Le CEA-LIST développe la plateforme logicielle CIVA, référence de la simulation des procédés de contrôle non destructif. Elle propose notamment des outils pour l’inspection radiographique X et tomographique qui permettent, pour un contrôle donné, de simuler l’ensemble des radiographies en prenant en compte divers phénomènes physiques associés, ainsi que la reconstruction tomographique correspondante. Le CEA-LIST comporte par ailleurs une plateforme expérimentale pour l’inspection robotisée par tomographie à rayons X.

Le travail proposé s’intègre dans la contribution du laboratoire à une ANR bilatérale franco-allemande impliquant des partenaires académiques et industriels et portant sur l’inspection d’objets de grandes dimensions permise par la plateforme robotisée. Afin de pouvoir mener à bien la reconstruction 3D de l'objet, un nombre suffisant de radiographies doit être réalisé. Dans bien des situations, certains angles de vues ne peuvent pas être acquis en raison des dimensions de l'objet et/ou des limitations de mouvement des robots utilisés, entraînant une perte de qualité de la reconstruction 3D.

Les contributions attendues portent sur la généralisation en 3D des algorithmes actuellement développés au laboratoire. Ces méthodes consistent en l’utilisation de méthode de Deep-Learning, pour compléter les projections manquantes d’une part (pré-traitement), et pour réduire les artéfacts de reconstruction d’autre part (post-traitement) [1]. Cette généralisation en 3D nécessitera le développement d’un outil de tracé de rayons sur GPU avec découpage des données pertinent dans un cadre de reconstruction tomographique.

Les outils de projection/rétroprojection ainsi obtenus permettront d’évaluer nos méthodes actuelles en 3D, ainsi que de tester d’autres architectures, notamment l’utilisation de modèles de diffusion pour la régularisation, et l’extension de méthodes de type champs neuronaux pour compléter les projections manquantes.

Les méthodes développées seront testées sur données simulées par la plateforme CIVA, ainsi que sur les données expérimentales dont l’acquisition est permise par les plateformes expérimentales des différents partenaires du projet. Des méthodes d’adaptation de domaines seront mises en place.

Le(la) candidat(e) aura accès aux facilités du centre de recherche de Paris Saclay et sera amené(e) à valoriser ses résultats sous la forme de communications scientifiques (conférences internationales, publications).

[1] Vo, Romain et al. “Evaluation and comparison of two Deep Learning strategies for on-line XRay computed tomography.” Proceedings of the ASME 2022 49th Annual Review of Progress in Quantitative Nondestructive Evaluation. QNDE 2022.

Docteur en traitement de données, en optimisation ou en intelligence artificielle.

Anglais niveau courant (présentation orale, rédaction de publications scientifiques).

Une connaissance préalable de la physique des rayons X et des méthodes de reconstruction tomographique serait appréciée.