Data-Driven Automated Identification of Optimal Feature-Representative Images in Infrared Thermography Using Statistical and Morphological Metrics

Cet article propose une méthode automatisée et sans connaissance préalable pour identifier les images représentatives de défauts dans les données de thermographie infrarouge en utilisant trois métriques statistiques et morphologiques complémentaires, validée expérimentalement sur des matériaux composites.

L'essentiel

Imaginez que vous êtes un médecin qui doit examiner un patient (une pièce en fibre de carbone, comme celles utilisées dans les avions) pour détecter une petite fracture cachée sous la peau.

1. Le Problème : Trop d'images, pas assez de temps

Lorsqu'on utilise la thermographie infrarouge (une caméra thermique très puissante), on ne prend pas juste une photo. On enregistre une vidéo (une séquence d'images) pendant que la pièce chauffe et refroidit.

• L'analogie : C'est comme si vous regardiez une vidéo d'un gâteau qui refroidit. Au début, tout est chaud. Puis, les zones avec des fissures (les défauts) gardent la chaleur un peu plus longtemps que le reste.
• Le souci : Dans cette vidéo de 1000 images, il y a un moment précis où la fissure est la plus visible. À un autre moment, elle est invisible. Le problème, c'est que les méthodes actuelles pour trouver ce "moment parfait" demandent souvent de savoir exactement où est la fissure avant de commencer. C'est comme demander au médecin : "Où est la fracture ?" avant de pouvoir l'examiner. Si on ne le sait pas, on est bloqué.

2. La Solution : Un détective mathématique automatique

Les auteurs de ce papier ont créé un nouveau système, un peu comme un détective automatique qui regarde la vidéo image par image et dit : "Hé, celle-ci est intéressante !" sans avoir besoin de savoir où chercher.

Ils utilisent trois outils (des "métriques") pour juger de la qualité de chaque image :

Outil 1 : L'Index d'Homogénéité (HI) – Le "Test de l'Uniformité"

Imaginez que vous mélangez du sucre et du sel dans un bol.

• Si c'est bien mélangé (homogène), chaque cuillère que vous prenez a le même goût.
• S'il y a un tas de sel au fond (un défaut), certaines cuillères seront très salées et d'autres pas du tout.
• Le détective : Cet outil regarde chaque image et se demande : "Est-ce que la chaleur est répartie uniformément ?" Si l'image est "brouillée" ou inégale, c'est qu'il y a probablement un défaut caché qui perturbe la chaleur.

Outil 2 : La Zone Élémentaire Représentative (REA) – Le "Test de la Taille de la Loupe"

Imaginez que vous essayez de décrire une forêt en regardant à travers une petite fenêtre.

• Si la fenêtre est trop petite, vous ne voyez qu'une feuille.
• Si elle est trop grande, vous voyez tout, mais vous ne voyez plus les détails.
• Il existe une taille de fenêtre "parfaite" où vous commencez à voir la structure de la forêt (les arbres, les clairières) sans être submergé.
• Le détective : Cet outil essaie différentes tailles de "fenêtres" sur l'image. Il cherche la taille où l'image devient stable et cohérente. Si une image contient un défaut, cette "taille parfaite" change de manière étrange, ce qui signale au détective : "Attention, il y a quelque chose ici !"

Outil 3 : L'Énergie de Variation Totale (TVE) – Le "Test de la Topographie"

Imaginez que vous promenez un petit robot sur le sol de l'image.

• Si le sol est plat (pas de défaut), le robot marche tout droit.
• Si le sol est vallonné (il y a un défaut), le robot doit monter et descendre constamment.
• Le détective : Cet outil mesure à quel point le "terrain" de l'image est accidenté. Plus l'image est "vallonnée" (pleine de variations locales), plus l'énergie est élevée. C'est très sensible aux petits défauts et très résistant au bruit de fond (comme si le robot ignorait les petits cailloux pour ne voir que les collines).

3. L'Expérience : Le Test en Laboratoire

Les chercheurs ont pris une plaque de carbone (comme dans un avion) avec six fausses fissures cachées à différentes profondeurs (de très superficielles à très profondes).

Ils ont chauffé la plaque et enregistré la vidéo. Ensuite, ils ont laissé leurs trois outils mathématiques analyser la vidéo.

Les résultats ?

• Les outils ont réussi à trouver le moment exact où chaque fissure était la plus visible, sans qu'on leur ait dit où elles étaient.
• Ils ont fonctionné aussi bien que les méthodes traditionnelles (qui, elles, avaient besoin de connaître la position des fissures).
• L'outil "TVE" s'est révélé être le plus robuste, comme un bon vin qui ne tourne pas à l'aigre même s'il y a un peu de poussière (bruit) dans la bouteille.

4. Pourquoi c'est important ?

Avant, pour automatiser l'inspection des avions ou des ponts, il fallait souvent un humain pour dire : "Regarde ici, il y a un problème".
Avec cette nouvelle méthode :

1. C'est automatique : L'ordinateur regarde la vidéo et sélectionne les meilleures images tout seul.
2. C'est aveugle (dans le bon sens) : Il ne sait pas où sont les défauts, donc il ne peut pas être biaisé. Il trouve tout ce qui est anormal.
3. C'est fiable : Ils ont même comparé leurs résultats avec des simulations informatiques complexes (comme des prévisions météo pour la chaleur) et tout correspondait parfaitement.

En résumé

Ce papier propose une nouvelle façon de regarder les vidéos thermiques. Au lieu de chercher une aiguille dans une botte de foin en sachant où est l'aiguille, ils ont créé un aimant intelligent qui attire l'aiguille, peu importe où elle se cache, en analysant simplement comment la chaleur se comporte dans l'image. C'est une avancée majeure pour rendre l'inspection des matériaux plus rapide, plus sûre et totalement automatique.

Résumé technique

Titre de l'étude

Identification automatisée et pilotée par les données des images représentatives de caractéristiques dans la thermographie infrarouge (TIR) à l'aide de métriques statistiques et morphologiques.

1. Problématique

La thermographie infrarouge (IRT) est une technique de contrôle non destructif (CND) largement utilisée pour détecter des défauts sous-superficiels dans les matériaux composites. Cependant, les méthodes de post-traitement des données IRT (comme la thermographie à impulsion de phase - PPT, ou la reconstruction du signal thermographique - TSR) génèrent généralement de grandes séquences d'images (dans le domaine temporel, fréquentiel ou des coefficients).

• Le défi principal : La visibilité des défauts varie considérablement au sein de ces séquences. Identifier manuellement l'image offrant le meilleur contraste de défaut est une tâche non triviale et critique.
• Limites des approches actuelles : Les métriques d'évaluation conventionnelles, telles que le rapport signal-sur-bruit (SNR) ou le critère de Tanimoto (TC), nécessitent souvent une connaissance a priori de la position du défaut ou la sélection manuelle d'une région de référence exempte de défauts. Cela limite leur applicabilité pour des analyses automatisées, non supervisées et dans des scénarios réels où la localisation des défauts est inconnue.

2. Méthodologie proposée

Les auteurs proposent une méthodologie pilotée par les données (data-driven) et non supervisée pour identifier automatiquement les images les plus représentatives des défauts, sans aucune information préalable sur leur position spatiale.

L'approche repose sur trois métriques complémentaires calculées sur chaque image de la séquence :

1. Indice d'Homogénéité du Mélange (HI - Homogeneity Index of Mixture) :

   • Concept : Quantifie l'hétérogénéité statistique en mesurant les écarts entre les distributions d'intensité locales et une distribution de référence globale.
   • Fonctionnement : L'image est divisée en cellules (macropixels). La variance des probabilités de bins d'intensité entre ces cellules est calculée. Une image parfaitement homogène a un HI de 0. Les défauts, créant des hétérogénéités locales, augmentent cette valeur.

2. Zone Élémentaire Représentative (REA - Representative Elementary Area) :

   • Concept : Adaptation du concept de Volume Élémentaire Représentatif (REV) utilisé en mécanique des milieux poreux, appliqué ici aux images 2D via des fonctionnelles de Minkowski.
   • Fonctionnement : L'image est segmentée en phases. Des fenêtres de tailles variables sont échantillonnées (statistiquement, par tirage aléatoire) pour calculer les fonctionnelles de Minkowski (aire, périmètre, caractéristique d'Euler). La REA est la taille de fenêtre à partir de laquelle les mesures morphologiques convergent, indiquant la taille caractéristique de l'hétérogénéité.

3. Indice d'Énergie de Variation Totale Géométrique-Topologique (TVE - Total Variation Energy) :

   • Concept : Un indice consolidé basé sur les mêmes fonctionnelles de Minkowski, conçu pour être plus sensible aux anomalies localisées.
   • Fonctionnement : Il calcule la variation totale de l'indice topologique-géométrique (TGI) en fonction de la taille de la fenêtre. Il est conçu pour converger vers zéro dans les zones homogènes (bruit de fond) et présenter des pics marqués là où des anomalies existent.

Validation expérimentale et théorique :

• Échantillon : Une plaque en composite à fibres de carbone (CFRP) contenant six défauts artificiels (feuilles FEP) à des profondeurs variant de 0,135 mm à 0,810 mm.
• Expérience : Thermographie par impulsion (Pulse Heating) avec deux lampes xénon. Acquisition de séquences thermographiques.
• Simulation : Comparaison avec un modèle thermique analytique à N-couches (NLM) en 1D pour valider les résultats théoriques.

3. Contributions Clés

• Automatisation complète : Développement d'un cadre permettant de classer les images d'une séquence IRT selon leur probabilité de contenir un défaut, sans intervention humaine ni connaissance préalable de la géométrie du défaut.
• Nouvelles métriques morphologiques : Introduction et adaptation des concepts de REV et de fonctionnelles de Minkowski (REA et TVE) spécifiquement pour l'analyse de séquences thermographiques.
• Stratégie d'échantillonnage robuste : Démonstration qu'une stratégie d'échantillonnage de fenêtres aléatoire (statistique) est supérieure à une grille rigide (déterministe) pour le calcul des REA et TVE, tout en permettant de réduire le nombre d'échantillons nécessaires (NOS) pour une convergence stable, optimisant ainsi le temps de calcul.
• Validation croisée : Corrélation réussie entre les résultats expérimentaux, les métriques proposées et les simulations théoriques (modèle N-couches).

4. Résultats

• Performance des métriques : Les métriques proposées (HI, REA, TVE) reproduisent qualitativement le comportement des métriques de référence (SNR, TC). Elles identifient correctement les indices (temps ou fréquence) où le contraste du défaut est maximal (pics locaux ou globaux).
• Comportement du TVE : Le TVE se distingue par une robustesse exceptionnelle. Dans les zones à faible détectabilité (bruit de fond), il converge vers des valeurs proches de zéro avec une linéarité marquée, contrairement au HI et à la REA qui présentent un bruit plus élevé. Cela en fait un indicateur très fiable pour distinguer le signal du bruit.
• Corrélation avec la théorie : Les courbes HI en fonction de la fréquence (issues des données PPT) montrent une forte corrélation qualitative avec les courbes de contraste simulées basées sur la longueur de diffusion thermique.
  • Les pics de contraste se situent tous autour de 0,1 Hz.
  • La largeur des pics diminue et la pente augmente pour les défauts plus profonds (de ROI 1 à ROI 6).
  • Un point de transition ("knee point") correspondant à une fréquence aveugle (blind frequency) est observé à la fois dans les données expérimentales et simulées.
• Efficacité computationnelle : Bien que le calcul du HI soit le plus rapide, les auteurs montrent que l'optimisation de l'échantillonnage aléatoire permet de réduire considérablement le temps de calcul pour les métriques REA et TVE sans sacrifier la qualité des résultats.

5. Signification et Impact

Cette étude représente une avancée significative pour l'automatisation du contrôle non destructif par thermographie infrarouge.

• Indépendance vis-à-vis de l'opérateur : En éliminant le besoin de connaître la position des défauts ou de sélectionner manuellement des zones de référence, la méthode rend l'analyse IRT applicable à des inspections à grande échelle et à des scénarios où les défauts sont inconnus.
• Robustesse : La capacité du TVE à résister au bruit de fond améliore la fiabilité de la détection dans des conditions réelles souvent imparfaites (chauffage non uniforme, bruit de capteur).
• Généralisabilité : Le cadre proposé n'est pas limité aux composites CFRP ou à la méthode PPT ; il peut être étendu à d'autres matériaux, schémas d'excitation thermique et méthodes d'imagerie.
• Validation physique : La corrélation avec les modèles thermiques théoriques renforce la crédibilité physique des métriques proposées, passant d'une approche purement empirique à une méthode ancrée dans la physique du transfert de chaleur.

En conclusion, les auteurs fournissent un système robuste, automatisé et efficace pour le tri et la quantification des anomalies dans les séquences de données thermographiques, facilitant ainsi la prise de décision dans l'industrie aérospatiale et les matériaux composites.