DÉTECTION DE DÉFAUTS DANS DES HOLOGRAMMES DE PHASE Travail de fin d’étude d’Alan Duffala Promoteurs : Justus Piater et Sébastien Ryhon 2ème Licence en informatique Année académique 2003-2004 DÉTECTION DE DÉFAUTS DANS DES HOLOGRAMMES DE PHASE 07/11/2018 TFE - Détection de défauts dans des hologrammes de phase

TFE - Détection de défauts dans des hologrammes de phase INTRODUCTION (1/3) Les hologrammes de phase sont des images créées par interférométrie (basé sur les interférences) avec une caméra holographique réalisée par OPTRION S.A.. Cette caméra est destinée à mesurer les changements apparaissant sur la surface d’un objet après avoir été soumis à une exposition quelconque (variation de température, changement de pression, …). Les images obtenues sont en niveau de gris. Les images sont affichées avec des valeurs circulaires pour les points. 07/11/2018 TFE - Détection de défauts dans des hologrammes de phase

TFE - Détection de défauts dans des hologrammes de phase INTRODUCTION (2/3) Par exemple : Le passage d’un point blanc ( valeur = 255 ) à un point noir ( valeur = 0 ) indique une augmentation dans la surface. En effet, on passe de 255 à 0 ( 256 modulo 256 ) et non pas de 0 à 255. 07/11/2018 TFE - Détection de défauts dans des hologrammes de phase

TFE - Détection de défauts dans des hologrammes de phase INTRODUCTION (3/3) Objectifs : Détecter les défauts de ces images, c’est-à-dire les augmentations rapides de changement d’intensité dans ces images. Elles représentent une déformation de la surface calculée par la caméra. Problèmes : Beaucoup de bruit dans les images à traiter → difficulté de reconstruction de l’image. Solution possible : Filtrage spécifique avec un traitement local des valeurs circulaires → bons résultats. Autre solution : Champs de Markov aléatoires. 07/11/2018 TFE - Détection de défauts dans des hologrammes de phase

TFE - Détection de défauts dans des hologrammes de phase EXEMPLE D’HOLOGRAMME Hologramme de phase Représentation en 3D 07/11/2018 TFE - Détection de défauts dans des hologrammes de phase

TFE - Détection de défauts dans des hologrammes de phase RÉSULTATS ATTENDUS Hologramme de phase Résultat obtenu par une société 07/11/2018 TFE - Détection de défauts dans des hologrammes de phase

RECONSTITUTION DES IMAGES On parcourt l’image horizontalement en remettant les valeurs continues. Les bornes du point recherché sont comprises entre V-(256/255) et V+(256/255) où V est la valeur du point situé juste à gauche du point courant. À chaque changement de ligne, on teste la continuité avec le point juste au dessus. 07/11/2018 TFE - Détection de défauts dans des hologrammes de phase

TFE - Détection de défauts dans des hologrammes de phase PROBLÈMES La reconstitution de l’image est problématique. Les imperfections aux bords de l’image provoquent des erreurs sur toute la ligne. Les images ne donnent pas de bons résultats après une dérivée gaussienne. 07/11/2018 TFE - Détection de défauts dans des hologrammes de phase

TFE - Détection de défauts dans des hologrammes de phase DÉRIVÉES GAUSSIENNES POUR CONVOLUER UNE IMAGE AVEC UN FILTRE SÉPARABLE, ON PEUT EFFECTUER DEUX CONVOLUTIONS À UNE DIMENSION Convolution circulaire : On convolue horizontalement (verticalement) l’image avec une dérivée gaussienne (première ou seconde) en traitant les valeurs circulaires et on convolue ensuite le résultat par une gaussienne verticalement (horizontalement). Traitement des bords : On a choisit de faire une extension des valeurs des bords. Utilisation des filtres suivants : la dérivée première le gradient la dérivée seconde 07/11/2018 TFE - Détection de défauts dans des hologrammes de phase

TFE - Détection de défauts dans des hologrammes de phase RÉSULTATS (1/3) Hologramme de phase Gradient 07/11/2018 TFE - Détection de défauts dans des hologrammes de phase

TFE - Détection de défauts dans des hologrammes de phase RÉSULTATS (2/3) Dérivée première en X Dérivée première en Y 07/11/2018 TFE - Détection de défauts dans des hologrammes de phase

TFE - Détection de défauts dans des hologrammes de phase RÉSULTATS (3/3) Dérivée seconde en X Dérivée seconde en Y 07/11/2018 TFE - Détection de défauts dans des hologrammes de phase

TFE - Détection de défauts dans des hologrammes de phase PROBLÈME Des courbes apparaissent alors que les pentes ne sont pas censées avoir de discontinuités. Comme on peut le voir sur l’image suivante, le problème n’apparaît pas lors du traitement des valeurs circulaires. Ce sont les changements de teinte qui posent problème. 2 solutions possibles : Égalisation d’histogramme. Chercher le problème lors de la création de l’hologramme de phase. 07/11/2018 TFE - Détection de défauts dans des hologrammes de phase

HISTOGRAMME – RÉSULTATS (1/3) Hologramme de phase Gradient 07/11/2018 TFE - Détection de défauts dans des hologrammes de phase

HISTOGRAMME – RÉSULTATS (2/3) Dérivée première en X Dérivée première en Y 07/11/2018 TFE - Détection de défauts dans des hologrammes de phase

HISTOGRAMME – RÉSULTATS (3/3) Dérivée seconde en X Dérivée seconde en Y 07/11/2018 TFE - Détection de défauts dans des hologrammes de phase

TFE - Détection de défauts dans des hologrammes de phase 5ème INTERFÉROGRAMME Les hologrammes sont formés sur base de la formule suivante : Pour résoudre l’équation, on calcule 4 interférogrammes en faisant varier l’angle de π/2. → On peut calculer un cinquième interférogramme et le comparer au premier. → Le voltage pour faire bouger l’angle de π/2 est de 2,2V. 07/11/2018 TFE - Détection de défauts dans des hologrammes de phase

TFE - Détection de défauts dans des hologrammes de phase RÉSULTATS (1/3) Hologramme de phase Gradient 07/11/2018 TFE - Détection de défauts dans des hologrammes de phase

TFE - Détection de défauts dans des hologrammes de phase RÉSULTATS (2/3) Dérivée première en X Dérivée première en Y 07/11/2018 TFE - Détection de défauts dans des hologrammes de phase

TFE - Détection de défauts dans des hologrammes de phase RÉSULTATS (3/3) Dérivée seconde en X Dérivée seconde en Y 07/11/2018 TFE - Détection de défauts dans des hologrammes de phase

LES CHAMPS DE MARKOV ALÉATOIRES Principe : L’idée des champs des Markov aléatoires est de considérer l’hologramme de phase comme une texture. Il faut ensuite trouver le modèle mathématique correspondant à cette texture. Une fois ce modèle trouvé, il suffit de regarder la probabilité de chaque point en fonction de ses voisins. Si le point a une probabilité faible, alors c’est soit un bruit, soit un défaut. Résultat : Cette technique semble ne pas fonctionner pour modéliser des hologrammes de phase. Par manque de temps, il n’a pas été possible d’approfondir le sujet. 07/11/2018 TFE - Détection de défauts dans des hologrammes de phase

TFE - Détection de défauts dans des hologrammes de phase CONCLUSIONS Reconstruction des hologrammes de phase : Ne fonctionne pas souvent et les résultats sont assez aléatoires. Dérivées gaussiennes avec traitement des valeurs circulaires : Pour des résultats optimaux : Utiliser la caméra avec un voltage de 2,2V. Faire une égalisation d’histogramme dans l’hologramme obtenu. Les défauts ressortent alors clairement. Champs de Markov aléatoires : Principe intéressant mais ne fonctionne visiblement pas avec les hologrammes de phase. 07/11/2018 TFE - Détection de défauts dans des hologrammes de phase