, telles que des images présentant une luminosité et une exposition similaires. Il est facile d’utiliser un réseau neuronal entraîné avec un logiciel d’imagerie industriel intuitif, comme le logiciel PRECiV. En un seul clic, le réseau segmente de manière automatique l’image et fournit des résultats reproductibles.
Apprenez-en plus sur l’apprentissage profond en métallographie et en analyse des matériaux
Pour en savoir plus sur l’analyse d’images reposant sur l’IA, y compris ses avantages, son fonctionnement et son utilité pour vos mesures, consultez notre centre de ressources dédié à la technologie TruAI. Nos experts sont là pour vous aider à entraîner l’IA pour répondre à vos besoins spécifiques en matière d’analyse des matériaux.
Technologie d’apprentissage profond TruAI pour l’analyse des images industrielles
Brochure PRECiV : Élargissez vos possibilités en matière d’inspection
