Ouvrir cette fenêtre en pleine page
  • Imprimer
  • Partager
    • Courriel
    • Twitter
    • Facebook
    • del.icio.us
    • Viadeo
    • LinkedIn

Approches avancées en apprentissage profond pour le diagnostic des câbles et l’analyse d’images radar GPR

(Document en Français)

Accès au(x) document(s)

Modalités de diffusion de la thèse :
  • Thèse consultable sur internet, en texte intégral.
  • Accéder au(x) document(s) :
    • https://aurore.unilim.fr/theses/nxfile/default/d8d3e64d-f918-4ff6-bfac-72846f235fa5/blobholder:0/2023LIMO0065.pdf
    • https://www.theses.fr/2023LIMO0065/abes
    • https://theses.hal.science/tel-04431535
    Ce document est protégé en vertu du Code de la Propriété Intellectuelle.

Informations sur les contributeurs

Auteur
El karakhi Soukayna
Date de soutenance
11-12-2023

Directeur(s) de thèse
Reineix Alain - Guiffaut Christophe
Président du jury
Bendhia Sonia
Rapporteurs
Pichon Lionel - Boyer Alexandre
Membres du jury
Bendhia Sonia - Pichon Lionel - Boyer Alexandre

Laboratoire
XLIM - UMR CNRS 7252
Ecole doctorale
École doctorale Sciences et Ingénierie (Limoges ; 2022-)
Etablissement de soutenance
Limoges

Informations générales

Discipline
Sciences et ingénierie pour l’information
Classification
Sciences de l'ingénieur

Mots-clés libres
Diagnostic filaire complexe, Défaut non franc, Réflectométrie dans le domaine temporel, Réflectométrie distribuée, Radar à pénétration de sol, Apprentissage profond, Réseaux de neurones convolutifs
Mots-clés
Lignes électriques souterraines -- Défauts -- Localisation,
Objets enfouis -- Détection,
Spectroscopie de réflectance,
Réseaux neuronaux (informatique)
Résumé :

Au cours des dernières années, les méthodes d’apprentissage profond, ou "Deep Learning", ont significativement évolué et trouvé des applications dans divers domaines. Ce travail de thèse explore son applicabilité dans deux domaines spécifiques de la physique : la réflectométrie pour l’identification de défauts le long des réseaux de câblages, et la détection d’objets enterrés à l’aide du radar à sondage de sol (GPR) grâce à des techniques non destructives. Les câbles, éléments critiques dans les systèmes électroniques, peuvent présenter des défaillances, représentant ainsi un risque potentiel dans des secteurs sensibles comme l’aéronautique. L’utilisation de la réflectométrie, une technique exploitant les signaux réfléchis après envoi d’un signal dans le câble, est vitale pour détecter et gérer des anomalies naissantes. L’intégration de réseaux de neurones profonds, incluant des modèles à multi-perceptrons et convolutionnels, a démontré son efficacité pour localiser et caractériser précisément les défauts. Au cours de cette thèse, nous avons mis en lumière l’influence des hyperparamètres sur la précision du modèle construit. Dans le domaine des radars GPR, une antenne émettrice génère des impulsions électromagnétiques pour illuminer des cibles situées dans le sous-sol. Le traitement des signaux réfléchis lors du déplacement du récepteur permet de construire une image, appelée B-scan, qui affiche des hyperboles fournissant des informations sur la localisation et la nature du tuyau. Grâce à la mise en œuvre de réseaux neuronaux profonds tels que VGG-16, ResNet-50, et des CNN, adaptés à partir d’une base de données synthétiques, un modèle de classification multi-labels a été développé. Celui-ci permet une extraction instantanée des caractéristiques du sol et des tuyaux (diamètre, type de tuyau), améliorant significativement l’efficacité de la détection et de l’analyse. Un réglage rigoureux des hyperparamètres s’est avéré nécessaire.

Informations techniques

Type de contenu
Text
Format
PDF

Informations complémentaires

Entrepôt d'origine
STAR : dépôt national des thèses électroniques françaises
Identifiant
2023LIMO0065
Numéro national
2023LIMO0065

Pour citer cette thèse

El karakhi Soukayna, Approches avancées en apprentissage profond pour le diagnostic des câbles et l’analyse d’images radar GPR, thèse de doctorat, Limoges, Université de Limoges, 2023. Disponible sur https://aurore.unilim.fr/ori-oai-search/notice/view/2023LIMO0065