(a) ETIS-ENSEA-UCP-UMRS8051-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)

C. Fouquet, A. Histace, P. Duvaut 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 C. Fouquet, A. Histace, P. Duvaut 2 Soutenance de thèse

C. Fouquet, A. Histace, P. Duvaut 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 C. Fouquet, A. Histace, P. Duvaut 3 Soutenance de thèse

Présentation de TRAPIL (1) 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. C. Fouquet, A. Histace, P. Duvaut 4 Soutenance de thèse

Présentation de TRAPIL (2) READ_fault Présentation de TRAPIL (2) TRAPIL en chiffres Capital : 13 240 800 € Chiffre d’affaire : 154 094 000 € Plus de 750 employés 4700 km de canalisations 160 Installations de pompage Actionnaire majoritaire : Total avec 35.5% du capital 850 000 m3 de stockage C. Fouquet, A. Histace, P. Duvaut 5 Soutenance de thèse

C. Fouquet, A. Histace, P. Duvaut 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 C. Fouquet, A. Histace, P. Duvaut 6 Soutenance de thèse

Problématique de thèse (1) 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. 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 1.5mm ou tous les 3mm selon la configuration C. Fouquet, A. Histace, P. Duvaut 7 Soutenance de thèse

Problématique de thèse (2) 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 (T1) et entre la surface interne et la surface externe (T2). Ce temps de parcours peut facilement être transformé en distance en connaissant les vitesses de parcours d’onde dans le fluide (T1) et dans le métal (T2) Une cartographie d’ épaisseur du pipeline peut alors être constituée C. Fouquet, A. Histace, P. Duvaut 8 Soutenance de thèse

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

C. Fouquet, A. Histace, P. Duvaut 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 1.5mm, une résolution circonférentielle de 256 sondes sur un pipe de 10 km, le nombre de pixels à analyser est de 1.7 Milliards ! Il s’agit d’un travail fastidieux (~ quatre semaines / homme pour 30 km) pouvant grandement bénéficier de méthodes d’automatisation C. Fouquet, A. Histace, P. Duvaut 10 Soutenance de thèse

Problématique de thèse (5) 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 C. Fouquet, A. Histace, P. Duvaut 11 Soutenance de thèse

C. Fouquet, A. Histace, P. Duvaut 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 C. Fouquet, A. Histace, P. Duvaut 12 Soutenance de thèse

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 & R.K. Warriner. Focused, phased-array oplane piston and spherically-shaped concave pistion transducers : Comparison for the same aperture and focal point, 2011 C. Fouquet, A. Histace, P. Duvaut 13 Soutenance de thèse

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 [7] H.I. Shafeek & E.S. Gadelmawla. Automatic inspection of gas pipeline welding defects using an expert vision system. 2004 C. Fouquet, A. Histace, P. Duvaut 14 Soutenance de thèse

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 C. Fouquet, A. Histace, P. Duvaut 15 Soutenance de thèse

C. Fouquet, A. Histace, P. Duvaut 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 C. Fouquet, A. Histace, P. Duvaut 16 Soutenance de thèse

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 Il est nécessaire de segmenter le pipe en tubes afin de se placer dans un contexte de détection cohérent C. Fouquet, A. Histace, P. Duvaut 17 Soutenance de thèse

C. Fouquet, A. Histace, P. Duvaut 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 C. Fouquet, A. Histace, P. Duvaut 18 Soutenance de thèse

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 Solution : s’appuyer sur l’hypothèse forte de circonférentialité des soudures d’aboutage C. Fouquet, A. Histace, P. Duvaut 19 Soutenance de thèse

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

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

READ_fault Détection de soudures d’aboutage (6) Ligne de test. Pondération optimale RWL=10 Ligne de test. Pipeline de 12km 1670 Soudures 268 Risques de FA Moyennage arithmétique RWL=0 Méthode de référence REF Performances RW supérieures RW10 atteind des performances parfaites : Pas de soudures ratées Pas de fausses alarmes RW permet d’économiser 30% de temps d’execution vis à vis de la méthode de référence Probabilité de bonne détection La pondération optimale réduit drastiquement les erreurs Probabilité de fausse alarme C. Fouquet, A. Histace, P. Duvaut 22 Soutenance de thèse

C. Fouquet, A. Histace, P. Duvaut READ_fault Détection de soudures d’aboutage (7) Conclusion 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. Du fait de son exécution rapide et du peu de retouches manuelles nécessaires, elle a permis aux analyste un gain de temps non négligeable. C. Fouquet, A. Histace, P. Duvaut 23 Soutenance de thèse

C. Fouquet, A. Histace, P. Duvaut 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 C. Fouquet, A. Histace, P. Duvaut 24 Soutenance de thèse

C. Fouquet, A. Histace, P. Duvaut 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 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 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 C. Fouquet, A. Histace, P. Duvaut 25 Soutenance de thèse

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

C. Fouquet, A. Histace, P. Duvaut 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 Modélisation de l’histogramme par un mélange de 3 gaussiennes (EM) C. Fouquet, A. Histace, P. Duvaut 27 Soutenance de thèse

Analyse de la gaussienne de défaut 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-3G X : valeur d’épaisseur Histogramme de sous image L = 1 Détermination de la référence Modélisation par EM-3G Split de l’image (L = L+1) L > 1 ρσ   Analyse de la gaussienne de défaut Si défaut mal encadré Si défaut bien encadré ou taille minimale atteinte ∆μ Si aucun défaut détecté Séparatrice de décision (ad-hoc sur 500 données) Rejet Fusion des zones d’intérêt Zones d’intérêt encadrées C. Fouquet, A. Histace, P. Duvaut 28 Soutenance de thèse

Pourcentage de pixels éliminés 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 89.6% 93.4% Clusters renvoyés 52.000 186.000 Pourcentage de pixels éliminés 93.6% 74.4% C. Fouquet, A. Histace, P. Duvaut 29 Soutenance de thèse

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

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 (11km) étant traitée en environ 2h à l’aide des ordinateurs dont les analystes sont équipés (24 cœurs cadencés à 3.0Ghz) 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 C. Fouquet, A. Histace, P. Duvaut 31 Soutenance de thèse

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

C. Fouquet, A. Histace, P. Duvaut 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 C. Fouquet, A. Histace, P. Duvaut 33 Soutenance de thèse

C. Fouquet, A. Histace, P. Duvaut 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 : Corrosion Délaminage Sous épaisseur Enfoncement Non défaut C. Fouquet, A. Histace, P. Duvaut 34 Soutenance de thèse

C. Fouquet, A. Histace, P. Duvaut 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 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) C. Fouquet, A. Histace, P. Duvaut 35 Soutenance de thèse

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 C. Fouquet, A. Histace, P. Duvaut 36 Soutenance de thèse

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 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 C. Fouquet, A. Histace, P. Duvaut 37 Soutenance de thèse

Au total par imagette, un vecteur de 36 paramètres est extrait 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 des 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 38 Soutenance de thèse

READ_fault Identification des zones d’intérêt (6) Extraction de caractéristiques : La sélection des caractéristiques utilisées a été faite en deux temps : 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 C. Fouquet, A. Histace, P. Duvaut 39 Soutenance de thèse

C. Fouquet, A. Histace, P. Duvaut 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. 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 MultiCouche, 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 C. Fouquet, A. Histace, P. Duvaut 40 Soutenance de thèse

C. Fouquet, A. Histace, P. Duvaut 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 : Volume très important des données à traitées Aspect multi-classe de la réponse attendue Interprétabilité plus immédiate de la décision Rq : Cependant, nous avons réalisé nos tests sur les trois classifieurs à titre de comparaison C. Fouquet, A. Histace, P. Duvaut 41 Soutenance de thèse

C. Fouquet, A. Histace, P. Duvaut 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. C2 > b ? a non oui b Caractéristique 2 x x C1 > a ? x x c oui non x x x x C2 > c ? a Caractéristique 1 non oui x C. Fouquet, A. Histace, P. Duvaut 42 Soutenance de thèse

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

C. Fouquet, A. Histace, P. Duvaut 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. 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). C. Fouquet, A. Histace, P. Duvaut 44 Soutenance de thèse

C. Fouquet, A. Histace, P. Duvaut 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. C. Fouquet, A. Histace, P. Duvaut 45 Soutenance de thèse

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

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

C. Fouquet, A. Histace, P. Duvaut 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. C. Fouquet, A. Histace, P. Duvaut 48 Soutenance de thèse

C. Fouquet, A. Histace, P. Duvaut 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 C. Fouquet, A. Histace, P. Duvaut 49 Soutenance de thèse

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

C. Fouquet, A. Histace, P. Duvaut 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 (T2), mais les autres sources de données fournies par le racleur (notamment la distance racleur-paroi interne, T1) 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 bio-inspirées; « imiter » le comportement de l’œil des analystes pourrait fournir de nouvelles pistes. C. Fouquet, A. Histace, P. Duvaut 51 Soutenance de thèse

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

C. Fouquet, A. Histace, P. Duvaut 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) C. Fouquet, A. Histace, P. Duvaut 53 Soutenance de thèse

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

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

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

C. Fouquet, A. Histace, P. Duvaut 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) : C. Fouquet, A. Histace, P. Duvaut 57 Soutenance de thèse

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

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

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