Essentiellement qualitative à ses débuts, la tomographie par rayons X répond aujourd'hui à des besoins quantitatifs précis qui visent à mieux cerner les défauts détectés dans les pièces imagées. En s'appuyant sur une modélisation des comportements des matériaux et une prévision de leur durée de vie, la tomographie s'insère dans une stratégie industrielle qui a évolué du « zéro défaut » au « défaut admissible ». Analyser un défaut, en vue de son éventuelle acceptation, c’est en connaître précisément sa nature, ses dimensions et sa localisation au sein du matériau afin de qualifier sa nocivité.

Objectifs et Démarche Scientifique

L’objectif principal de cette étude postdoctorale est la mise en place d’une méthode d’analyse par apprentissage en trois dimensions des défauts obtenus par tomographie RX. Les défauts concernés sont ceux issus des procédés de fabrication pour alliages métalliques comme la fabrication additive ou la fonderie. La taille des défauts-type observés va de 10 µm à 600 µm.

Dans ce cadre, le candidat ou la candidate retenu(e) devra développer une méthode de segmentation sémantique robuste et transposable à des jeux des données issues de tomographes distincts. Ces instruments seront potentiellement dotés des résolutions spatiales différentes et sujets à l’apparition d’artéfacts de reconstruction variés. Il/Elle devra établir un protocole dès l’observation à l’analyse des populations des défauts en passant par l’identification, la caractérisation et la correction des sources d’artefacts en vue de la segmentation sémantique de la reconstruction tridimensionnelle obtenue.

L’étude se composera de trois volets principaux :

Dans un premier temps, il s’agira de mutualiser les connaissances des deux partenaires du projet quant aux différentes techniques d’IA disponibles dans la littérature afin de répondre aux objectifs visés tout en considérant les types de matériaux et de défauts sur lesquels l’étude sera susceptible de porter. Un état de l’art sera conduit notamment pour répertorier les études récentes relevant de la même problématique.

La deuxième partie concernera la mise en place d’outils d’apprentissage adaptés à la détection des défauts identifiés en première partie et aux techniques de caractérisation de leur distribution (morphologique et spatiale). Le candidat ou la candidate retenu(e) sera libre de proposer la ou les architectures de modélisation considérées comme plus pertinentes.

Enfin, le troisième volet permettra de valider les outils construits sur la base d’un ensemble d’observation par tomographie d’échantillons de référence considérés comme représentatifs de la problématique étudiée. Une attention particulière portera sur la sensibilité des prédictions issues des modèles par apprentissage aux incertitudes de mesure provenant des tomographes et des techniques de reconstruction utilisées.

Docteur en mathématique appliquée ou en mécanique des solides avec une appétence pour le traitement d’images, le candidat devra avoir vécu une expérience réussie dans le développement d’outil d’analyse d’image par apprentissage. L’expérience avec des instruments de tomographie sera appréciée.

La maîtrise de l’anglais (oral et écrit) est nécessaire.