Suivez

la liste

L'utilisation de l'imagerie 3D afin d'analyser les microstructures de matériaux hétérogènes tels que les composites tissés 3D ou les agrégats polycristallins connait un franc succès depuis quelques années. Les images tomographiques de ces matériaux nous renseignent sur leur architecture interne, la présence éventuelle de défauts et sur leur évolution lors d'une sollicitation mécanique ou d'un vieillissement. Ces images sont précieuses pour comprendre les performances des matériaux en conditions d'usage et ainsi pouvoir améliorer leur formulation ou leur procédé de fabrication.
En outre, des modélisations par éléments finis ou par transformée de Fourier basées sur ces images sont potentiellement très riches pour alimenter la compréhension du comportement et des modes d'endommagement du matériau. Pour pouvoir construire ces modèles, des étapes de traitement d'image sont nécessaires, en particulier pour
pouvoir extraire les contours des objets ou des phases dans le matériau par segmentation puis labellisation. Ces étapes peuvent être effectuées à l'aide d'outils de filtrage, de transformation, de morphologie mathématiques ... ou même parfois manuellement. Dans tous les cas, les performances de ces approches sont limitées et souvent chronophages. La mise à profit d'un algorithme d'apprentissage qui sélectionnerait lui-même les critères de segmentation des images sur la base d'une bibliothèque d'objets labellisés offre une perspective séduisante. La proposition est d’utiliser les innovations développées dans le cadre des algorithmes d’apprentissage automatique pour rendre plus robuste l'étape de segmentation (basée actuellement sur notamment un calcul de descripteur). Il s'agira de substituer la partie modélisation (liée au calcul des caractéristiques) par une extraction automatique de descripteurs pertinents suivant une approche dite Deep-Learning.