a ETIS-ENSEA-UCP- UMRS 8051 -CNRS 6 Avenue du

(a) ETIS-ENSEA-UCP- UMRS 8051 -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)

READ_fault 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 C. Fouquet, A. Histace, P. Duvaut 2

READ_fault 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 C. Fouquet, A. Histace, P. Duvaut 3

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

READ_fault Présentation de TRAPIL (2) TRAPIL en chiffres Capital : Plus de 750 employés 13 240 800 € 4700 km de canalisations 154 094 000 € 160 Installations de pompage Actionnaire majoritaire : Total avec 35. 5% du capital Soutenance de thèse Chiffre d’affaire : C. Fouquet, A. Histace, P. Duvaut 850 000 m 3 de stockage 5

READ_fault 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 C. Fouquet, A. Histace, P. Duvaut 6

READ_fault Problématique de thèse (1) - La nécessité de maintenance de pipelines en grande partie enterrés a nécessité l’émergence de technologies de contrôle embarquées. Ø 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. 5 mm ou tous les 3 mm selon la configuration Soutenance de thèse C. Fouquet, A. Histace, P. Duvaut 7

READ_fault Problématique de thèse (2) 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 (T 1) et entre la surface interne et la surface externe (T 2). - Ce temps de parcours peut facilement être transformé en distance en connaissant les vitesses de parcours d’onde dans le fluide (T 1) et dans le métal (T 2) Ø Une cartographie d’ épaisseur du pipeline peut alors être constituée Soutenance de thèse C. Fouquet, A. Histace, P. Duvaut 8

READ_fault Problématique de thèse (3) Position angulaire de la sonde i Exemple de cartographie Echelle de couleur : Epaisseur 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 Soutenance de thèse C. Fouquet, A. Histace, P. Duvaut 9

READ_fault 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. 5 mm, une résolution circonférentielle de 256 sondes sur un pipe de 10 km, le nombre de pixels à analyser est de 1. 7 Milliards ! Ø Il s’agit d’un travail fastidieux (~ quatre semaines / homme pour 30 km) pouvant grandement bénéficier de méthodes d’automatisation Soutenance de thèse C. Fouquet, A. Histace, P. Duvaut 10

READ_fault 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 naturels Exemple d’acquisition de mauvaise qualité Soutenance de thèse C. Fouquet, A. Histace, P. Duvaut 11

READ_fault 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 C. Fouquet, A. Histace, P. Duvaut 12

READ_fault 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]. - 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 Soutenance de thèse & R. K. Warriner. Focused, phased-array oplane P. Duvaut spherically-shaped concave pistion transducers 13 C. Fouquet, A. Histace, piston and

READ_fault 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 - 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 C. Fouquet, A. Histace, P. Duvaut Soutenance de thèse 14

READ_fault Etat de l’art (3) - 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. 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 Soutenance de thèse C. Fouquet, A. Histace, P. Duvaut 15

READ_fault 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 C. Fouquet, A. Histace, P. Duvaut 16

READ_fault Détection de soudures d’aboutage (1) 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 Ø Il est nécessaire de segmenter le pipe en tubes afin de se placer dans un contexte de détection cohérent Soutenance de thèse C. Fouquet, A. Histace, P. Duvaut 17

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

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

READ_fault 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] : 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 Soutenance de thèse C. Fouquet, A. Histace, P. Duvaut 20

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

READ_fault Détection de soudures d’aboutage (6) RWL=10 Ligne de test. Pipeline de 12 km 1670 Soudures 268 Risques de FA RWL=0 REF Pondération optimale Moyennage arithmétique Méthode de référence o Performances RW supérieures o RW 10 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 Soutenance de thèse C. Fouquet, A. Histace, P. Duvaut Probabilité de bonne détection La pondération optimale réduit drastiquement les erreurs Probabilité de fausse alarme 22

READ_fault Détection de soudures d’aboutage (7) Conclusion Ø 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. Ø 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 C. Fouquet, A. Histace, P. Duvaut 23

READ_fault 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 C. Fouquet, A. Histace, P. Duvaut 24

READ_fault 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 Ø 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 Ø 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 C. Fouquet, A. Histace, P. Duvaut 25

READ_fault 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. ØProblème : le décentrage du racleur dans le tube entraine des variations de référence tout au long de sa circonférence Ø Solution : Découpe en quarts de tube Soutenance de thèse C. Fouquet, A. Histace, P. Duvaut 26

READ_fault Segmentation en zones d’intérêt (3) - 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 Ø Modélisation de l’histogramme par un mélange de 3 gaussiennes (EM) Soutenance de thèse C. Fouquet, A. Histace, P. Duvaut 27

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

READ_fault Segmentation en zones d’intérêt (5) - 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 : Critère méthode DS² Seuil Défauts conservés 93. 4% Clusters renvoyés 52. 000 186. 000 Pourcentage de pixels éliminés Soutenance de thèse 89. 6% 93. 6% 74. 4% C. Fouquet, A. Histace, P. Duvaut 29

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

READ_fault 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 (11 km) étant traitée en environ 2 h à l’aide des ordinateurs dont les analystes sont équipés (24 cœurs cadencés à 3. 0 Ghz) - 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 C. Fouquet, A. Histace, P. Duvaut 31

READ_fault 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 : Ø la classification des zones d’intérêt extraites est donc indispensable. Soutenance de thèse C. Fouquet, A. Histace, P. Duvaut 32

READ_fault 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 C. Fouquet, A. Histace, P. Duvaut 33

READ_fault 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 : Ø Corrosion ØDélaminage ØSous épaisseur ØEnfoncement ØNon défaut Soutenance de thèse C. Fouquet, A. Histace, P. Duvaut 34

READ_fault 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 Ø 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 C. Fouquet, A. Histace, P. Duvaut 35

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

READ_fault Identification des zones d’intérêt (4) -A l’issu de la segmentation d’une ligne nous obtenons une grande quantité de zones d’intérêt Ø 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 C. Fouquet, A. Histace, P. Duvaut 37

READ_fault 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 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 Soutenance de thèse 38

READ_fault 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 Soutenance de thèse C. Fouquet, A. Histace, P. Duvaut 39

READ_fault Identification des zones d’intérêt (7) Choix du classifieur : De nombreux classifieurs existent, aux caractéristiques variées. Cependant la nécessité d’industrialisation impose une réponse rapide. Ø 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 Multi. Couche, 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 Soutenance de thèse C. Fouquet, A. Histace, P. Duvaut 40

READ_fault Identification des zones d’intérêt (8) Choix du classifieur : Pour 3 raisons principales, notre choix s’est porté a priori sur les Forêts Aléatoires : Ø Volume très important des données à traitées Ø Aspect multi-classe de la réponse attendue Ø Interprétabilité plus immédiate de la décision Rq : Cependant, nous avons réalisé nos tests sur les trois classifieurs à titre de comparaison Soutenance de thèse C. Fouquet, A. Histace, P. Duvaut 41

READ_fault 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. a C 2 > b ? Caractéristique 2 non x oui b x C 1 > a ? x x c oui non x x C 2 > c ? a Caractéristique 1 non oui x Soutenance de thèse C. Fouquet, A. Histace, P. Duvaut 42

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

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

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

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

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

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

READ_fault 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 C. Fouquet, A. Histace, P. Duvaut 49

READ_fault 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 C. Fouquet, A. Histace, P. Duvaut 50

READ_fault 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 (T 2), mais les autres sources de données fournies par le racleur (notamment la distance racleur-paroi interne, T 1) 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 bioinspirées; « imiter » le comportement de l’œil des analystes pourrait fournir de nouvelles pistes. Soutenance de thèse C. Fouquet, A. Histace, P. Duvaut 51

READ_fault Perspectives (2) -La segmentation fine pourrait être améliorée en exploitant des méthodes par contours actifs : Résultat d’un contours actif basé alpha-divergences sur un cas de corrosion aux frontières diffuses -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. Soutenance de thèse C. Fouquet, A. Histace, P. Duvaut 52

READ_fault 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 C. Fouquet, A. Histace, P. Duvaut 53

READ_fault Merci pour votre attention! Questions & Réponses Soutenance de thèse C. Fouquet, A. Histace, P. Duvaut 54

READ_fault Annexes Histogramme des maximas de la fct. d’ambiguïté Soutenance de thèse C. Fouquet, A. Histace, P. Duvaut 55

READ_fault Annexes ρσ ∆μ Séparatrice de décision et seuil à 14% Soutenance de thèse C. Fouquet, A. Histace, P. Duvaut 56

READ_fault 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 C. Fouquet, A. Histace, P. Duvaut 57

READ_fault Annexes Liste des 28 caractéristiques utilisées : Caractéristiques ad-hoc : Caractéristiques matrices de co-occurrence : -Largeur de l’image -Autocorrelation GLCM -Hauteur de l’image -Correlation GLCM -Nombre de composantes connexes -Proéminence des clusters GLCM -Surface de la plus grande composante connexe (PGCC) -Ombre des clusters GLCM -Perte de métal relative maximale au sein de la PGCC -Dissimilarité GLCM -Ecart-type des valeurs d’épaisseurs de la PGCC -L’entropie GLCM -Gradient moyen sur les contours de la PGCC -Variance GLCM Caractéristiques de forme : -Moyenne des sommes GLCM -Excentricité -Variance des sommes GLCM -Longueur grand axe de l’ellipse entourant la PGCC -Entropie des sommes GLCM -Longueur petit axe de l’ellipse entourant la PGCC -Variance des différences GLCM -Orientation en degrés de l’ellipse entourant la PGCC -Entropie des différences GLCM -Perimetre de la PGCC -Information des mesures de correlation 1 -Compacité de la PGCC -Information des mesures de correlation 2 -Différence inverse normalisée GLCM Soutenance de thèse C. Fouquet, A. Histace, P. Duvaut 58

READ_fault Annexes Matrices de confusion – suppression des fausses alarmes : Soutenance de thèse C. Fouquet, A. Histace, P. Duvaut 59

READ_fault Annexes Matrices de confusion – Duplication des défauts : Soutenance de thèse C. Fouquet, A. Histace, P. Duvaut 60