129 These PDF

UNIVERSITE DE BOURGOGNE UFR SCIENCES ET TECHNIQUES
THESE
présentée par
BOLLAND Patrice
pour obtenir le grade de
DOCTEUR DE L'UNIVERSITE
TRAITEMENT D'IMAGES ULTRASONORES:

ETUDE ET APPLICATION DE LA
TRANSFORMATION DE HOUGH AUX ECHOS
DE DIFFRACTION
Soutenue le 17 décembre 1999
Jury :
Alain DIOU Professeur Président du jury

Patrick GORRIA Professeur Directeur de thèse
Lew LEW YAN VOON Maître de conférences Encadrant
Rachid BENSLIMANE Professeur Rapporteur
Michel ROUSSEL Professeur Rapporteur
Bruno GREMILLET Ingénieur Examinateur
Remerciements
Remerciements
Je remercie Monsieur F. TRUCHETET, Professeur, directeur du Laboratoire L.E.2.I. et

Monsieur P. GORRIA, directeur du site du Creusot, de m'avoir accueilli au sein du
Laboratoire L.E.2.I..
Je remercie mon directeur de thèse, Monsieur P. GORRIA, et Monsieur L. LEW YAN

VOON, pour m'avoir encadré pendant ces années. Je les remercie pour leurs précieux
conseils, pour l'intérêt qu'ils ont porté à mon travail, leur disponibilité et leur patience.
Que Monsieur M. ROUSSEL, Professeur à l'I.U.T. de Troyes, Université de Reims

Champagne Ardennes, et Monsieur R. BENSLIMANE, Professeur à l'Ecole Supérieure de
Technologie de Fès, au Maroc, acceptent mes sincères remerciements pour avoir accepté le
travail de rapporteurs.
Je remercie également Monsieur A. DIOU, Président du Jury, et Monsieur

B. GREMILLET d'avoir accepté de faire partie de ce jury.
Je remercie le Conseil Régional de Bourgogne, et l'entreprise Framatome pour le

financement de cette thèse, ainsi que Monsieur J. PORTRAT de Bourgognes Technologies.
J'exprime toute ma reconnaissance aux membres du laboratoire L.E.2.I., pour leur

accueil, et l'ambiance agréable qu'ils font régner au sein de ce laboratoire.
Une pensée particulière pour Eric, Christelle, Nathalie, Dominique et Marie-Pierre qui
m'ont apporté un important soutien technique et moral tout au long de ce travail.
Que tout ceux qui ont participé, directement ou indirectement, au bon déroulement de
mon travail, trouvent ici l'expression de ma reconnaissance.
Enfin, j'adresse des remerciements particuliers à mes proches, pour leur présence, leur
soutien, et leurs encouragements permanents.
i
Résumé
Résumé
Cette thèse, réalisée au laboratoire L.E.2.I. est consacrée à une étude de détection,
caractérisation et localisation de défauts en imagerie ultrasonore tridimensionnelle.
Nous introduisons dans la première partie le contrôle non destructif par ultrasons de
pièces métalliques pour l'industrie nucléaire. Nous décrivons les techniques existantes
utilisées pour détecter et caractériser les défauts et les principes d'acquisition ultrasonore.
Nous détaillons plus particulièrement la technique d'acquisition "Time Of Flight Diffraction"
(T.O.F.D.) basée sur une exploitation des ondes diffractées par les extrémités de fissures.
La seconde partie présente le problème de la reconnaissance de formes et de courbes en

traitement d'images. Une approche particulière basée sur la recherche de formes paramétrées
dans une image est présentée: la transformation de Hough. Une application à la recherche
d'alignements de points est proposée, mettant en évidence les intérêts et les difficultés de cette
méthode.
Une exploitation originale de cette transformation est ensuite développée dans la

troisième partie. Une modélisation des arcs de diffraction par un nombre de paramètres réduit
est réalisée. Le fort gradient présent le long des arcs de diffraction est mis en évidence par
une technique de filtrage optimal. Ce gradient est alors intégré dans la construction de
l'espace des paramètres.
La dernière partie présente une approche tridimensionnelle exploitant le contour et la

forme tridimensionnels du défaut. Une exploitation de la variation des intensités des pixels
constituant l'arc de diffraction tridimensionnel permet la construction de l'espace des
paramètres. Une généralisation à l'espace tridimensionnel de l'approche développée au
chapitre trois est également présentée. La combinaison de ces deux concepts a permis la mise
au point d'un opérateur de reconnaissance de formes global montrant l'intérêt de l'approche
tridimensionnelle en contrôle non destructif ultrasonore.
Nous présentons pour les deux approches décrites aux chapitres trois et quatre, une
validation sur d'importants jeux de test issus d'une application industrielle. Nous avons ainsi
ii
Résumé
pu développer un système de détection de fissures dans les élément métalliques du circuit

primaire de centrales nucléaires pour la société Framatome.
Mots clés: Traitement tridimensionnel, contrôle non destructif, imagerie ultrasonore, vision
artificielle, reconnaissance de formes, transformation de Hough.
iii
Abstract
Abstract
This thesis, done at the laboratory L.E.2.I., is dedicated to the study of defect detection,
characterization and localization from three dimensional ultrasound images.
We present in the first part the nondestructive inspection by ultrasounds of metallic

structures for the nuclear industry. We describe the existing techniques used for detecting and
characterizing the defects and the principles of ultrasound data acquisition. We next give a
more detailed description of the Time Of Flight Diffraction (T.O.F.D.) technique which is
based on the exploitation of the ultrasound waves diffracted by the tips of crack defects.
The second part presents the problem of pattern recognition in image processing. A
particular approach based on the search of parametric curves in an image is described: the
Hough Transform. An application of this method to the detection of points aligned on a
straight line is proposed showing the interests and difficulties of the method.
An original exploitation of the Hough Transform on two dimensional ultrasound images

is presented in the third part. The diffraction arcs searched for in the images are modeled by a
reduced set of parameters. The high gradient value along these arcs are determined by an
optimal filtering technique. This gradient value is used in the computation of the Hough
space.
The last part deals with a three dimensional approach of the Hough Transform which
exploits the contour and the three dimensional shape of the diffraction arcs. A study of the
variation of the intensity of the pixels belonging to the three dimensional diffraction arcs is
done. This intensity information is used to compute the Hough space for the three
dimensional image. The generalization of the approach developed in chapter three to three
dimensional images is also presented. The combination of the two concepts has allowed the
development of a global pattern recognition operator, showing the interest of a three
dimensional approach in nondestructive inspection by ultrasounds.
The two approaches (two and three dimensional) have been validated on an important
set of test images resulting from an industrial application. Finally, we have developed a
iv
Abstract
software tool for detecting crack defects in metallic structures used in the primary circuit of
nuclear plants for the company Framatome.
Key words: Three dimensional image processing, non destructive testing, ultrasonic imaging,
artificial vision, pattern recognition, Hough transform.
v
Table des matières
Table des matières
Introduction.
Introduction. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
Chapitre 1
Contrôle non destructif ultrasonore . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.1 Principes des acquisitions ultrasonores.........................................................................8
1.2 Modes de représentation ...............................................................................................9
1.2.1 Signal A-Scan...........................................................................................................9
1.2.2 Cartographies B-Scan.............................................................................................11
1.2.3 Cartographies C-Scan.............................................................................................11
1.2.4 Cartographies D-Scan ............................................................................................12
1.3 Les techniques de contrôles ultrasonores....................................................................12
1.3.1 Dimensionnement à –6 dB .....................................................................................13
1.3.2 Méthode "Distance Gain Size"...............................................................................13
1.3.3 Inconvénients des techniques basées sur la réflexion ............................................14
1.4 Time Of Flight Diffraction..........................................................................................14
1.4.1 Principes de la technique T.O.F.D. ........................................................................14
1.4.2 Modélisation des échos de diffraction dans un plan B-Scan..................................15
1.5 Exploitation des acquisitions T.O.F.D. .......................................................................19
1.5.1 Amélioration du modèle théorique .........................................................................19
1.5.2 Comparaison entre le modèle théorique et l'arc de diffraction réel .......................21
1.5.3 Détection et localisation du défaut .........................................................................22
1.6 Conclusion ..................................................................................................................23
Chapitre 2
Transformation de Hough.
Hough. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2 6
2.1 Reconnaissance de courbes et de formes ....................................................................26
2.2 La transformation de Hough .......................................................................................28
2.2.1 Définition générale de la transformation de Hough...............................................30
2.2.2 Transformation de m à 1 ........................................................................................30
2.2.3 Transformation de 1 à m ........................................................................................31
2.2.4 Interprétation de la transformation de Hough ........................................................31
2.3 Application à la détection de droites ou d'alignements de points ...............................32
2.3.1 Représentations d'une droite ..................................................................................32
2.3.2 Application de la transformation de Hough avec une représentation
cartésienne ..............................................................................................................33
polaire .....................................................................................................................35
2.4 Conclusion ..................................................................................................................36
vi
Table des matières
Chapitre 3
Application de la transformation de Hough aux images ultrasonores
B -S c a n . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 9
3.1 Définition du problème en terme de traitement d'images ...........................................39
3.2 Mise en œuvre de la transfo rmation de Hough...........................................................40
3.2.1 Définition du modèle mathématique et de l'espace des paramètres .......................40
3.2.2 Optimisation de l'espace des paramètres ................................................................42
3.2.3 Origine temporelle des acquisitions .......................................................................46
3.2.4 Bornes de l'espace des paramètres .........................................................................47
3.2.5 Prétraitement nécessaire à la transformation de Hough.........................................47
3.2.6 Mise en œuvre pratique de la transformation de Hough ........................................48
3.2.7 Quelques résultats de la transformation de Hough avec une accumulation
de l'intensité............................................................................................................50
3.3 Traitement des effets de bords ....................................................................................51
3.3.1 Explication des effets de bords...............................................................................51
3.3.2 Compensation des effets de bords ..........................................................................52
3.3.3 Mise en œuvre pratique de la transformation de Hough avec
normalisation..........................................................................................................52
3.3.4 Quelques résultats de la transformation de Hough avec normalisation.................53
3.4 Phase de décision........................................................................................................54
3.5 Evaluation de la transformation de Hough avec normalisation..................................55
3.6 Amélioration de l’algorithme......................................................................................56
3.6.1 Intégration du gradient dans la construction de l’espace des paramètres ..............56
3.6.2 Extraction des pixels situés sur la normale ............................................................58
3.6.2.1 Algorithme d'extraction des pixels appartenant à la normale............................58
3.6.2.2 Relevé des profils de normales à l'arc de diffraction.........................................60
3.6.3 Filtrage optimal et détection de contours ...............................................................61
3.6.3.1 Méthodes dérivatives .........................................................................................63
3.6.3.2 Filtrage de Canny-Deriche ................................................................................64
3.6.3.3 Filtrage de Shen et Castan.................................................................................65
3.6.3.4 Comparaison des deux méthodes ......................................................................66
3.6.3.5 Caractéristiques des filtres de Canny-Deriche et de Shen et Castan mis
en œuvre ............................................................................................................67
3.6.4 Mise en œuvre de la transformation de Hough avec calcul du gradient ................68
3.6.5 Résultats de la transformation de Hough avec calcul du gradient .........................68
3.7 Conclusion ..................................................................................................................70
Chapitre 4
Applica t i o n d e l a T r a n s f o r m a t i o n d e H o u g h a u x a c q u i s i t i o n s
ultrasonores multidimensionnelles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 2
4.1 Transformation de Hough tridimensionnelle ..............................................................73
4.1.1 Modèle de la forme tridimensionnelle, espace des paramètres ..............................73
4.1.2 Exploitation de l'arc de diffraction tridimensionnel...............................................74
4.1.2.1 Observation des pixels au centre de l'arc de diffraction....................................74
4.1.2.2 Extraction des pixels appartenant à l'arc de diffraction.....................................75
vii
Table des matières
4.1.2.3 Approximation polynomiale du profil des intensités relevées ..........................79

4.1.3 Fonction caractéristique de la transformation de Hough .......................................81
4.1.4 Mise en œuvre de la transformation de Hough ......................................................82
4.1.5 Fichiers d’évaluation..............................................................................................83
4.1.6 Test de la transformation de Hough tridimensionnel.............................................83
4.1.7 Suppression des maxima dus au bruit dans l'espace des paramètres .....................84
4.2 Combinaison des traitements tridimensionnel et bidimensionnel ..............................86
4.3 Evaluation de l'amélioration apportée par le traitement tridimensionnel ...................87
4.3.1 Evaluation par la dynamique des arcs....................................................................88
4.3.1.1 Limite de fonctionnement du traitement bidimensionnel..................................88
4.3.1.2 Limite de fonctionnement du traitement tridimensionnel .................................89
4.3.2 Evaluation par le taux de morcellement des arcs ...................................................89
4.3.2.1 Limite de fonctionnement du traitement bidimensionnel..................................90
4.3.2.2 Limite de fonctionnement du traitement tridimensionnel .................................90
4.3.3 Comparaison quantitative des résultats des traitements .........................................91
4.4 Conclusion ..................................................................................................................92
Conclusion générale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 4
Bibliographie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 8
Annexe A
Jeu de test bidimensionnel.
bidimensionnel. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 0 7
Annexe B
Jeu de test tridimensionnel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 1 2
Annexe C
Résultats de la transformation de Hough sur le jeu de test
bidimensionnel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 1 7
Annexe D
Résultats de la transformation de Hough sur le jeu de test
tridimensionnel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 2 1
Annexe E
Présentation du logiciel de traitements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 2 6
viii
Introduction
Introduction
Introduction
Framatome est le premier constructeur mondial actuel de réacteurs à eau pressurisée

pour les centrales nucléaires de 900, 1000, 1300, et 1500 mégawatts. Les activités de ce
groupe industriel couvrent trois grands domaines: les appareils de mesure, la connectique, et
le nucléaire. L'établissement de Saint Marcel en Saône et Loire réalise les éléments
principaux du circuit primaire des centrales nucléaires et comporte un Centre Technique
regroupant trois sections: Soudage, Essais Polyvalents, et Essais Non Destructifs. Cette
dernière section développe en particulier des systèmes d'acquisition par ultrasons et traite des
problèmes d'analyse et d'interprétation des acquisitions ultrasonores réalisées sur des éléments
métalliques fabriqués au sein de l'entreprise.
Actuellement, les acquisitions de données ultrasonores sont réalisées de manière

automatique. Les analyses et interprétations sont effectuées, a posteriori, sur des
cartographies appelées images ultrasonores. Le but est de mettre en évidence et caractériser
des défauts dans le matériau par une recherche de propriétés caractéristiques (par exemple,
une forme particulière, une variation locale de l'intensité…). L'analyse des images
ultrasonores est effectuée manuellement par un opérateur. Celui-ci sélectionne les images à
analyser et recherche visuellement la présence de défauts. Il détermine ensuite précisément la
position et les dimensions de ces défauts.
Le traitement d'images était difficilement envisageable, il y a une quinzaine d'années,

pour analyser des données d'acquisition tridimensionnelles (temps de calcul important, faible
capacité mémoire des calculateurs, coût important…). Aujourd'hui, les énormes progrès
réalisés dans le domaine des semi-conducteurs (augmentation de la capacité des mémoires et
de la rapidité des calculateurs) et le développement considérable des algorithmes de
traitement permettent d'exploiter et interpréter des données volumiques importantes.
L'application des outils de traitement d'images prend donc une place grandissante dans
de nombreux domaines techniques et scientifiques, et en particulier, dans celui du contrôle
non destructif. Le traitement d'images est en général appliqué à des images issues de capteurs
vidéo dans le domaine du visible. Il voit aujourd'hui son champ d'applications élargi aux
2
Introduction
images dites "non naturelles" provenant de contrôle non destructif par rayons x, ultrasons, ou
magnétoscopie par exemple.
Les opérations de localisation et dimensionnement effectuées manuellement par

l'opérateur peuvent aujourd'hui être réalisées par des algorithmes et techniques de traitement
d'images ayant fait l'objet de nombreuses recherches au cours des dix dernières années.
Le travail de recherche décrit dans cette thèse vise à réunir à la fois les expériences et
compétences de Framatome dans le domaine des essais non destructifs (ultrasonores en
particulier) et celles du Laboratoire d'Electronique, Informatique et Image (L.E.2.I.) de
l'Université de Bourgogne dans celui du traitement d'images. Un projet de collaboration entre
le Centre Technique de Framatome et le L.E.2.I. a vu le jour. Ce projet a été cofinancé par le
Conseil Régional de Bourgogne.
Le L.E.2.I., issu de la fusion de plusieurs équipes de recherche de l'Université de

Bourgogne en 1996, développe de nombreuses activités de recherche dans le domaine de
l'image. Nous pouvons noter en particulier les activités liées au contrôle qualité par vision
artificielle. Le laboratoire a acquis une très grande expérience dans ce domaine comme en
témoignent les nombreuses études menées en collaboration avec des entreprises régionales
(Snecma, Vallourec Précision Soudage, Thomson, Reboul Cosmétique…) et le Conseil
Régional de Bourgogne. Ses activités regroupent le contrôle d'aspect et le contrôle
dimensionnel en temps réel sur des produits statiques ou en défilement, la modélisation de
l'éclairage, la mise au point de capteurs spécifiques et le développement d'algorithmes de
traitement d'images.
Définition du projet
Pour parvenir à une définition précise du projet de recherche, nous avons effectué un
recensement des besoins auprès des personnes concernées par le contrôle non destructif par
ultrasons à Framatome. Chacun a pu exposer ses besoins et attentes en terme de contrôle
automatisé en répondant à un questionnaire. A l'issue de ce recensement, plusieurs directives
de recherche sont apparues. En accord avec le responsable technique du projet à Framatome,
nous sommes parvenus à la définition du projet de recherche suivant.
L'objectif principal de l'étude est la mise au point d'algorithmes permettant d'interpréter

au mieux les données contenues dans une acquisition. Un contrôle ultrasonore permet
3
Introduction
d'inspecter un objet ou une matière dans son volume. Les données résultant de ce type de
contrôle sont tridimensionnelles. Elles sont constituées d'une succession d'images
représentant des plans parallèles du volume inspecté. Dans la plupart des cas, les outils
logiciels existants exploitent ces données plan par plan.
Le traitement tridimensionnel de données issues de contrôle non destructif est

aujourd'hui de plus en plus étudié. Il permet d'exploiter de nombreuses informations
contenues dans les acquisitions, non prises en compte lorsque l'on traite séparément chaque
plan. L'exploitation de ces informations augmente la robustesse des outils de contrôle et évite
des inspections multiples de la matière souvent nécessaires pour détecter la présence d'un
défaut.
Ce projet vise donc à étudier et développer des outils de traitement des données
tridimensionnelles permettant de détecter et localiser des défauts plans (fissures). La première
partie de l'étude décrit des outils traitant les plans ultrasonores séparément. La seconde partie
exploite le traitement bidimensionnel mis au point afin de réaliser un traitement
tridimensionnel des données. Les informations liant les plans entre eux sont exploitées et
combinées à celles contenues dans chaque plan. Les algorithmes réalisés utilisent pour cela
les informations basées sur la forme et le contour d'un défaut dans une image et ses plans
voisins. Une recherche de forme tridimensionnelle permet de détecter des défauts
partiellement visibles par un opérateur.
Les acquisitions ultrasonores utilisées pour l'étude sont obtenues par la technique
T.O.F.D.. Les défauts plans recherchés donnent lieu à des arcs de diffraction dans les images
ultrasonores. Un exemple est donné sur la figure 1.1.
Arcs de diffraction
figure 1.1: Exemple d'arcs de diffraction
Un défaut est en général visible dans plusieurs images successives, mais l'œil humain
n'est pas capable de contrôler simultanément un nombre important d'images. Lorsque
4
Introduction
l'intensité du défaut est faible, l'opérateur le détectera difficilement, après plusieurs

observations de l'ensemble des images. Les images ultrasonores ont apporté à l'opérateur une
facilité d'interprétation des données: ceux-ci ne disposaient à l'origine que des tirs
ultrasonores visualisés sur un oscilloscope pour détecter les défauts. La prise en compte des
données tridimensionnelles dans leur globalité est donc, a priori, une source d'informations
importante, que l'œil humain n'est pas capable de traiter.
A l'issue de l'étude théorique, une plate-forme de validation a été réalisée. Constitué

d'une interface utilisateur graphique et de modules de traitement d'images bidimensionnelles
et tridimensionnelles, cet outil permet à l'utilisateur de:
• sélectionner dans l'espace des données une zone bidimensionnelle ou

tridimensionnelle à traiter (avec ou sans défaut).
• choisir un traitement à appliquer à la zone sélectionnée et entrer les paramètres liés

aux traitements.
• visualiser et sauvegarder les résultats du traitement.
L'efficacité des traitements développés est validée sur un ensemble de fichiers test.
Organisation du document
Nous rappelons au premier chapitre les principes de base du contrôle non destructif par
ultrasons ainsi que les différents modes de représentation des données ultrasonores. Nous
décrivons ensuite les techniques de contrôle non destructif ultrasonore utilisées pour détecter
et caractériser des défauts. Nous terminons ce chapitre par une description détaillée de la
technique T.O.F.D. utilisée pour obtenir les données dont nous disposons pour notre étude.
Le second chapitre est consacré à une étude bibliographique et à la présentation des

outils de reconnaissance de formes. Après avoir rappelé les différentes familles de traitements
décrits dans la littérature, nous présentons plus particulièrement la transformation de Hough
retenue pour résoudre notre problème. Nous décrivons en fin de chapitre une application de la
transformation de Hough à la détection d'alignements de points.
Dans le troisième chapitre, nous décrivons la mise en œuvre de la transformation de

Hough appliquée aux images ultrasonores. Les algorithmes développés sont testés et validés
5
Introduction
sur un ensemble d'images test et un résumé des résultats obtenus est présenté au cours du
chapitre. La totalité des résultats est détaillée en annexe C.
Le quatrième et dernier chapitre est consacré à l'application de la transformation de

Hough à des acquisitions ultrasonores tridimensionnelles. Nous présentons, dans un premier
temps, les informations contenues dans les données d'acquisition tridimensionnelles non
prises en compte dans les traitements bidimensionnels décrits au chapitre trois. L'objectif est
d'exploiter ces informations et les combiner à celles utilisées par les traitements
bidimensionnels. L'intégration des informations dans un traitement global des données est
proposée, ainsi que la validation des résultats obtenus.
6
Chapitre 1
Contrôle non destructif ultrasonore
Chapitre 1
Chapitre 1
Ce chapitre présente une étude bibliographique des techniques courantes de contrôle

non destructif par ultrasons. Nous présentons, dans un premier temps, le principe des
acquisitions ultrasonores. Les différents modes de représentation des données ultrasonores
sont ensuite détaillés. Ces représentations permettent de visualiser et d'exploiter au mieux la
masse d'informations contenues dans les données, afin de mettre en évidence les défauts
présents dans le matériau. Lorsqu’un défaut est présent, des zones dont l’intensité et la forme
sont caractéristiques du défaut apparaissent dans les images ultrasonores. La recherche de ces
informations permet de conclure à la présence ou non d'un défaut. Nous présentons ensuite
les techniques de contrôle non destructif par ultrasons couramment utilisées. Enfin, nous
détaillons la technique T.O.F.D. utilisée pour l'acquisition des données à notre disposition.
1.1 Principes des acquisitions ultrasonores
L’acquisition des données ultrasonores pour le contrôle d’un volume est réalisée en
général à partir d’une seule surface à l’aide d'un ou plusieurs palpeurs. Ces palpeurs, selon le
type d'acquisition souhaitée, peuvent être de type mono-capteur ou multi-capteurs, aussi bien
en émission qu'en réception. Dans le domaine du contrôle ultrasonore, le terme capteur
désigne à la fois l'émetteur et le récepteur. Les caractéristiques de chaque capteur (telles que
l'angle de tir, la focalisation, la fréquence…) peuvent être différentes selon le type et la
localisation du défaut recherché.
Pour effectuer une acquisition ultrasonore, la surface de contrôle de la pièce est balayée
de manière régulière en utilisant un couple émetteur/récepteur ultrasonore. En chaque point
du balayage, un tir ultrasonore est réalisé par l'émetteur et l'écho retourné par la matière est
enregistré par le récepteur. Nous obtenons ainsi pour un capteur donné (ou couple de
capteurs), un champ de données ultrasonores de dimension quatre: les coordonnées du capteur
(x, y), le temps (t) mis par les échos pour atteindre le récepteur, et l'amplitude (a) des échos.
8
Chapitre 1
Afin de pouvoir mettre en évidence certains défauts, plusieurs tirs sont parfois nécessaires.
Ces tirs sont réalisés avec des capteurs de caractéristiques différentes.
figure 1.1: Déplacement des capteurs ultrasonores
La figure 1.1 illustre le sens de balayage des capteurs. L’acquisition des données est
réalisée dans un seul sens du balayage.
1.2 Modes de représentation
Les données issues d'une acquisition ultrasonore peuvent être représentées sous la
forme d'un ensemble de signaux monodimensionnels, ou sous la forme d’images permettant
une visualisation simple et une interprétation rapide des informations contenues dans les
données d'acquisition.
Nous décrivons dans les sous-paragraphes suivants les représentations courantes de

données ultrasonores: la représentation monodimensionnelle A-Scan et les représentations
bidimensionnelles B-Scan, C-Scan et D-Scan.
1.2.1 S i g n a l A- S c a n
Le signal A-Scan est une représentation de l'amplitude des échos enregistrés par le
récepteur en fonction du temps. C'est un signal monodimensionnel obtenu lorsqu'un tir
ultrasonore est réalisé pour une position donnée (x, y) du couple émetteur/récepteur.
9
Chapitre 1
amplitude de l'écho Echo de diffraction Echo de fond
temps
bruit
bruit
Echo de surface
figure 1.2: Exemple de signal A-Scan
La figure 1.2 présente un exemple de signal A-Scan, observé lors d'une acquisition
basée sur la technique d'acquisition ultrasonore T.O.F.D. avec un couple émetteur/récepteur
en tandem. Le mode de représentation A-Scan est à la base de toutes les premières méthodes
d'exploitation et d'interprétation de données ultrasonores en contrôle non destructif. Il ne
nécessite pas beaucoup de matériel: une sonde et un oscilloscope sont nécessaires. Ce premier
mode a été longtemps utilisé et apprécié des techniciens chargés de l'expertise ultrasonore.
L'axe des ordonnées correspond aux amplitudes des différents échos enregistrés par le
récepteur ultrasonore. L'axe des abscisses représente le temps mis par ces échos pour
atteindre le récepteur. Les signaux enregistrés et représentés sur ce A-Scan sont des ondes
latérales propagées le long de la surface de contrôle du matériau (échos de surface), des ondes
diffractées par une extrémité de fissure (échos de diffraction), et des ondes réfléchies par la
surface opposée à la surface de contrôle (échos de fond). Le reste du signal est constitué
d'oscillations correspondant au bruit d'acquisition.
Une bonne connaissance technique du contrôle ultrasonore est nécessaire pour exploiter
ce type de signal. Il est difficile de déterminer quels maxima sont représentatifs d'échos de
diffraction et donc de défauts. Au terme d'une longue expérience, un expert en contrôle
ultrasonore est capable de donner une interprétation à chacun de ces maxima, par intégration
visuelle du signal lors du déplacement plus ou moins rapide des capteurs. Il peut ainsi
apprécier l'importance d'un écho et sa gravité. Mais aujourd'hui, les acquisitions ultrasonores
sont automatisées. L'expert n'a plus la maîtrise du déplacement des capteurs et ne peut plus
faire un balayage rapide autour d'un point suspect de la pièce pour effectuer une vérification.
La mise en évidence d'un défaut est maintenant faite par une analyse a posteriori des données
d'acquisition à partir de cartographies.
10
Chapitre 1
1.2.2 Cartographies B-Scan
Une cartographie B-Scan est une image engendrée par la succession des A-Scan selon
la direction principale de balayage de la surface contrôlée (direction x sur la figure 1.3).
x
B-Scan
Plan B-Scan
y
figure 1.3: Construction d'une cartographie B-Scan
La figure 1.4 présente un exemple de cartographie B-Scan. Elle est obtenue pour une
position (y) donnée des capteurs.
temps de vol
écho de surface défaut écho de fond
figure 1.4: Exemple de cartographie B-Scan
Les coordonnées des pixels représentent la position (x) des capteurs et le temps de vol
de l'onde ultrasonore (t). Les images B-Scan sont des représentations de coupes de la pièce.
1.2.3 C a r t o g r a p h i e s C- S c a n
Une cartographie C-Scan est obtenue à partir des signaux A-Scan en effectuant la
projection, sur un plan parallèle à la surface de contrôle, du maximum relevé sur les signaux
A-Scan associé à chaque position (x, y) des capteurs (figure 1.5).
11
Chapitre 1
C-Scan
x
maximum du A-Scan aux

coordonnées (x,y)
Plan C-Scan
figure 1.5: Construction d'une cartographie C-Scan
Le C-Scan est en général utilisé pour repérer rapidement un endroit suspect de la pièce.
Une analyse plus fine est ensuite réalisée en utilisant les B-Scan. Le C-Scan est surtout
exploité lors du dimensionnement de défauts volumiques.
1.2.4 Cartographies D-Scan
Comme la cartographie C-Scan, une cartographie D-Scan est obtenue en projetant le

maximum relevé sur les A-Scan aux coordonnées (x, t) ou (y, t) sur une surface orthogonale à
la surface de contrôle (plan D-Scan 1 ou plan D-Scan 2 sur la figure 1.6).
x Projection 1
y Plan D-Scan 2
t (z)
Projection 2
Plan D-Scan 1
figure 1.6: Construction d'une cartographie D-Scan
1.3 Les techniques de contrôles ultrasonores
Il existe de nombreuses méthodes de détection et de dimensionnement de défauts en

imagerie ultrasonore [COR88] [MOY92a]. Certaines techniques (méthodes SAFT [LUD89]
[LOR91] [MAC90] et ALOK [GRO82] [HEU89] [STA88]) permettent d'améliorer les
images ultrasonores, en intervenant directement pendant le processus d'acquisition. Ne
12
Chapitre 1
pouvant pas intervenir pendant cette phase d'acquisition, nous nous sommes intéressés aux
méthodes intervenant après l'acquisition. La plupart de ces méthodes cherchent à mesurer la
longueur des défauts plutôt que leur largeur. En effet, la gravité d'un défaut est déterminée
principalement par sa longueur. De plus, il est souvent possible d'évaluer la largeur d'une
fissure à partir de la mesure de sa longueur.
Parmi les techniques les plus répandues, deux méthodes sont basées sur l'observation
d'échos de réflexion, et, une troisième est basée sur l'observation d'échos de diffraction. Nous
décrivons dans un premier temps, les deux techniques traditionnelles "-6dB" et "Distance
Gain Size". La troisième technique T.O.F.D. est ensuite décrite.
1.3.1 D i m e n s i o n n e m e n t à – 6 dB
Une des premières méthodes mise en œuvre lors de problèmes de dimensionnement a

été la méthode "-6 dB". A partir de la visualisation d'un défaut sur les différentes
cartographies B-Scan et C-Scan, l'amplitude maximum au centre du défaut recherché est
mesurée.
Dimensionnement à –6 dB (gris foncé)

du défaut (gris clair)
Enveloppe
présumée du défaut
figure 1.7: Dimensionnement à –6 dB de défaut volumique
La méthode consiste à relever les limites présumées du défaut constitué des points dont
l'intensité est supérieure au maximum relevé moins 6 dB (enveloppe gris foncé sur la figure
1.7). On obtient ainsi un dimensionnement global du défaut permettant de juger de sa gravité
[COR88]. Par sa facilité de mise en œuvre, cette méthode est depuis très longtemps utilisée.
Cependant, elle a pour inconvénient majeur de sous-dimensionner la taille réelle du défaut.
1.3.2 Méthode "Distance Gain Size"
Lorsque la taille des défauts est assez faible, la technique "Distance Gain Size" est
préférée à la méthode "–6 dB". Celle-ci met en œuvre des abaques permettant d'attribuer au
défaut un diamètre équivalent à celui d'un réflecteur circulaire qui provoquerait la même
13
Chapitre 1
variation de l'écho mesurée [SON91]. L'expérience montre que les résultats obtenus varient
non seulement en fonction de la taille et de l'orientation du défaut recherché, mais aussi en
fonction de divers paramètres du faisceau ultrasonore (fréquence, focalisation…).
1.3.3 Inconvénients des techniques basées sur la réflexion
Les techniques de contrôle non destructif par ultrasons basées sur la réflexion sont
valides si les défauts sont plans et leur orientation est telle qu'ils renvoient une réflexion
spéculaire vers le récepteur. En réalité, il est très rare que le défaut soit normal à la focale et
qu'il renvoie une réflexion spéculaire vers le récepteur. Néanmoins, les ondes ultrasonores
étant diffractées et réfléchies dans le matériau, elles se propagent dans plusieurs directions. La
multiplicité de ces ondes permet alors d'observer un grand nombre de défauts. Les échos
enregistrés par le récepteur ultrasonore sont, dans ce cas, souvent faibles (réflexions
multiples). Plusieurs acquisitions à des angles de tir différents sont alors nécessaires pour un
dimensionnement précis des défauts.
1.4 Time Of Flight Diffraction
Lorsqu'une onde incidente rencontre l'extrémité d'une fissure, celle-ci génère plusieurs
types d'ondes: ondes réfléchies, ondes diffractées, ondes de Rayleigh… Le Dr Maurice SILK
du "National NDT Center" à Harwell a exploité ces ondes diffractées et mis au point la
technique T.O.F.D.. Cette technique a beaucoup évolué au cours des quinze dernières années
et est aujourd'hui l'une des techniques les plus utilisées pour mesurer la longueur d'une fissure
dans un matériau [SIL82a], [SIL82b], [SIL87], [CHA89], [NOT90]. Elle s'est avérée être
beaucoup plus précise que les techniques traditionnelles basées sur les ondes réfléchies.
1.4.1 Principes de la technique T.O.F.D.
La technique T.O.F.D. est basée sur l'exploitation des ondes de diffraction générées par
les extrémités de fissures. Elle consiste à balayer la pièce à contrôler en utilisant des
émetteurs/récepteurs disposés de façon à privilégier les ondes de diffraction au détriment des
ondes réfléchies, et à mesurer le temps de parcours (ou temps de vol) de ces ondes dans le
matériau.
La surface de contrôle est balayée par une paire de capteurs tandem émetteur/récepteur.
La configuration en un seul capteur émetteur/récepteur est rarement utilisée du fait de la
14
Chapitre 1
faiblesse du rayonnement, et donc, de la difficulté de détection. Cependant, l'utilisation de

capteurs focalisés a aujourd'hui tendance à compenser ce problème.
L’acquisition des données ultrasonores est faite selon le principe décrit sur la figure 1.8.
x Emetteur Récepteur
Surface de contrôle
y
z Ondes latérales
z1
fissure
z2
Fond de pièce
figure 1.8: Principe de la technique T.O.F.D.
A chaque position du couple de capteurs, un tir ultrasonore est réalisé et les échos
retournés sont enregistrés. En absence de fissure, le récepteur reçoit en général deux types
d'échos: un écho de surface dû à une propagation de l'onde le long de la surface de contrôle et
un écho de fond dû à la réflexion de l'onde sur la surface opposée à la surface de contrôle. En
présence d'une fissure, le récepteur reçoit, en plus des échos de surface et de fond, des échos
de diffraction dus aux extrémités de la fissure.
Les données enregistrées (coordonnées (x, y) des capteurs, temps de vol de l’onde, et
amplitude de l’écho retourné) sont généralement représentées sous forme d'images B-Scan.
1.4.2 Modélisation des écho s de diffraction dans un plan B-Scan
Une image B-Scan, issue d’une acquisition T.O.F.D. réalisée au dessus d'une fissure,
contient des arcs de diffraction dus à l’interaction entre le signal ultrasonore généré par
l’émetteur et les extrémités des fissures présentes dans le matériau (figure 1.9).
figure 1.9: Temps de vol des ondes ultrasonores dans la technique T.O.F.D.
15
Chapitre 1
L'objectif de ce paragraphe est la modélisation de ces arcs de diffraction observés sur

les images B-Scan.
2d
Emetteur dx Récepteur
d-dx d+dx
E Echo de surface R
θ
t1 z t2
fissure
Echo de fond
figure 1.10: Temps de vol des ondes ultrasonores dans la technique T.O.F.D.
Considérons la figure 1.10 dans laquelle nous supposons que la fissure est orientée
perpendiculairement à la surface de contrôle.
En pratique, l’orientation de la fissure est quelconque. Pour un angle de tir donné,

seules les fissures ayant une certaine orientation sont mises en évidence. Afin de mettre en
évidence les fissures, quelle que soit leur orientation, plusieurs tirs ultrasonores sont réalisés
avec des angles de tir différents.
Le matériau est supposé isotropique et homogène (les caractéristiques physiques du

matériau sont les mêmes dans tous les directions). La vitesse de propagation de l'onde
ultrasonore est ainsi considérée constante.
Le temps de vol de l'onde ultrasonore peut être écrit de la façon suivante (équation 1.1):
1 2 1 2
équation 1.1 t ( d x ) = t1 ( d x ) + t 2 ( d x ) = z + (d − d x ) 2 + z + (d + d x ) 2
c c
où :
• t1 (dx ) représente le temps mis par l’onde ultrasonore émise par l’émetteur pour
atteindre la fissure,
• t2 (dx ) représente le temps mis par l’onde ultrasonore diffractée par l’extrémité
supérieure de la fissure pour arriver au récepteur,
• c est la vitesse de propagation de l'onde ultrasonore dans le matériau,
16
Chapitre 1
• d est la demi-distance entre l'émetteur et le récepteur (l'émetteur et le récepteur sont

séparés par une distance constante égale à 2d),
• z correspond à la profondeur de la fissure dans le matériau,
• dx = x – x0 , avec x, position du centre du tandem émetteur/récepteur, et x0 , position de

la fissure dans le repère de la pièce. dx est en fait la position relative du centre du
tandem émetteur/récepteur par rapport à la fissure.
Les hypothèses faites permettent de décrire le temps de vol de l'onde ultrasonore par
cette équation. Charlesworth [CHA89] propose une description plus complexe en prenant en
compte d'autres paramètres tels que le diamètre des capteurs, la distance entre le cristal piézo-
électrique et la surface de contact du capteur, les phénomènes de réfraction au niveau de la
surface de contact capteur/matériau, l'orientation de la fissure…
L'équation 1.1 peut être approximée par une équation du second degré:
1 2 1 2
t ( d x ) = t1 ( d x ) + t2 (d x ) = z + (d − d x ) 2 + z + (d + d x )2
c c
(
1 2
) + (z ) 
1 1
t (d x ) =  z + d 2 − 2 d d x + d x2 2 2
+ d 2 + 2 d d x + d x2 2 
c 
 1
1
z + d  d x2 − 2 d d x
2 2
  d +2d dx 2
 
t (d x ) =
2 2
1 +  + 1 + 2 x


c

z2 + d2   z +d2  

D'après le développement limité de (1+x) α à l'ordre 2, on obtient l'équation suivante:
z 2 + d 2  1 2 d x2 1 8 d 2 d x2 
t (d x ) = 2 + 2 z 2 + d 2 − 8 ( z 2 + d 2 ) 2 
c  
z2 +d 2   1 d2  2
t (d x ) = +
  2
2  − d
2 2  x 
  z +d (z + d )  
2 2
c
2. z 2 + d 2 z2
t (d x ) = + .d x 2
c c.( z + d )
2 2 3/2
17
Chapitre 1
Le développement limité de (1+x)α à l'ordre 2 impose certaines restrictions. Ce

développement étant valable lorsque x est petit devant 1, il est nécessaire de prendre garde
aux valeurs prises par dx , d et z.
En pratique, il est difficile de fixer des limites d'utilisation de ce développement. Lors

d'une acquisition, z et d étant fixées, les limites devront être fixées par le déplacement dx des
capteurs. Dans la plupart de cas, la distance d et la profondeur z ont le même ordre de
grandeur. Il faudra donc veiller à ce que dx soit faible devant z pour que le développement
limité soit utilisable.
z2
En posant: Ouv =
c.( z 2 + d 2 ) 3 / 2
et
2. z 2 + d 2
équatio n 1.2 t0 =
c
nous obtenons une équation du second degré du temps de vol t en fonction du déplacement
relatif dx du tandem émetteur/récepteur par rapport à la fissure:
t ( d x ) = Ouv d x + t 0
2
équation 1.3
2d
avec t 0 ≥ .
c
2d
Le temps t 0 = correspond au temps de vol de l’onde ultrasonore lorsque la fissure
c
est en surface. Cette limite de t0 est obtenue en faisant tendre z (la profondeur de la fissure)
vers zéro dans l'équation 1.2.
Les arcs de diffraction observés sur les B-Scan peuvent donc être modélisés par des arcs
de parabole. La figure 1.11 est une représentation de l'équation 1.3.
18
Chapitre 1
x0
t0 Déplacement des
capteurs (x)
Temps de vol (t)
figure 1.11: Modèle mathématique des arcs de diffraction
L'équation 1.2 met en évidence le lien entre le temps de vol t0 des échos de diffraction
et la profondeur z du défaut dans le matériau lorsque la fissure est au centre du couple
émetteur/récepteur en tandem:
2
t0 c 2 2d
équation 1.4 z= −d 2 avec t0 ≥
4 c
La connaissance du temps t0 (coordonnée t du sommet de l'arc de diffraction) permet de

calculer la profondeur du défaut dans le matériau (équation 1.4).
1.5 Exploitation des acquisitions T.O.F.D.
1.5.1 Amélioration du modèle théorique
Le modèle théorique obtenu suppose que l'onde ultrasonore émise par l'émetteur est une
impulsion (figure 1.12).
amplitude du signal
a0
temps
figure 1.12: Onde théorique envoyée par l'émetteur ultrasonore
L'onde diffractée par le défaut et reçue par le récepteur est constituée d'une partie de
l'énergie envoyée par l'émetteur. Lorsque le pulse d'émission est un dirac, la représentation de
l'onde diffractée dans un plan B-Scan est un arc de parabole unique de faible épaisseur.
L'onde diffractée captée par le récepteur ultrasonore est la suivante:
19
Chapitre 1
amplitude du signal
k.a0
t0
temps
figure 1.13: Onde théorique enregistrée par le récepteur ultrasonore
En pratique, l'onde émise par le capteur ultrasonore est différente: l'impulsion initiale
comporte un temps de montée et un temps de descente non nuls. Le capteur étant constitué
d'un cristal piézo-électrique, le signal émis oscille et peut être assimilé à une sinusoïde
amortie (figure 1.14.a). Le signal diffracté correspondant est aussi une sinusoïde amortie
(figure 1.14.b).
amplitude amplitude
a0
k.a0
temps t0 temps
a) signal émis b) signal reçu
figure 1.14: Ondes réellement émise et reçue par les capteurs
Le modèle de l'onde correspondant est le suivant:
sin (ωt )
a (t ) = a0 .
α.t
où ωest la fréquence d'émission ultrasonore etα est le coefficient d'amortissement du signal.
Le signal d'émission étant échantillonné, il est en fait constitué d'une série d'impulsions
(telles que celle constituant le signal théorique) d'amplitudes comprises dans l'intervalle
[-a0 ; a0 ] décalées sur l'axe des temps.
La réponse à ce signal dans un plan B-Scan n'est donc pas un arc de parabole tel que
celui présenté sur la figure 1.11, mais un ensemble d'arcs de parabole ayant le même axe de
symétrie.
20
Chapitre 1
En considérant que la proportion de l'énergie diffractée par une fissure par rapport à
l'énergie émise est la même, quelle que soit l'amplitude du signal émis, les différents arcs de
diffraction présents dans l'image B-Scan auront des intensités alternativement positives et
négatives, comprises entre [-k.a0 ; k.a0 ] (avec 0<k<1) (figure 1.15).
x0
t0
figure 1.15: Modèle correspondant au signal ultrasonore réellement émis
1.5.2 Comparaison entre le modèle théorique et l'arc de diffraction réel
La figure 1.16.a présente une cartographie B-Scan avec une représentation théorique
d'arcs de diffraction générés par un défaut plan de type fissure en absence de bruit.
déplacement des déplacement des

capteurs (x) capteurs (x)
Temps de vol (t) Temps de vol (t)
a) Echo de diffraction théorique b) Echo de diffraction relevé
figure 1.16: Image B-Scan d'un arc de parabole théorique et pratique
21
Chapitre 1
La figure 1.16.b (1) présente un exemple d'arcs de diffraction réels. Nous pouvons noter
que la distance verticale séparant les différents arcs de diffraction dans le plan B-Scan dépend
essentiellement de la fréquence du capteur ultrasonore, paramètre connu pour chaque
acquisition.
Nous pouvons noter sur l'acquisition de la figure 1.16.b les phénomènes d'écho de
surface (2) et d'écho de fond (3). Ces phénomènes entraînent l'apparition dans les plans B-
Scan de zones horizontales très intenses.
Des études de déconvolutions fréquentielle et temporelle ont été réalisées pour prendre
en compte le problème des arcs de diffraction multiples [HAY88]. La déconvolution est
possible si l'on connaît le signal reçu par le récepteur ultrasonore et la réponse impulsionnelle
de l'émetteur. Ce dernier paramètre n'étant pas maîtrisable dans le cas de notre étude, il nous
est impossible de mettre en œuvre de telles techniques.
1.5.3 Détection et localisation du défaut
Le problème de détection d'une fissure est équivalent à la recherche d'arcs de diffraction

dans une image B-Scan. Le temps de vol t0 des échos de diffraction est directement lié à la
profondeur du défaut dans le matériau lorsque la fissure est au centre du couple
émetteur/récepteur. S'il est possible de mettre en évidence la présence d'échos de diffraction
et de déterminer le temps t0 de ces échos, la profondeur z à laquelle se situe le défaut est
calculable par l'équation 1.4. t0 peut être déterminé facilement sur la cartographie B-Scan. Ce
temps correspond à la position sur l'axe des abscisses du premier sommet des arcs de
diffraction.
Une autre méthode de détermination de la profondeur en fonction du temps de vol est

parfois utilisée. L’opérateur utilise une courbe de correspondance entre la profondeur d'un
défaut et le temps de vol de l'écho diffracté par ce défaut. Cette courbe est réalisée en
contrôlant un bloc de même matière que l'élément contrôlé dans lequel sont effectués des
trous parallèles à la surface de contrôle (appelés génératrices) à des profondeurs régulières.
22
Chapitre 1
profondeur z
temps de vol t
figure 1.17: Relation z = f ( t ) - Etalonnage des capteurs ultrasonores
Une approximation polynomiale des mesures réalisées (en général du second degré) est
calculée. L'opérateur est ainsi capable, pour toute valeur du temps de vol t, d'évaluer la
profondeur z correspondante.
1.6 Conclusion
Le contrôle non destructif par ultrasons consiste à balayer de manière régulière une
surface accessible de la pièce, et à enregistrer les ondes ultrasonores émises par l’émetteur et
retournées par la matière. Ces données peuvent être représentées selon différents modes de
représentation et analysées afin de mettre en évidence des défauts.
Les modes de représentation couramment utilisés sont le signal monodimensionnel A-

Scan et les cartographies B-Scan, C-Scan et D-Scan. Les A-Scan sont des représentations de
l’amplitude des ondes ultrasonores en fonction du temps. Les B-Scan, C-Scan et D-Scan sont
des coupes et projections de la pièce contrôlée.
Les techniques de contrôle sont essentiellement de deux types: les méthodes exploitant
les échos de réflexion et celles exploitant les échos de diffraction. Nous nous sommes
intéressés dans ce chapitre plus particulièrement à la technique T.O.F.D. basée sur la mesure
du temps de vol des échos de diffraction. La technique T.O.F.D. est très utilisée car elle
permet de mesurer la longueur de défauts plans avec une meilleure précision que les
méthodes exploitant les échos de réflexion. Cette technique est celle utilisée pour les
acquisitions que nous exploitons.
Nous avons décrit le fonctionnement de la technique T.O.F.D. et établi un modèle

théorique des arcs de diffractions observés sur les cartographies B-Scan. Ce modèle a été
comparé à des arcs de diffraction réels et nous avons constaté que, contrairement au modèle
23
Chapitre 1
théorique, plusieurs arcs de diffraction représentent un seul défaut. Cette différence est
expliquée par la forme du signal ultrasonore émis par le capteur (sinusoïde amortie).
Enfin, nous avons expliqué comment déterminer la profondeur d'un défaut à partir de la
mesure du temps de vol d'un écho diffracté.
24
Chap itre 2
Transformation de Hough
Chapitre 2
Reconnaissance de formes et transformation de Hough
Chapitre 2
Transformation de Hough
2.1 Reconnaissance de courbes et de formes
Une image "naturelle" est une représentation plane d'un objet ou d'une scène existant en
général dans un repère tridimensionnel. Elle est en général issue d'un capteur et représente
une quantité de lumière. Il existe aujourd'hui un grand nombre d'images dites "non naturelles"
représentatives elles aussi de grandeurs physiques, plus difficilement observables directement
par l'œil, telles que l'amplitude de rayons x, un signal radar ou des ondes ultrasonores. Ces
images étaient observables, il y a quelques années, uniquement sous forme de cliché
photographique. Aujourd'hui, elles constituent une collection d'informations numériques
auxquelles on peut, à l'aide d'outils spécifiques, extraire des paramètres pertinents pour mieux
les interpréter. La machine, par le biais du "traitement d'images", a pris le pas sur l'être
humain (au moins sur son œil), réalisant des contrôles souvent plus fiables et plus rapides.
En traitement d'images, il n'y a pas de méthode unique permettant de résoudre tous les
problèmes d'interprétation. Le choix de la méthode à mettre en œuvre dépend d'un vaste
ensemble de critères à prendre en compte:
• La nature de l'objet, de la scène ou de la matière à observer: en particulier l'éclairage

appliqué, les conditions d'acquisition, la présence de bruit, etc…
• Les contraintes matérielles: capacité mémoire de la machine, limitation en temps de

calcul, complexité des algorithmes, etc…
• Les critères et primitives à extraire de l'image: contours, formes géométriques, texture,

régions, etc…
Un système d'analyse d'images peut être décomposé de la manière suivante:
• phase d'acquisition des images,
26
Chapitre 2
• phase de traitement,
• phase de décision.
Capteur
Scène
Traitement Décision
figure 2.1: Système de traitement d'images
L'acquisition des images est une étape importante. Les choix des capteurs, des
conditions d'acquisition, influent considérablement sur la qualité des images. Plus
l'acquisition sera soignée, plus les traitements seront simples et efficaces. Malheureusement,
les conditions d'acquisition ne sont pas toujours maîtrisables. Dans notre cas, les procédures
d'acquisition d'images ultrasonores sont normalisées et figées. La phase de traitement doit
alors s'adapter aux contraintes d'acquisition (bruit, peu de contraste…), ce qui a pour effet de
la rendre plus complexe et délicate.
Traditionnellement, on distingue deux types de traitements: bas niveau et haut niveau.

Les traitements bas niveau opèrent sur l'information brute de l'image (intensités, positions…)
sans réaliser de liens avec la réalité de la scène observée par les capteurs. Les traitements haut
niveau opèrent quant à eux sur des données de nature "symbolique", reflétant la réalité de la
scène.
La phase de décision, étroitement liée au type de traitement mis en œuvre, fait partie
des traitements haut niveau. Par exemple, une méthode de classification développée au
L.E.2.I. est la classification par polytopes de contrainte [MIT94]: à partir d'un ensemble de
paramètres discriminants extraits lors du traitement, un espace de paramètres est construit et
est divisé en hypercubes, permettant de séparer les différentes classes d'objets détectés dans
l'image.
La reconnaissance de formes est un concept visant à classer des objets dont l'aspect a
varié par rapport à un objet type [DUB90]. Le terme "forme" est traduit en anglais par
"pattern" dont la racine signifie "patron" au sens de modèle. La reconnaissance de formes est
27
Chapitre 2
en fait l'opération d'associer à une forme observée une forme type (appelée prototype) à
laquelle elle ressemble le plus.
Généralement, on reconnaît deux familles de reconnaissance de formes: la

reconnaissance structurelle, basée sur une représentation à l'aide de grammaires, et la
reconnaissance statistique, s'appuyant quant à elle sur une représentation numérique des
formes.
La reconnaissance statistique définit une forme par un ensemble de paramètres

constituant un espace. Une forme est représentée par un point de cet espace de représentation.
Lors de l'observation d'une scène ne comportant que des formes types parfaitement définies
dans l'espace de représentation, la tâche de reconnaissance est triviale. En pratique, de
nombreuses perturbations marquent les formes observées, les différenciant ainsi des
prototypes. A chaque forme type est donc associée dans l'espace des paramètres une zone
géométrique appelée classe. Le problème principal de la reconnaissance de formes est
l'obtention des frontières séparant les classes.
Les méthodes de reconnaissance de formes sont nombreuses. Duda et Hart [DUD73]

dressent un panorama très complet des méthodes utilisées: ils traitent en particulier les
problèmes liés à l'espace de représentation, les prétraitements bas niveau, et les différentes
approches de la reconnaissance: méthodes basée sur le domaine fréquentiel, description de
courbes ou de formes...
La méthode que nous avons choisi de développer est basée sur la reconnaissance de
courbes dans une image. Duda et Hart [DUD72] présentent une approche visant à faire passer
un nombre déterminé de droites par un ensemble de points. Leur étude est largement basée
sur une méthode paramétrique mise au point par Hough, plusieurs années auparavant: la
transformation de Hough.
2.2 La transformation de Hough
La transformation de Hough a été proposée et brevetée par P.V.C. Hough [HOU62] en

1960 pour détecter des alignements de points à l'aide d'un oscilloscope et de deux caméras
vidéos. Plus généralement, les travaux de Rosenfeld [ROS69], au début des années 70,
présentent cette transformation comme une méthode permettant de détecter une forme
géométrique paramétrable (citons par exemple les cercles, ellipses, et plus généralement les
28
Chapitre 2
coniques). De nombreux travaux ont ensuite été réalisés aussi bien d'un point de vue
théorique, que d'un point de vue industriel pour ses applications en reconnaissance de formes.
Plusieurs études de synthèses ont été publiées [MAI85], ainsi que de nombreux travaux
concernant la détection de formes paramétriques très diverses (en particulier les cercles
[SLA78] et les paraboles [IAN78]).
De nombreuses définitions de la transformation de Hough ont été énoncées dans la

littérature. On regroupe usuellement sous le nom de transformation de Hough une
transformation permettant de détecter dans des images la présence de courbes paramétriques
appartenant à une famille connue, à partir d'un ensemble de points sélectionnés, appelés
points caractéristiques. La transformation de Hough utilise essentiellement l'information
spatiale des points caractéristiques mais parfois prend également en compte l'information
contenue dans le signal lui même: la luminance par exemple ou d'autres informations plus
riches et plus complexes. Même si la plupart des images utilisées par la transformation de
Hough sont bidimensionnelles, il est important de noter que l'on peut appliquer ce type d’outil
à des images multi-dimensionnelles, à 3 dimensions en particulier (imagerie médicale,
contrôle non destructif, séquence d'images animées ...).
La transformation de Hough est un outil de détection ou de classification d’un espace à

n dimensions vers un espace à m dimensions, où m est le nombre de paramètres nécessaires à
la définition du modèle de la forme.
L'approche est basée sur une prise en compte globale du contour ou de la forme.
L'information concernant ce contour est en général issue d'un modèle spatial, contrairement
aux méthodes dérivatives utilisant un modèle de variation de la luminance. Le contour
recherché est caractérisé par une courbe paramétrique, ou plus globalement par un modèle
mathématique représentant une famille connue.
La transformation de Hough peut être abordée par une approche discrète ou une
approche intégrale continue. Les études concernant l'approche intégrale continue et sa relation
avec la transformation de Radon continue sont nombreuses. A. Diou [DIO96] propose en
particulier une approche analytique originale permettant de calculer la transformation de
Hough théorique pour des images standards dans le cas de la recherche de droites.
29
Chapitre 2
2.2.1 Définition générale de la transformation de Hough
H. Maître [MAI85] propose la définition suivante de la transformation de Hough:
Soit Rn l'espace des points de l'image à traiter, et E un ensemble de N points de Rn

sélectionnés par un prétraitement donné: E = {M i , i = 1...N }∈ R n . Un point M de Rn est
défini par ses coordonnées x dans l'espace.
Soit Ω ⊂ Rp un sous espace de Rp et F une famille de courbes dans l'espace Rn

paramétrée par a:
{{ }
F = x : f ( x, a ) = 0, x ∈ R n , : a ∈ Ω }
La transformation de Hough associée à la famille F est une transformation qui fait
correspondre à l'ensemble E de l'espace Rn une fonction g définie sur Ω.
Il existe de nombreuses transformations de Hough (selon la formulation de la fonction

g). Les deux principales sont les suivantes:
• Transformation dite de m à 1,
• Transformation dite de 1 à m
2.2.2 Transformation de m à 1
Une courbe de la famille F peut être définie de manière unique par un nombre minimal
m de points.
Soit E(m) l'ensemble de tous les m-uples issus de E.
{
E (m) = M i(m ) = {M i1 , M i 2 ,...M im : M ik ∈ E} }
avec
( )
Card E (m ) = C Nm
A tout m-uple Mi(m) de E(m) est associé une courbe de F de paramètre ai. Soit c(a) la
fonction caractéristique de Rp . La transformation de Hough de m à 1 est définie par:
30
Chapitre 2
La fonction caractéristique c(a) est la contribution à l'accumulateur g(a) du m-uple Mi(m)

associé à la courbe de F de paramètre ai. Cette contribution peut être, par exemple, une valeur
constante quelconque, le nombre de points du m-uple (c'est-à-dire m) ou la somme des
niveaux de gris des m points du m-uple.
2.2.3 Transformation de 1 à m
Par tout point Mi de Rn , repéré par ses coordonnées xi, passent m courbes de la famille
F. Soit Ai l'ensemble des valeurs de a, telles que f(xi, a) = 0.
La transformation de Hough de 1 à m est définie par:
g (a ) = ∑ ∑ c (a − a ) k
M i ∈E a k ∈ Ai
La fonction caractéristique c(a) est la contribution à l'accumulateur g(a) du point Mi par

lequel passent les m courbes de F. Cette contribution peut être égale à 1 ou au niveau de gris
du point Mi ou à toute autre fonction pour l'ensemble des valeurs ak de l'espace des
paramètres.
La transformation de 1 à m conduit en pratique à des calculs beaucoup moins nombreux

que la transformation de m à 1 car elle évite une recherche combinatoire parmi les points. De
plus, sa structure parallélisable se prête très bien à des implantations "rapides". C'est cette
transformation que nous étudions tout au long de ce document.
2.2.4 Interprétation de la transformation de Hough
S'il existe dans l'espace image quelques représentants de la famille F, et si le

prétraitement éventuellement réalisé a permis de sélectionner des points M judicieux, il est
probable que la fonction g(a) possède dans l'espace Ω soit des maxima marqués, soit des
accumulations de valeurs. La tâche de reconnaissance de formes dans Rn revient donc à une
tâche de recherche de maxima ou de recherche de nuages de valeurs.
Ainsi, la transformation de Hough permet non seulement de détecter la présence d'une

ou plusieurs courbes (ou formes) dans une image mais aussi de les localiser.
31
Chapitre 2
En pratique, la fonction g(a) est usuellement construite à partir d'une représentation

quantifiée de l'espace Ω. A chaque cellule de quantification représentant une valeur de a, est
associée un compteur. Pour chaque point M, est incrémenté un ou plusieurs compteurs de Ω.
En fin de calcul de la transformation de Hough, la valeur de g(a) est prise égale au compteur
associé à la cellule a.
Cette définition a mis en évidence un certain nombre de problèmes qui se posent lors de
sa mise en œuvre: prétraitement pour la sélection des points, définition de la famille de
courbes, quantification correcte de l'espace des paramètres.
2.3 Application à la détection de droites ou d'alignements de
points
Afin de montrer les problèmes de la mise en œuvre pratique de la transformation de

Hough, nous présentons un exemple de détection d'alignements de points ou de droites dans
des repères cartésien et polaire. Cet exemple montre que le choix de l'expression du modèle
de la forme recherchée (ou famille de courbes) est cruciale.
2.3.1 Représentations d'une droite
Une droite dans une image peut être représentée de deux façons:
• représentation cartésienne: y = a x + b ou a y + b x + c = 0
• représentation polaire: ρ = x cos ϑ + y sin ϑ
Selon la représentation, l'espace des paramètres peut être bidimensionnel ou

tridimensionnel:
• représentation cartésienne: l'espace des paramètres est bidimensionnel ou

tridimensionnel suivant que la droite est modélisée par une équation à deux
paramètres (a, b) ou trois paramètres (a, b, c),
• représentation polaire: l'espace des paramètres est bidimensionnel caractérisé par les
deux paramètres (ρ, θ) de l'équation en coordonnées polaires de la droite.
32
Chapitre 2
y y
bi yi = ai x i + bi ρi = x i cos θi + yi sin θi
Mi Mi
ρi
ai
x θi x
a) représentation cartésienne b) représentation polaire

figure 2.2: Représentations paramétriques cartésienne et polaire d'une droite
cartésienne
Un des problèmes de la représentation cartésienne est la difficulté de prise en compte

des droites verticales (a → ∞). Deux approches sont possibles.
La première a pour modèle:
y=ax+b
La transformation de Hough de 1 à m associe à tout point Mi de l'image, un ensemble

de points Ai ⊂ Ω définissant les droites passant par Mi.
y a
200 200
−1 y
a= b+ i
xi xi
Mi
0 x 0 b
0 200 0 200
espace image espace des paramètres

figure 2.3: Transformation de 1 à m d'un point en coordonnées cartésiennes
Ces droites vérifient l'équation suivante dans l'espace des paramètres Ω:
b yi −1 y
équation 2.1: a=− + = b+ i
xi xi xi xi
33
Chapitre 2
Cette transformation de 1 à m borné (car Ω borné) associe une droite dans l'espace des
paramètres Ω à un point Mi de l'image (figure 2.3). Ce point Mi est l'intersection de toutes les
droites de l'espace image dont les valeurs des paramètres (a, b) vérifient l'équation 2.1.
De la même façon, à tout point (ai, bi) de l'espace des paramètres Ω est associé dans
l'espace image une droite (figure 2.4) d'équation:
y = ai x + bi
y a
200 40
y = ai x + bi
(ai, b i)
0 x 0 b
0 200 0 1

figure 2.4: Transformation de 1 à m d'une droite en coordonnées cartésiennes
Cette première approche ne prend pas en compte le problème des droites de pente (a) infinie.
Une seconde approche du paramétrage cartésien est la suivante:
a x +b y +c = 0
Cette méthode, plus générale que la précédente, prend en compte le cas des droites
verticales (les droites verticales sont paramétrées en annulant b). Cependant, cette méthode
n'est pas avantageuse en temps de calcul et en facilité d'interprétation car l'espace Ω est
maintenant tridimensionnel.
En résumé, le paramétrage cartésien n'est pas adapté à la transformation de Hough.

L'inhomogénéité de l'espace des paramètres (en particulier la pente a), la non prise en compte
de droites verticales (a → ∞) rendent ce paramétrage inadapté. C'est pourquoi on utilise
généralement le paramétrage polaire.
34
Chapitre 2
2.3.3 Application de la transformation de Hough avec une re présentation
polaire
Le paramétrage cartésien entraînant une forte inhomogénéité de l'espace Ω, le

paramétrage polaire lui est très souvent préféré. Dans cette représentation, une droite dans
l'image est définie par l'équation suivante:
ρ = x cosϑ + y sin ϑ
Les relations entre les paramètres polaires et cartésiens sont:
1 ρ
a=− b=
tan ϑ sin ϑ
La transformation de 1 à m associe à tout point Mi de l'image l'ensemble Ai ⊂ Ω des

paramètres définissant des droites passant par Mi. Ces droites vérifient l'équation suivante
définissant une sinusoïde dans l'espace Ω:
ρ = xi cos ϑ + y i sin ϑ
La figure 2.5 présente la transformation de 1 à m d'un point de l'espace image dans

l'espace Ω dont les bornes sont [0; 2π] pour θ et [0; 200] pour ρ.
y ρ
200 200
ρ = x cos ϑ + y sin ϑ
Mi
0 x 0 θ
0 200 0 2π

figure 2.5: Transformation de 1 à m d'un point en coordonnées polaires
Lorsque plusieurs points sont alignés dans l'image, nous obtenons dans l'espace des
paramètres un ensemble de sinusoïdes dont l'intersection correspond au couple de valeurs des
paramètres (ρ, θ) caractérisant la droite passant par l'ensemble de ces points (figure 2.6).
35
Chapitre 2
y ρ
200 200
0 x -200 θ
0 200 0 2π

figure 2.6: Transformation de 1 à m d'une droite en coordonnées polaires
Pour une variation de θ ∈ [0;2π], une droite est définie deux fois (θ et θ+π définissent
la même droite). On peut ainsi noter dans l'espace des paramètres la présence de deux nuages
de valeurs symétriques.
Selon l'orientation des droites dans l'image, les bornes des paramètres ainsi que le pas
de quantification doivent être déterminés de façon à observer l'ensemble des nuages de points.
De nombreux travaux ont traité ce problème: Duda et Hart ont proposé le choix de la
paramétrisation normale [DUD72], Timousi [TIM85] a traité le problème de la définition de θ
entre [0, π] ou [0, 2π]. Sloan et O'Rourke [ORO81] [ORO84] se sont penchés sur une
quantification dynamique visant à partitionner l'espace des paramètres Ω de façon adaptative
par des cellules de taille variable.
2.4 Conclusion
Le problème de détection de défauts de type fissure dans un matériau en utilisant la

technique d'acquisition ultrasonore T.O.F.D. est un problème de reconnaissance de formes.
Nous avons introduit, au début de ce chapitre, la reconnaissance de formes en traitements
d'images.
Nous avons retenu la méthode de la transformation de Hough, méthode paramétrique de

recherche de formes appartenant à la famille des approches contour. Cette méthode est
adaptée à notre problème. Son implantation informatique nécessite des temps de calcul
importants. Ne travaillant pas en temps réel, le temps de calcul n'est pas une contrainte pour
nous, dans la mesure où il reste raisonnable.
36
Chapitre 2
Nous avons présenté le principe de la transformation de Hough et une application à la

recherche d'alignements de points (ou de droites) dans une image pour illustrer la méthode.
37
Chapitre 3
Application de la transformation de Hough
aux images ultrasonores B - Scan
Chapitre 3
Application de la transformation de Hough aux images ultrasonores B-Scan
Chapitre 3
Application de la transformation de Hough aux
images ultrasonores B - Scan
Ce chapitre présente une méthode de détection des arcs de diffraction présents dans un
plan ultrasonore B-Scan, représentatifs de défauts de type fissure [BOL96] [LEW97].
L'approche est basée sur la transformation de Hough. La mise au point de l'algorithme final a
nécessité plusieurs étapes. Nous présentons, pour chacune d'elles, une description du
traitement, les objectifs recherchés, la mise en œuvre algorithmique, les résultats obtenus, les
points forts et les points faibles de la méthode. Nous montrons les améliorations à chaque
étape, en présentant les résultats obtenus sur l’ensemble du jeu de test défini en annexe C, et
en quantifiant le taux de bonne et de mauvaise détections.
3.1 Définition du problème en terme de traitement d'images
La présence d'un écho de diffraction est caractérisée par une série d'arcs de paraboles
ayant le même axe de symétrie (parallèle à l'axe du temps de vol). Nous observons une
succession d'arcs clairs et sombres (alternances positives et négatives de l'écho d'émission du
capteur ultrasonore).
En pratique, l'opérateur réalisant l'expertise recherche le premier arc de diffraction clair

correspondant à la réponse ultrasonore de la première alternance positive du signal émis. Afin
de localiser le défaut, l'opérateur relève soit la position du sommet de la transition arc de
diffraction sombre / arc de diffraction clair (représenté par (1) sur la figure 3.1), soit le
maximum de l'arc de diffraction clair au niveau du sommet de l'arc (représenté par (2) sur la
figure 3.1).
39
Chapitre 3
Première transition arc de

Premier arc de
diffraction sombre / arc de
diffraction clair
diffraction clair
Niveau 2
232
199 3
1
166
133
100
67
0 14 28 42 56 70 84
Position
B-Scan A-Scan
figure 3.1: Positions recherchées par l'opérateur pour la localisation du défaut
Quelle que soit la position recherchée (1) ou (2), l'opérateur est capable de localiser le
défaut, puisque ces deux informations sont corrélées. En effet, le temps de vol séparant les
deux positions dépend de la fréquence d'émission de l'onde ultrasonore. Il est égal à un quart
de la période de l'onde ultrasonore. Les deux maxima successifs (2) et (3) correspondent à
une période de l'onde ultrasonore émise. L'opérateur est donc capable de localiser
précisément le défaut si la nature de l'information fournie par le traitement est précisée
(transition ou maxima).
3.2 Mise en œuvre de la transformation de Hough
Nous avons présenté au chapitre 2 la transformation de Hough discrète. La définition

énoncée fait appel à un modèle mathématique du défaut recherché. Nous définissons
précisément ce modèle dans le paragraphe suivant à l’aide des caractéristiques observées sur
les images B-Scan. L'espace image de cette transformation est constitué des plans B-Scan à
analyser. Nous définissons ensuite l’espace des paramètres nécessaire à la transformation de
Hough discrète, et une représentation de cet espace permettant l'interprétation des résultats.
3.2.1 Définition du modèle mathématique et de l'espace des paramètres
Les arcs de diffraction peuvent être modélisés par (équation 1.3):
t ( x ) = Ouv ( x − x 0 ) + t 0
2
z2
où Ouv =
c.( z 2 + d 2 ) 3 / 2
40
Chapitre 3
et
2 z2 + d2
t0 =
c
Cette équation est celle d'une sous-famille de la famille F de toutes les paraboles d'un
espace bidimensionnel définie par:
F = {{( x, t ) : f ( x, t , x 0 , t 0 , Ouv ,θ ) = 0, (x , t ) ∈ R 2 }, :( x0 , t0 , Ouv ,θ) ∈ R 4 }
où:
équation 3.1
f (x , t ) = ((x − x0 )sin θ − (t − t 0 ) cosθ ) + Ouv (( x − x0 )cosθ + (t − t 0 )sin θ )

2
Elle représente les arcs de paraboles dont l'axe de symétrie est parallèle à l'axe des
abscisses. En d'autres termes, elle représente la sous-famille G de paraboles pour lesquelles le
paramètre d'orientation θ est nul.
G = {{( x, t ) : g ( x, t , x0 , t 0 , Ouv ) = 0, ( x, t ) ∈ R 2 }, : ( x0 , t 0 , Ouv ) ∈ R 3 }
où:
g ( x, t ) = Ouv ( x − x0 ) − (t − t 0 )
2
équation 3.2
Un exemple d'élément de la sous-famille G est présenté sur la figure 3.2.
t
g (x, t ) = Ouv (x − x 0 )2 − (t − t 0 )
x
figure 3.2: Exemple d'élément de la sous -famille G
41
Chapitre 3
Plusieurs formulations mathématiques de g(x, t) sont possibles. L'équation 3.2 est

équivalente à la suivante:
équation 3.3 g ( x , t ) = t − a x 2 − bx − c = 0
En pratique, le choix de l'expression mathématique du modèle peut avoir des

conséquences importantes sur la mise en œuvre et l'analyse des résultats. L'exemple de
l'application de la transformation de Hough à la détection d'alignements de points en utilisant
la représentation cartésienne d'une droite d'une part, et la représentation polaire d'autre part
montre les conséquences de ce choix.
La formulation décrite par l'équation 3.2 est la plus adaptée à notre problème. L'objectif
étant de détecter et de localiser le sommet d'arcs de diffraction, le résultat obtenu peut être
décrit à l'aide des deux paramètres (x0 , t0 ) du modèle mathématique de l'équation 3.2. Dans le
cas de l'équation 3.3, la localisation du sommet doit être calculée à partir de la connaissance
des paramètres a, b, c.
Le modèle mathématique pour le calcul de la transformation de Hough définit l'espace

des paramètres suivant: Ouv, x0 , t0 (figure 3.3).
Ouv
Ouv H(x 0, t 0 , Ouv)
I(x0 , t 0) x x0
t t0
Paramètres nécessaires:
Espace Image x0 , t0 et Ouv Espace des paramètres

figure 3.3: Espaces image et espace des paramètres de la transformation de Hough
3.2.2 Optimisation de l'espace des paramètres
Le facteur prépondérant de l’augmentation du temps de calcul de la transformation de

Hough est la multiplicité des paramètres nécessaires à une bonne détection. Ce problème, très
souvent rencontré dans les applications de la transformation de Hough, est un frein important
à son développement. L'axe de symétrie commun à tous les arcs de diffraction (parallèle à
l'axe des temps) permet de réduire le nombre de paramètres de quatre à trois sans
détérioration du modèle (le paramètre supprimé est l'orientation è).
42
Chapitre 3
Nous avons établi la relation suivante du temps de vol t en fonction du déplacement

relatif dx du centre du tandem émetteur / récepteur par rapport à la fissure:
t ( d x ) = Ouv d x + t 0
2
dans laquelle:
z2
équation 3.4 Ouv =
c.( z 2 + d 2 ) 3 / 2
et
2 z2 + d 2
équation 3.5 t0 = pour z ≥ 0
c
L'équation 3.5 peut être écrite sous la forme:
2
t0 c 2 2d
équation 3.6 z= −d 2 avec t0 ≥
4 c
Nous pouvons établir la relation liant l'ouverture Ouv en fonction du temps de vol t0
(équation 3.7) en remplaçant z par son expression en fonction de t0 dans l'équation 3.4:
équation 3.7 Ouv =

(
2 c 2 t 0 2 − 4d 2 ) avec t0 ≥
2d
c 4 t0 3 c
La redondance entre les paramètres de profondeur et d'ouverture étant établie, un de ces

deux paramètres peut être supprimé. L'espace des paramètres est alors réduit à deux
dimensions. Le problème posé est de savoir quel paramètre supprimer? Plusieurs aspects sont
à considérer pour répondre à cette question:
• Le choix permettant une mise en œuvre aisée du traitement,
• le choix offrant la meilleure interprétation des résultats obtenus.
Le paramètre temps de vol étant discret et le paramètre Ouverture réel, il est préférable
de conserver le temps de vol puisque nous travaillons dans un domaine discret. Il n'est alors
43
Chapitre 3
pas nécessaire d'arrondir la valeur calculée de l’ouverture (une erreur, même faible sur ce
paramètre modifie considérablement la forme).
De plus, en conservant le temps de vol des arcs de diffraction, l'espace des paramètres
correspond physiquement aux axes de l’image traitée. L’interprétation est ainsi immédiate.
Par conséquent, en remplaçant Ouv dans l'équation suivante:
f (x , t ) = Ouv ( x − x0 ) − (t − t 0 ) = 0
2
par son expression en fonction de t0 (équation 3.7), nous obtenons l'expression suivante du
modèle:
2(c 2
)
t 0 2 − 4d 2
équation 3.8 f (x , t ) = 4 3
(x − x0 )2 − (t − t0 ) = 0
c t0
La nouvelle représentation de l'espace des paramètres réduit à deux paramètres est la

suivante (figure 3.4):
I(x0,t 0) x x0
t H(x0, t0)
Paramètres nécessaires: t0
x0, t0
Espace Image Espace des paramètres
figure 3.4: Nouveaux espaces image et des paramètres de la transformation de Hough
Le tracé de l'équation 3.7 représente l'évolution du paramètre d’ouverture en fonction

du temps de vol t0 . (figure 3.5) pour les valeurs d = 20 mm, et c = 5,8 m/s.
44
Chapitre 3
Ouv (m-2 s)
3,5
2,5
1,5
0,5
0
0,01 0,02 0,03 0,04 0,05
Temps de vol t 0 (sec)
figure 3.5: Evolution de l’ouverture en fonction de la profondeur
La profondeur à laquelle nous recherchons des défauts est techniquement nommée la

zone des trente premiers millimètres (TPM). Cette zone concerne la partie ascendante de la
courbe de la figure 3.5 (jusqu'au temps de vol t0 = 0,012 sec).
La substitution du paramètre ouverture par son expression en fonction de la profondeur

(ou du temps de vol t0 ) ne pose en théorie pas de problème. En pratique, la relation entre ces
paramètres n'est pas toujours très bien vérifiée. La comparaison entre la mesure de l’ouverture
réelle d’un arc de diffraction à une profondeur donnée et sa valeur théorique présente parfois
une différence significative. Cela entraîne évidemment un risque d’erreur lors de la
construction de l’espace des paramètres. Si l’ouverture retenue est erronée, les points de
l’image considérés pour la construction de chaque élément de l’espace des paramètres (o sur
la figure 3.6) ne sont pas toujours ceux qui devraient être utilisés.
o: Points à utiliser
x: Points considérés
figure 3.6: Erreur due au calcul de l'ouverture
45
Chapitre 3
3.2.3 Origine temporelle des acquisitions
Le paramètre d'ouverture Ouv est calculé en fonction du temps de vol t0 . L'origine

temporelle des signaux n'étant pas toujours présente dans les plans B-Scan, celle-ci est
déterminée à partir de la connaissance d'une référence temporelle. En pratique, il n'y a pas de
référence temporelle stable pour l'ensemble des images B-Scan du jeu de test. L'écho de
surface ou de revêtement (figure 3.7) est en général stable, mais n'est pas toujours enregistré
dans les données d'acquisition. L'écho de fond, un peu moins stable, est quant à lui présent
dans la totalité des images B-Scan.
temps de vol
écho de surface écho de fond
figure 3.7: Exemple d'écho de surface et d'écho de fond
La corrélation entre ces différents échos est importante et dépend des dimensions
géométriques de la pièce à inspecter. En effet, la relation entre le temps de vol t et la
profondeur z est la suivante:
z2 + d 2
t =2
c
Le temps de vol de l'écho de surface correspond à la valeur de t pour z=0, d'où
2d
t (écho de surface ) =
c
De la même façon, connaissant l'épaisseur e de la pièce, le temps de vol de l'écho de

fond est calculé en posant z = e :
e2 + d 2
t (écho de fond ) = 2
c
46
Chapitre 3
Par conséquent, en présence d'un écho de référence (soit l'écho de surface, soit l'écho de
fond), nous pouvons déterminer le temps de vol de tout point de l'image B-Scan. Si t1
(respectivement t2 ) représente le temps de vol relatif du point considéré par rapport à l'écho
de surface (respectivement écho de fond), le temps de vol est déterminé par:
2d
t = t (écho de surface ) + t1 = + t1
c
ou
2 e2 + d 2
t = t (écho de fond ) − t 2 = − t2
c
Le choix du type d'écho de référence (et de sa localisation) est déterminé par l'opérateur
lors de l'exploitation des données (voir annexe E).
3.2.4 Bornes de l'espace des paramètres
L'espace résultant de la transformation de Hough est constitué de deux paramètres: x0 et

t0 correspondant au sommet de l'arc de diffraction. Les défauts recherchés pouvant être situés
n'importe où dans la zone de calcul du traitement, les valeurs prises par x0 et t0 évoluent dans
des plages de variation correspondant à celles de l'espace image I(x, t). Les dimensions de
l'espace des paramètres sont donc identiques à celles de l'image contrôlée.
3.2.5 Prétraitement nécessaire à la transformation de Hough
Lors de la définition de la transformation de Hough, nous avons introduit la nécessité

d'un prétraitement pour le choix des points utiles à la construction de l'espace des paramètres.
H. Maitre [MAI85] insiste dans sa définition générale sur le choix et l’efficacité de ce
prétraitement à réaliser: plus les points retenus sont judicieux, meilleur est le résultat.
En général, ce prétraitement se limite dans le cas des droites à une segmentation basée
sur des éléments caractéristiques de l’image tel que le niveau de gris par exemple. L'avantage
du prétraitement est la mise en valeur dans l'ensemble des points de l'image à traiter d'un sous
ensemble de points réduit servant à construire l'espace des paramètres. Le temps de calcul est
ainsi considérablement réduit.
47
Chapitre 3
Lorsque le prétraitement n'est pas parfaitement adapté, il introduit une perte

d'informations importante influant sur le bon fonctionnement de la transformation de Hough.
Il est difficile de déterminer des critères caractéristiques, communs aux exemples de la figure
3.8, permettant de générer un prétraitement efficace. A partir des quelques exemples suivants,
il serait possible de définir un prétraitement efficace, mais la robustesse de nos traitements
serait dépendante de celui-ci.
figure 3.8: Quelques exemples caractéristiques d'images à traiter
C'est pourquoi, n'étant pas tributaire du temps de calcul et étant donné la diversité des
images à traiter (en particulier au niveau du bruit et de la dynamique), nous avons choisi de
ne pas réaliser de prétraitement.
3.2.6 Mise en œuvre pratique de la transformation de Hough
L'algorithme de la transformation de Hough consiste à:
1) balayer tout l'espace des paramètres,
2) déterminer, pour chacun des points (x0 , t0 ) de cet espace des paramètres H, tous les
points de l'espace image I(x, t) vérifiant l'équation suivante:

rnd  f (x , t ) =
(
2 c 2 t 0 − 4d 2
2
) 
( x − x0 )2 − (t − t 0 ) = 0 avec t0 ≥
2d
4 3
 c t0  c
où rnd ( ) est la fonction arrondie.
Le résultat de la fonction f (x , t ) étant réel et l'espace des paramètres étant discret, il

est nécessaire d'arrondir ce résultat à l'entier le plus proche.
3) incrémenter l'accumulateur associé au point considéré de l'espace des paramètres

d'une valeur α pour chaque point de l'espace image déterminé à l'étape 2.
48
Chapitre 3
Le pseudocode peut être décrit de la manière suivante:
Pour toute valeur de x0

| Pour toute valeur de t0
| | Pour tout pixel de l'image (x, t)
| | | Si rnd ( f ( x, t )) = 0
| | | | H (x0 , t 0 )+ = α
| | | Fin Si
| | Fin Pour tout pixel (x, t)
| Fin Pour t0
Fin Pour x0
Un point important de l'algorithme est le facteur d'incrémentation de l'espace des

paramètres α. Si un prétraitement efficace permet de ne prendre en compte qu'un nombre
restreint de pixels représentatifs des formes recherchées, le paramètre α peut être choisi
constant (dans ce cas, seuls les pixels issus du prétraitement sont considérés dans la
construction de l'espace des paramètres).
Lorsqu'aucun prétraitement n'est réalisé, tous les pixels de l'image sont a priori
représentatifs d'un arc de parabole. L'espace des paramètres ne peut donc pas contenir de
"nuages de valeurs" maximum caractérisant la présence d'un ou plusieurs arcs de diffraction.
Afin de résoudre ce problème, une méthode consiste à modifier le facteur d'incrémentation α
lors de la construction de l'espace des paramètres. Si une valeur représentative de la présence
de défauts est affectée à ce paramètre, tous les pixels de l'image n'ont plus la même influence.
Les pixels représentatifs d'un défaut ont une contribution plus importante que ceux
représentatifs du bruit.
Le facteur d'incrémentation a donc une importance capitale dans la construction de la

transformation de Hough. L'observation des images B-Scan montre la forte intensité des
pixels constituant les arcs de diffraction. Le facteur d'incrémentation peut donc être choisi,
dans un premier temps, proportionnel à l'intensité des pixels:
α = I (x , t )
49
Chapitre 3
3.2.7 Quelques résultats de la transformation de Hough avec une
accumulation de l'intensité
Nous présentons dans ce paragraphe quelques exemples de résultats. Ces exemples sont
une représentation partielle mais réaliste de l'ensemble du jeu de test. La figure 3.9 illustre
des acquisitions avec un bruit peu intense et des défauts assez marqués, d'autres où le bruit est
très fort et les défauts très intenses et enfin des cas où le bruit est fort et les défauts peu
marqués.
figure 3.9: Quelques exemples caractéristiques d'images à traiter
La taille des acquisitions étant importante, nous ne présentons pas les plans B-Scan
comportant ces défauts dans leur globalité mais uniquement les zones où se situent les défauts
et sur lesquelles le traitement est appliqué. Les résultats obtenus sont présentés sur la figure
3.10.
figure 3.10: Espaces des paramètres obtenus
Le choix d'un facteur d'incrémentation proportionnel à l'intensité des pixels est

intéressant: les fortes intensités correspondant aux alternances positives de l'onde diffractée
sont représentatives de l'arc de diffraction. Des nuages de valeurs importantes apparaissent à
la position des défauts. Cependant, de fortes valeurs sont aussi présentes à d'autres endroits de
l'image, en particulier là où se situent les échos de surface, en général très intenses. Lorsque
ces échos de surface sont plus intenses que les défauts recherchés (c'est le cas pour un certain
nombre d'images B-Scan), cela engendre de mauvaise détection.
Une autre constatation importante est l'apparition d'une zone très intense au centre de la
partie supérieure de l'espace des paramètres, très visible sur le premier exemple. Ce problème
50
Chapitre 3
est lié au fait que l'image possède des dimensions finies. Le nombre de pixels pris en compte
dans le calcul de l'espace des paramètres dépend alors de la valeur des paramètres traités.
3.3 Traitement des effets de bords
3.3.1 Explication des effets de bords
Lors du calcul d'un élément de l'espace des paramètres, le nombre de points de l'espace
image contribuant à sa valeur est variable. En effet, un élément de l'espace des paramètres est
incrémenté par la valeur de l'intensité des pixel (x, t) de l'image vérifiant l'équation:
rnd ( f ( x, t )) = 0
Ce nombre de pixels est directement lié à la position de l'élément de l'espace des

paramètres considéré. C'est le nombre de pixels appartenant à l'arc de parabole défini par
f(x, t) et paramétré par x0 et t0 . Si les valeurs des paramètres (x0 , t0 ) représentent l'arc de
parabole de la figure 3.11.a, le nombre de pixels appartenant à l'arc de parabole est plus
important que dans le cas de la figure 3.11.b et encore plus important que dans le cas de la
figure 3.11.c.
x x x
t t t
a) b) c)
figure 3.11: Représentation des effets de bord
Une représentation en niveaux de gris du nombre de points de l'image intervenant dans

la construction d'un élément de l'espace des paramètres est présentée sur la figure 3.12
(transformation de Hough appliquée à l'image composée de pixels ayant des niveaux de gris
identiques).
51
Chapitre 3
x0
t0
figure 3.12: Transformation de Hough appliquée à une image uniforme
Ce résultat illustre parfaitement les zones de très fortes intensités observées sur la figure
3.10.
3.3.2 C o m p e n s a t i o n d e s e f f e t s d e b ords
Les effets de bords importants apparaissant lors de la construction de l’espace des

paramètres peuvent être résolus en effectuant une opération de normalisation de l’espace des
paramètres [DIO96]. Elle consiste à réaliser une division élément par élément de l'espace
résultant de la transformation de Hough de l'image à traiter Himage par l'espace des paramètres
d'une image uniforme de même dimension Hfond.
H image ( x0 , t 0 )
Espace des paramètres normalisé H (x 0 , t 0 ) = ∀ x0 , t 0
H fond ( x0 , t 0 )
Un élément (x0 , t0 ) situé au centre de la partie supérieure de l'espace des paramètres est
ainsi incrémenté d'une valeur plus faible qu'un élément situé par exemple dans le coin
inférieur gauche de cet espace.
3.3.3 M i s e e n œ u v r e p r a t i q u e d e l a t r a n s f o r m a t i o n de
de H o u g h a v e c
normalisation
Le pseudo-code de la transformation de Hough avec normalisation de l'espace des

paramètres est le pseudo-code précédent auquel nous ajoutons le calcul de l'espace des
paramètres pour une image uniforme de taille identique à l'image B-Scan traitée. Une division
accumulateur à accumulateur des deux espaces des paramètres (espace des paramètres de
l'image traitée divisé par celui de l'image uniforme) est réalisée afin d'obtenir l'espace des
paramètres résultat normalisé.
52
Chapitre 3
Pour toutes les valeurs de l'espace des paramètres (x0 , t0 )

| Pour tout pixel de l'image (x, t)
| | Si rnd ( f ( x, t )) = 0
| | | HIM (x 0 , t 0 ) + = I ( x, t )
| | | HFOND( x 0 , t 0 ) + = 1
| | Fin Si
| Fin Pour tout pixel de l'image (x, t)
Fin Pour toutes les valeurs de l'espace des paramètres (x0 , t0 )

| H (x 0 , t 0 ) = HIM ( x0 , t 0 ) / HFOND( x 0 , t 0 )
3.3.4 Quelques résultats de la transformation de Hough avec
normalisation
Les résultats obtenus sur les exemples présentés au paragraphe précédent (figure 3.10)
sont comparés à ceux obtenus avec le traitement normalisé (figure 3.13). Ils mettent en
évidence l’importance de cette normalisation.
Image initiale
Espace obtenu
sans
normalisation
Espace obtenu
avec
normalisation
figure 3.13: Exemples d’image traitée sans normalisation puis avec normalisation
53
Chapitre 3
L'algorithme réalisé génère dans l’espace des paramètres des nuages de points pouvant
être représentatifs d’arcs de diffraction présents dans les images. La phase de décision, en
aval de la transformation de Hough, indique le fait qu’un nuage de points de l’espace des
paramètres est représentatif ou non d’un défaut (l'objectif étant de détecter des défauts
lorsqu'ils sont présents mais aussi d'indiquer leur absence le cas échéant).
3.4 Phase de décision
La phase de décision s'appuie sur la présence des maxima de l'espace des paramètres.
La valeur des pics d'intensité de l'espace des paramètres est cependant très relative. En
fonction de la dynamique obtenue lors de l'acquisition et du matériau contrôlé, la valeur du
maximum obtenu fluctue énormément.
Le seuil est déterminé en fonction de l'écart type des variations des amplitudes de
l'espace. L'écart type nous a permis d’établir la relation suivante définissant un seuil de
décision efficace de l'espace des paramètres:
2
 
n∑ H (t i , x j ) −  ∑ H (t i , x j )
2
 i,j 
Seuil = 3σ n = 3 ×
i, j
équation 3.9 2
n
où n est le nombre de points constituant l'espace des paramètres et H l'espace des paramètres
normalisé de la transformation de Hough.
Cette relation permet de détecter l’existence du défaut dans la grande majorité des cas
du jeu de test. Seul le cas où la zone de travail contient un écho de surface ou de revêtement
très intense conduit à une non détection. Cependant, ces images sont des cas particuliers
d’acquisition non représentatifs des images habituellement traitées.
Le pseudo-code de la phase de décision implantée est le suivant:
Calcul du seuil de décision suivant l'équation 3.9

| Rechercher les maxima supérieurs à seuil
Proposer les maxima éventuellement trouvés à l’opérateur
54
Chapitre 3
3.5 Evaluation de la transformation de Hough avec
normalisation
Nous présentons les résultats obtenus sur l’ensemble du jeu de test en annexe C. Les
taux de bonne et non détections sont définis de la manière suivante:
• Taux de bonne détection des images comportant des défauts: le rapport entre le
nombre de défauts trouvés et le nombre total de défauts présents dans le jeu:
Nb. de défauts trouvés

Taux de bonne détection =
Nb. total de défauts
• Taux de non détection de défauts pour des images ne comportant pas de défaut: le
rapport entre le nombre d'images dans lequel aucun défaut n'a été détecté et le nombre
total d'images sans défaut:
Nb. d ' images sans défaut trouvées

Taux de non détection =
Nb. total d ' images sans défaut
Le tableau de la figure 3.14 indique les taux de bonne et non détections obtenus pour les
plans B-Scan avec défaut et ceux sans défaut de l'annexe C.
B-Scan avec défaut: B-Scan sans défaut:

Taux de bonne détection Taux de non détection
84% 70%
figure 3.14: Performances de la transformation de Hough normalisée
Les mauvaises détections ont principalement lieu lorsque l'intensité des pixels des
défauts est faible. Il semble donc que le choix d'un facteur d'incrémentation α de l'espace des
paramètres proportionnel à l'intensité des pixels ne soit pas satisfaisant. En présence de zones
très intenses non représentatives de défaut (un écho de surface par exemple), des nuages de
fortes valeurs apparaissent dans l'espace des paramètres, non représentatifs de défauts.
55
Chapitre 3
3.6 Amélioration de l’algorithme
Une analyse des résultats de l’annexe C montre les limites de l'algorithme pour détecter
des arcs de diffraction en présence de bruit. Une particularité des différentes images est qu'il
apparaît un important gradient tout au long de l'arc de diffraction: les pixels constituant les
arcs de diffraction sont visibles même lorsque le bruit dû à l’acquisition est très fort.
Zone de fort gradient
figure 3.15: Exemple de défaut avec un contour à fort gradient
Ce fort gradient sur le contour des défauts peut être pris en compte lors de
l’incrémentation de l’espace des paramètres.
3.6.1 I n t é g r a t i o n du g r a d i e n t d a n s l a c o n s t r u c t i o n d e l ’ e s p a c e d e s
paramètres
Le gradient le long du défaut est maximal dans une direction normale à la parabole. Il
est donc nécessaire de déterminer les pixels composant cette normale si l'on souhaite intégrer
ce gradient dans la construction de l'espace des paramètres. Lorsque nous traitons un point
précis de l’espace image (xp , tp ) et un point précis de l’espace des paramètres (x0 , t0 ), nous
sommes capables de définir l’équation de la normale à ce point (xp , tp ) de la parabole définie
par les paramètres (x0 , t0 ).
L’équation de la parabole recherchée étant la suivante:
f (x , t ) = (t − t 0 ) − Ouv( x − x 0 ) = 0
2
avec Ouv =
(
2 c 2 t 0 2 − 4d 2 )
c 4 t0 3
la pente de la tangente au point (xp , tp ) est obtenue en dérivant cette équation par rapport à x.
En posant x = xp :
56
Chapitre 3
dt (x p )
= 2 Ouv ( x p − x 0 )
dx
L’équation de la normale à la parabole au point (xp , tp ) est alors définie par:
(x− x)
N (x , t ) = t − t p − =0
p
2 Ouv (x p − x0 )
t0 tp t
x0 Ouv
xp
x
Normale pour le
calcul du gradient
figure 3.16: La normale à l'arc de parabole pour le calcul du gradient
Connaissant l’équation de la normale en tout point (xp , tp ) de la parabole, le calcul du

gradient est possible.
Le gradient au point (xp , tp ) peut être calculé par une soustraction entre l'intensité du
pixel courant (1 sur la figure 3.17) et celle du pixel voisin extérieur (2 sur la figure 3.17) à la
parabole sur la normale.
2
1
x
figure 3.17: Calcul simple du Gradient dans le cas d'une image binaire
Malheureusement, la simplification de l'espace des paramètres (ouverture en fonction

du temps de vol) introduit parfois une erreur dans le choix des pixels à considérer (en
particulier au niveau des branches de l'arc de diffraction) (voir figure 3.18).
57
Chapitre 3
Erreur due au
modèle
figure 3.18: Erreur commise due au modèle approximatif
De plus, les transitions entre les arcs de diffractions clair et sombre ne sont pas de type
"saut d'amplitude". La pente des transitions peut être variable selon les conditions
d'acquisition. Par conséquent, le calcul simple du gradient tel que nous venons de le décrire
n'est pas assez robuste. Une recherche du gradient maximum le long de la normale est
indispensable: elle permet la détection de la véritable position de la transition entre l'arc de
diffraction et le bruit de l'image. Les accumulateurs de l'espace des paramètres sont ainsi
incrémentés par la valeur optimale du gradient. Cela a pour effet de résoudre le problème de
l'inexactitude du modèle considéré (figure 3.18),
L'algorithme mettant en œuvre le calcul du gradient recherche le sommet de la

transition entre un arc de diffraction sombre et un arc de diffraction clair. L'algorithme
exploitant l'intensité des pixels, recherchait le sommet au centre d'un arc de diffraction clair.
Cette différence ne pose pas de problème de localisation du défaut car la distance séparant les
deux points détectés dépend de la fréquence du signal ultrasonore émis (paramètre
d'acquisition connu).
3.6.2 Extraction des pixels situés sur la normale
3.6.2.1 Algorithme d'extraction des pixels appartenant à la normale
Le critère défini pour le choix des pixels est un critère de distance illustré sur la figure
3.19.
58
Chapitre 3
a
1 2 3 Normale passant
b par le pixel "0"
b 4 0 5
6 7 8
figure 3.19: Critère de choix des pixels
Les coordonnées sont prises au centre du pixel 0 pour lequel la normale est calculée.
Les pixels voisins (de distance 1) retenus pour la construction de la normale sont ceux dont le
centre est le plus proche de la valeur théorique de la normale. Dans le cas de la figure 3.19,
les pixels retenus sont les pixels 3 et 6 (leurs centres sont plus proches de la normale que ceux
des pixels 4 et 5). Ce même critère est appliqué aux pixels de distance deux, puis trois…
L'axe sur lequel est appliqué le critère de distance est déterminée par un calcul de la
pente de la normale:
• lorsque la pente est infinie, nulle, ou égale à ±1, il n'y a pas de critère de distance: le
choix des pixels est immédiat (figure 3.20). Ce sont les pixels situés respectivement
sur la verticale (pixels 0, 2 et 7), sur l'horizontale (pixels 0, 4 et 5), ou sur les
diagonales (pixels 0, 3 et 6, lorsque la pente est égale à 1, et pixels 0, 1 et 8, lorsque la
pente est égale à -1).
Pente = -1 Pente = ±∞ Pente = 1
1 2 3
Pente = 0
4 0 5
6 7 8
figure 3.20: Pixels à extraire lorsque la pente de la normale est égale à ± ∞ , 0 ou ± 1
59
Chapitre 3
• lorsque la pente appartient aux intervalles ]-∞ , -1[ ou ]1 , +∞[, le critère de distance
est appliqué suivant l'axe horizontal. Dans l'exemple de la figure 3.21, les pixels les
plus proches de la normale passant par le pixel 0 sont les pixels 2 et 7.
-∞ < Pente < -1 1 < Pente < ∞
Normale
1 2 3
4 0 5
6 7 8
figure 3.21: Cas de l'axe horizontal pour le calcul de distance
• lorsque la pente appartient aux intervalles ]0 , 1[ ou ]-1 , 0[, le critère de distance est
appliqué suivant l'axe vertical. Dans le cas de la figure 3.22, les pixels les plus proches
de la normale passant par le pixel 0 sont les pixels 4 et 5.
Normale
0 < Pente < 1

1 2 3
4 0 5
-1 < Pente < 0
6 7 8
figure 3.22: Cas de l'axe vertical pour le calcul de distance
3.6.2.2 Relevé des profils de normales à l'arc de diffraction
Nous présentons quelques profils des intensités le long de ces normales (figure 3.23).
60
Chapitre 3
figure 3.23: Quelques relevés de profils des normales
Les opérateurs de filtrage optimal sont particulièrement adaptés à la recherche de

gradient représentatifs de ce type de contours. Le paragraphe suivant présente les différents
filtres existants.
3.6.3 Filtrage optimal et détection de contours
Un contour est défini par la frontière séparant deux régions ayant des intensités
différentes [GON87]. Il existe différents types de contours selon la raideur des variations dans
la zone de transition. Si la pente au centre de cette transition est infinie, le contour est dit de
type "saut d'amplitude". En général, les images ultrasonores comportent un bruit important et
les contours ont des formes proches de celle présentée sur la figure 3.24.
I(x)
x
figure 3.24: Allure des contours présents dans les images B-Scan
J.P. Cocquerez [COC95] dans son ouvrage sur le filtrage et la segmentation présente un
panorama des méthodes de filtrage, et en particulier, parmi les approches de type frontière,
une synthèse des méthodes dérivatives.
Dans une image, les variations d'intensité représentent en général des changements de
propriétés physiques ou géométriques de l'objet observé. Quelques représentations de ces
variations sont:
• les variations d'illumination, ombres,
• les changements d'orientation ou de distance à l'observateur,
61
Chapitre 3
• les changements de réflectance de surfaces,
• les variations d'absorption d'ondes et de rayons (lumineux, X, ...)
Ces variations d'intensité sont en traitement d'images des informations très importantes
car elles constituent les frontières des régions correspondant aux bords des défauts, ou plus
généralement des objets contenus dans une image.
Un contour peut se situer entre les pixels appartenant à des régions ayant des intensités
moyennes différentes (contours de type saut d'amplitude) ou il peut correspondre à une
variation locale d'intensité présentant un maximum ou un minimum (contours de type toit).
Même si ces deux exemples ne représentent pas la totalité des cas (en particulier les régions
de textures différentes), ils sont un bon aperçu de ce que peut être un contour.
Les approches de type contour sont composées de trois familles: les méthodes
dérivatives, surfaciques et morphologiques. Chacune de ces méthodes présentent des
avantages et des inconvénients décrits dans [COC95].
L'approche dérivative est la plus immédiate pour la détection et la localisation des

variations d'un signal. Les contours sont représentés par le résultat d'un fort gradient ou d'une
dérivée seconde du signal nulle.
L'approche surfacique met en évidence la transition entre deux régions par l'utilisation
d'un gabarit surfacique. Un contour est présent lors de la mise en correspondance de ce
gabarit avec une zone de l'image, ou lorsque l'approximation par facettes de la surface fournit
une équation locale permettant de calculer de manière très précise la position du contour et
ses caractéristiques.
Enfin, l'approche morphologique exploite les maxima et minima des intensités du

voisinage de chaque pixel. Par exemple, un contour de type saut d'amplitude est détecté
lorsque la différence entre le maximum et le minimum d'amplitude du voisinage est
importante.
La grande diversité des intensités dans les images et la présence de bruit parfois très
important rendent la mise en œuvre des méthodes surfaciques et morphologiques difficiles.
Aussi, nous avons choisi de mettre en œuvre les méthodes dérivatives, actuellement très
développées.
62
Chapitre 3
3.6.3.1 Méthodes dérivatives
La diversité des variations pouvant engendrer la présence d'un contour est telle qu'il
n'existe pas de solution optimale à la détection de contours. Les méthodes dérivatives posent
le problème de la recherche d'extrêma locaux du gradient du signal ou de la recherche de
zéros de la dérivée seconde ou du laplacien du signal.
F. Truchetet [TRU98] montre que les méthodes du gradient et du laplacien donnent des
résultats très voisins. Le problème essentiel est de trouver une méthode permettant d'estimer
ce gradient et ce laplacien.
Les méthodes dérivatives aujourd'hui implantées peuvent être classées en trois

catégories principales: les opérateurs dérivatifs du premier ordre, du second ordre, et les
opérateurs par filtrage optimal.
Parmi les opérateurs du premier ordre, nous pouvons citer ceux de Prewitt et Sobel, de
Kirsh, MDIF et NAGDIF. Dans les deux premiers cas, les contours obtenus sont épais.
L'opérateur est facile à implanter et rapide, mais aujourd'hui l'évolution des calculateurs
permet la mise en œuvre d'opérateurs beaucoup plus performants. Les opérateurs MDIF et
NAGDIF sont une combinaison d'un lissage et d'une dérivation. Les contours obtenus sont
intéressants pour des images peu bruitées dont l'épaisseur des transitions ne dépasse pas
quelques pixels.
Les opérateurs dérivatifs du second ordre, tels que Marr et Hildreth, Huertas-Medioni,
sont basés sur la localisation du passage par zéro du laplacien. Comme pour les opérateurs
dérivatifs du premier ordre, ces techniques ne sont pas robustes lors de la présence de bruit
intense. C'est pourquoi nous avons choisi de mettre en œuvre la troisième catégorie
d'opérateurs: le filtrage optimal.
Les techniques basées sur le filtrage optimal sont nombreuses. Il existe deux approches
très répandues conduisant toutes deux à des réalisations sous forme de filtres récursifs d'ordre
faible. Ces réalisations font l'objet de nombreuses études proposant un nombre important de
variantes et optimisations. La première approche est celle de Canny et Deriche [DER87]
suivie de celle de Shen et Castan [CAS89].
La mise en forme de ces types de filtre pour la détection de contours dans des images
bruitées nécessite des critères d'optimalité.
63
Chapitre 3
Le contour recherché en filtrage optimal est défini par un échelon additionné à un bruit
blanc (figure 3.25).
0.8
0.6
0.4
0.2
0
-2 -1.6 -1.2 -0.8 -0.4 00 0.4 0.8 1.2 1.6 2
figure 3.25: Contour théorique recherché
Un contour étant caractérisé par la présence d'un maximum local de la dérivée première
du signal, ou un passage par zéro de la dérivée seconde, les méthodes dérivatives sont basées
sur la recherche d'un modèle optimal de filtre permettant la localisation de ce maximum ou de
ce passage par zéro. Les différents filtres optimaux sont en général basés sur une forme
gaussienne et diffèrent par des critères d'optimalité propres. Nous avons mis en œuvre deux
filtres: celui de Canny-Deriche et celui de Shen et Castan. Nous présentons ci-dessous les
différences entre ces deux filtres et leurs applications aux signaux issus des normales aux arcs
de diffraction.
3.6.3.2 Filtrage de Canny-Deriche
Les critères retenus par Canny sont au nombre de trois [CAN86]:
• le premier est le rapport signal à bruit, rapport de la réponse à un signal non bruité et
de la réponse du filtre au bruit seul.
• le deuxième concerne la précision de la localisation du contour détecté. Ce critère

détermine l'inverse de l'écart type de la distance entre le maximum détecté en présence
de bruit et le maximum détecté en l'absence de bruit.
• le troisième critère est basé sur la non multiplicité des réponses: la distance moyenne
entre les maxima de la réponse du filtre au bruit doit être maximum.
64
Chapitre 3
Ces critères et leur optimisation sont parfaitement définis par Canny [CAN86]. Ils
permettent de définir le filtre optimal représenté sur la figure 3.26.
1 1
f(x,a,w)
0.8
0.8 0.6
0.4
0.6 0.2
0.4 -0.2
-0.4
0.2 -0.6
-0.8
0 -1
-2 -1.5 -1 -0.5 0 0.5 1 1.5 2 -2 -1.5 -1 -0.5 0 0.5 1 1.5 2
figure 3.26: Dérivées première et seconde du filtre optimal de Canny-Deriche
L'équation de la dérivée première correspondante est la suivante:
f (x ) = ω(α x + 1) e
−a x
et l'équation de la dérivée seconde est:
équation 3.10 g ( x ) = ω x e −a x
où ω est le paramètre de normalisation et α est celui de réglage de la largeur du filtre.
3.6.3.3 Filtrage de Shen et Castan
Shen et Castan [CAS89] ont proposé indépendamment, de 1986 à 1989, une approche
très voisine de celle de Canny. Le critère de détermination du filtre optimal combine à la fois
la bonne détection (rapport signal à bruit) et la bonne localisation. Ce critère a amené Shen et
Castan à la définition du filtre optimal représenté sur la figure 3.27.
65
Chapitre 3
1
1
g(x,d,b)
0.8
0.8 0.6
0.4
0.6 0.2
0.4 -0.2
-0.4
0.2 -0.6
-0.8
0 -1
-2 -1.5 -1 -0.5 0 0.5 1 1.5 2 -2 -1.5 -1 -0.5 0 0.5 1 1.5 2
figure 3.27: Dérivées première et seconde du filtre optimal de Shen et Castan
L'équation de la dérivée première correspondante est:
f (x ) = d e − p x pour x ≥ 0
f (x ) = d e p x pour x < 0
et l'équation de la dérivée seconde est:
équation 3.11 g(x) = d e− p x pour x > 0
g(x) = − d e p x pour x < 0
et g (0 ) = 0
3.6.3.4 Comparaison des deux méthodes
Une comparaison des deux méthodes suivant des critères discrets est proposée dans
[COC95]. Ces critères basés sur les points essentiels de mise en œuvre cités ci-dessus ne
permettent pas de faire un choix catégorique par rapport à notre jeu de test. En pratique, les
résultats obtenus à l’aide des deux méthodes sont très similaires. Il est difficile de préférer
une des deux méthodes. En observant les deux filtres discrets (figure 3.26 et figure 3.27),
nous pouvons noter, étant donné le nombre de coefficients du filtre retenus pour notre
application (15), que les filtres sont d’ailleurs très ressemblants.
66
Chapitre 3
Transition bruit/arc Profil de la normale

100
-100
0 10 20 30 40 50 60 70 80
Gradient maximum Profil après filtrage - Canny Deriche
200
-200
0 10 20 30 40 50 60 70 80
Gradient maximum
Profil après filtrage - Shen et Castan
200
-200
0 10 20 30 40 50 60 70 80
figure 3.28: Résultats obtenus sur un profil monodimensionnel
La figure 3.28 présente une comparaison des deux filtres sur un profil de normale
typique. La position du gradient maximum observé est identique dans les deux cas.
3.6.3.5 Caractéristiques des filtres de Canny-Deriche et de Shen et Castan mis en
œuvre
Pour un faible nombre de coefficients, les filtres de Canny-Deriche et Shen et Castan

sont assez proches. La différence se situe dans la zone centrale de transition négatif / positif
du filtre. Selon l'échantillonnage du filtre, cette différence peut apparaître de manière plus ou
moins grande. Différents paramètres interviennent lors de la mise en œuvre: la raideur du
filtre (coefficient α de l'équation 3.10 pour Canny-Deriche et coefficient p de l'équation 3.11
pour Shen et Castan), l'amplitude (coefficient ω de l'équation 3.10 et coefficient d de
l'équation 3.11 pour Shen et Castan), ainsi que le nombre de coefficients.
La mise au point de ce type de filtre étant basée sur la recherche de transition de type
échelon noyé dans un bruit blanc, les paramètres du filtre dépendent directement de l'allure de
cette transition. Après observation des signaux normaux à l'arc de diffraction, les valeurs
suivantes des coefficients influants sur la forme des filtres sont retenues:
67
Chapitre 3
• Canny-Deriche: α = 0,6
• Shen et Castan: p = 2
Les coefficients ω pour Canny-Deriche et d pour Shen et Castan sont calculés afin de
normaliser le filtre (somme des coefficients égale à 1).
Le nombre de coefficients retenu pour l'échantillonnage est limité par la longueur du

signal traité. Dans notre cas, les signaux exploités ayant une longueur assez faible (de l'ordre
de 60 pixels) et les effets de bords réduisant la zone exploitable du signal, nous avons retenu
15 coefficients. Ce nombre de coefficients est un compromis suffisamment grand pour ne pas
détériorer l'allure du filtre lors de l'échantillonnage, et suffisamment petit pour être
exploitable sur les signaux de faible longueur.
La longueur des signaux traités est limitée d'une part par le fait que les défauts traités
sont parfois proches des limites physiques d'acquisition, et d'autre part, par la présence
d'autres transitions ne correspondant pas à celle recherchée (par exemple la transition autour
d'une branche de l'arc de diffraction alors que l'on recherche la transition de l'autre branche
dans le cas d'arcs de diffraction multiples).
3.6.4 Mise en œuvre de la transformation de Hough avec calcul du
gradient
Le pseudo-code de construction de l'espace des paramètres est identique à celui du

paragraphe 3.2.6. Seule la fonction d'incrémentation de l'accumulateur α est modifiée.
L'espace des paramètres est incrémenté de la valeur du gradient maximum obtenue par le
filtrage optimal.
3.6.5 Résultats de la transformation de Hough avec calcul du gradient
La figure 3.29 présente quelques exemples de zones d’images B-Scan sur lesquelles le
nouvel algorithme est appliqué, et les résultats obtenus. Les valeurs du gradient maximum le
long des normales aux arcs de diffraction sont obtenues en utilisant les filtres de Canny-
Deriche et de Shen et Castan. Nous remarquons sur ces exemples qu'il existe peu de
différences entre les résultats obtenus par le filtre de Canny-Deriche et ceux obtenus par le
filtre de Shen et Castan.
68
Chapitre 3
Image initiale
Espace obtenu
avec Canny-
Deriche
Espace obtenu
avec Shen-
Castan
figure 3.29: Exemples d'espaces des paramètres obtenus avec les filtres de Canny-
Deriche et de Shen et Castan
L'annexe C présente les résultats obtenus sur l'ensemble du jeu de test avec le filtre
optimal de Shen et Castan, les deux filtres ayant les mêmes taux de bonne et mauvaise
détections.
Une comparaison entre les résultats obtenus avec le traitement basé sur le gradient et
ceux obtenus avec le traitement basé sur l'intensité montre un net rehaussement du pic
correspondant au défaut dans l'espace des paramètres. A l’inverse, un effet de tassement
apparaît lorsque nous ne sommes pas en présence de défaut.
Un avantage important de la transformation de Hough basé sur le gradient est la

distinction faite entre un arc de diffraction et un écho de surface (sauf dans le cas particulier
où la forme de l'écho de surface peut être confondue avec la forme du sommet d'un arc de
diffraction).
Le tableau de la figure 3.30 permet de comparer les résultats obtenus avec les deux
algorithmes.
Type de traitement B-Scan avec défaut: B-Scan sans défaut:

Taux de bonne détection Taux de non détection
Intensité 84% 70%
Gradient 88% 80%
figure 3.30: Tableau comparatif des résultats
69
Chapitre 3
Le traitement basé sur le gradient a permis une augmentation de 4% du taux de bonne

détection pour les fichiers avec défaut, et de 10% pour les fichiers sans défaut du jeu de test.
3.7 Conclusion
Toutes les acquisitions de données ont été réalisées sur des blocs métalliques contenant,
soit des fissures réalisées par électroérosion, soit des trous circulaires parallèles à la surface
de contrôle. Une description des données ultrasonores (ou jeu de test) ainsi que les
caractéristiques de ces données est fournie en Annexe A.
Nous avons rappelé que les traitements doivent permettre de détecter des arcs de
diffraction caractéristiques de défauts et localiser indifféremment, soit le sommet de la
transition arc de diffraction sombre / arc de diffraction clair, soit le maximum de l'arc de
diffraction clair au niveau du sommet.
Nous avons ensuite décrit en détail la mise en œuvre et l'application des algorithmes
basés sur la transformation de Hough à la détection d'arcs de diffraction. Deux méthodes ont
été développées. La différence entre ces deux algorithmes est liée à la fonction caractéristique
des accumulateurs de l'espace des paramètres. Dans un premier cas, l'intensité des pixels
vérifiant le modèle de la forme recherchée a été choisie, et dans l'autre cas, la valeur du
gradient maximum le long de la normale à l'arc de diffraction a été retenue.
L'évaluation de ces deux approches sur l'ensemble des fichiers constituant le jeu de test
a montré que la méthode basée sur le calcul et l'accumulation du gradient est plus
performante. Il permet d'obtenir un taux de bonne détection plus élevé (augmentation du taux
de bonne détection de 4% pour le fichiers avec défaut et de 10% pour les fichiers sans
défaut).
70
Chapitre 4
Application de la Transformation de Hough
aux acquisitions ultrasonores
multidimensionnelles
Chapitre 4
Application de la Transformation de Hough aux images ultrasonores multidimensionnelles
Chapitre 4
Application de la Transformation de Hough aux
acquisitions ultrasonores multidimensionnelles
Le contrôle non destructif génère une quantité importante de données pour le traitement
d'images tridimensionnel. Electricité De France (E.D.F.), en particulier, évalue depuis
plusieurs années l'intérêt de tels outils. Plusieurs rapports d'activité ont été publiés par la
Direction des Etudes et Recherches (D.E.R.) d’E.D.F. Parmi ceux-ci, nous pouvons citer les
travaux de Fertay proposant une extension des techniques de traitement d'images
bidimensionnels généralisés au traitement tridimensionnel afin d'aider les opérateurs pour
l'interprétation et la visualisation de données [FER93]. Lavayssière propose des méthodes
d'analyse multidimensionnelle appliquées à la radiographie industrielle [LAV92] et s'intéresse
plus particulièrement à l'aspect fusion de données multidimensionnelles en contrôle non
destructif dans le cadre du projet PACE [LAV94] [LES94].
Nous présentons dans ce chapitre une approche de traitement tridimensionnel sur la

base du traitement bidimensionnel décrit précédemment [LEW98]. Cette méthode est aussi
basée sur la transformation de Hough, appliquée dans ce cas à un espace image
tridimensionnel. La forme recherchée est un arc de diffraction tridimensionnel modélisé par
un paraboloïde tridimensionnel constant dans les plans B-Scan.
Cette approche intègre dans la fonction caractéristique de la transformation de Hough,

les informations tridimensionnelles contenues dans l'ensemble des plans. Ces informations
sont liées, d'une part, à la variation de l'intensité des pixels au centre des arcs de diffraction et
au gradient le long dans l'arc de diffraction tridimensionnel. Il s'agit donc d'une approche
combinant dans la Transformation de Hough, à la fois le gradient le long du défaut
tridimensionnel, et la continuité tridimensionnelle des intensités constituant l'arc de
diffraction.
72
Chapitre 4
4.1 Transformation de Hough tridimensionnelle
4.1.1 Modèle de la forme tridimensionnelle, espace des paramètres
En général, un arc de diffraction présent dans un plan B-Scan est aussi présent dans les
plans suivants. Les représentations d'un arc dans les différents plans sont très ressemblantes,
jusqu'aux plans extrêmes où le défaut n'est quasiment plus observable (voir figure 4.1).
figure 4.1: Représentation d'un arc dans les différents plans B-Scan
La forme recherchée est donc un arc de diffraction tridimensionnel. En considérant

uniquement les plans où l'arc de diffraction est facilement observable, la forme peut être
considérée constante le long de l'axe des plans B-Scan (figure 4.2).
x
Plans B-Scan
successifs
p
figure 4.2: Modèle tridimensionnel de la forme recherchée
L'équation du modèle correspondant est:
t ( x ) = Ouv (x − x 0 ) + t 0
2
t ( p ) = constante
Le modèle de la forme tridimensionnelle dépend de deux variables x0 et t0 . L'espace des

paramètres de la transformation de Hough est donc bidimensionnel. Un maximum dans
l’espace des paramètres représente la position du sommet de l'arc de diffraction
tridimensionnel dans les images B-Scan.
73
Chapitre 4
4.1.2 Exploitation de l'arc de diffraction tridimensionnel
La fonction caractéristique de la transformation de Hough prend en compte les critères

pertinents de la forme recherchée. Pour cela, une étude précise de la région et du contour
constituant l'arc de diffraction est nécessaire. La méthode mise au point au chapitre précédent
concernant le contour du défaut est généralisable à la recherche de la forme tridimensionnelle.
La prise en compte des informations liées à la région est basée sur une observation de
l'intensité des pixels constituant le défaut.
4.1.2.1 Observation des pixels au centre de l'arc de diffraction
Le profil des intensités d'un arc de diffraction le long d'un "curseur parabolique" est
présenté sur la figure 4.3 (à droite).
Curseur parabolique
Zone où l'arc est visible
figure 4.3: Profil des intensités au centre d'un arc de diffraction
Nous observons sur ce profil, en considérant uniquement la zone où l'arc de diffraction

est visible, que l'intensité des pixels du profil décroît lorsque l'on s'éloigne du sommet de l'arc
de diffraction. Cette variation de l'intensité est observable sur la plupart des acquisitions.
Hormis les plans extrêmes où l'arc de diffraction n'est quasiment plus visible, le profil de ces
intensités est le même d'un plan à l'autre.
En considérant la zone du profil et les plans B-Scan où l'arc de diffraction est

exploitable, le modèle tridimensionnel de la variation des intensités au centre de l'arc est
proche de celui présenté sur la figure 4.4.
74
Chapitre 4
Intensité des pixels I
Pixels du profil
p Plans B-Scan successifs
figure 4.4: Variation des intensités le long de la forme recherchée
La forme ainsi définie étant constant le long de l'axe des plans B-Scan, le modèle
correspondant peut être défini de la façon suivante:
I ( x ) = c2 x 2 + c1 x + c0
I ( p ) = constante
4.1.2.2 Extraction des pixels appartenant à l'arc de diffraction
La construction du profil des intensités nécessite l'extraction des pixels situés au centre
de l'arc de diffraction (figure 4.5).
Enveloppe de l'arc
Pixels à considérer
figure 4.5: Pixels à considérer pour la construction d'un profil
Lors de la construction de ce profil, si une erreur de localisation du pixel à prendre en

compte est commise, la forme de ce profil peut différer sensiblement, en particulier lorsque le
bruit autour des arcs de diffraction est important. La figure 4.6, où sont représentés en noir les
points représentant un arc de diffraction et en blanc les points représentatifs du bruit illustre
ce problème.
75
Chapitre 4
Pixel pris en
compte par erreur
Temps
figure 4.6: Construction du profil d'un arc de diffraction
Un point clair, représentatif du bruit, est pris en compte lors de la construction du profil.
Ce point peut avoir une incidence non négligeable sur la forme du profil. Pour éviter ce
problème, il est judicieux de vérifier si chaque point est situé au centre de l’arc de diffraction
(et donc représentatif du défaut recherché).
Les techniques de filtrage optimal sont particulièrement adaptées à l'extraction de pixels

situés sur une ligne de crête. La figure 4.7 représente deux exemples de profils d'intensité le
long de la normale à un arc de diffraction. Ces profils sont des contours de type "ligne de
crête".
figure 4.7: Profils de normales à un arc de diffraction
L'étude bibliographique du chapitre trois a présenté l'approche dérivative pour la

détection de contours de ce type. En particulier, Djemel Ziou, exploitant la même démarche
que Canny, utilise comme modèle de contour une crête (figure 4.8) représentée par la
fonction [ZIO89]:
F ( x ) = A exp (− x )
où A est une constante positive.
76
Chapitre 4
10
0
-4 -2 0 2 4
figure 4.8: Modèle de contour de type crête
Le filtre dérivateur optimal f(x) mis au point par Ziou [ZIO91] a pour objectif de
détecter le sommet de la ligne (x = 0), en amplifiant le maximum déjà existant. Les critères
d'optimalité du filtre sont les suivants:
• filtre symétrique,
• réponse nulle à un signal constant,
• filtre à réponse impulsionnelle infinie (R.I.I.)
La réponse impulsionnelle correspondant à ce filtre est donnée par l'équation suivante:
f (x ) = (a sin (ω x ) + b cos(ω x )) exp (− α x )
où a, b, α et ω sont les paramètres de réglage du filtre.
Cette fonction est symétrique et s'étend à l'infini, mais elle ne donne pas de réponse
nulle à un signal constant. Afin de vérifier cette dernière propriété, le filtre doit vérifier
l'équation suivante:
a ω + bα
∫ f (x ) dx = 2 α 2
+ ω2
=0 ⇔ a ω = − bα
La solution de cette équation est:
a = − c α et b = cω
77
Chapitre 4
où c, ω et α sont des constantes positives. Le paramètre α représente l'échelle du filtre

(largeur à mi-hauteur) correspondant à la finesse du contour détecté. Le paramètre ω est un
coefficient d'oscillation du filtre augmentant le facteur de multiplicité des réponses lors de la
détection.
La réponse impulsionnelle résultante est:
f (x ) = (− c α sin (ω x ) + c ω cos (ω x )) exp (− α x )
La figure 4.9 représente le profil du filtre dérivateur. Il s'agit d'une bonne approximation
de la dérivée seconde d'une gaussienne quand α = ω, et pour ω petit.
0.1
0.08
0.06
0.04
0.02
0
-40 -20 0 20 40
-0.02
-0.04
figure 4.9: Profil du filtre optimal dérivateur de Djemel Ziou
La mise en œuvre de ce filtre sur les profils de normales à l'arc de diffraction est
réalisée avec les valeurs de coefficients suivantes:
c = 1, ω = 0,2, α = 1
Un exemple des résultats obtenus est représenté sur la figure 4.10.
Profil de la normale
100
50
-50
-100
0 20 40 60 80 100 120 140
78
Chapitre 4
Profil après filtrage Ziou

4000
2000
-2000
-4000
0 20 40 60 80 100 120 140
figure 4.10: Filtrage obtenu pour un profil monodimensionnel
Ce filtre permet bien de déterminer les pixels situés au centre des arcs de diffraction.
4.1.2.3 Approximation polynomiale du profil des intensités relevées
Afin d'exploiter la décroissance apparente de l'intensité des points, il est nécessaire de

comparer le profil des intensités relevées au modèle théorique défini. Le modèle est un
polynôme d'ordre deux:
I ( x ) = c2 x 2 + c1 x + c0
I ( p ) = constante
Cette opération est réalisée par une approximation du profil au polynôme par la
méthode des moindres carrés. Le problème principal est de déterminer les valeurs optimales
des coefficients c2 , c1 et c0 du modèle.
L'influence de ces paramètres sur le modèle montre que:
• La position du sommet du profil sur l'axe des intensités est fonction du paramètre c0
(figure 4.11). Ce paramètre dépend de la dynamique des intensités de l'image et peut
a priori avoir des valeurs très variables et rendent le paramétrage difficile.
79
Chapitre 4
Intensité f(c0)
Numéro du pixel
Représentation de la projection du modèle parabolique sur le plan (intensité, numéro du pixel)
figure 4.11: Influence du paramètre c0 du modèle
• La position du sommet du profil sur l'axe des pixels dépend de c1 (figure 4.12). Le
profil des intensités est symétrique lorsque l'arc de diffraction est complet. Par
conséquent, la valeur du paramètre c1 doit être telle que le sommet du profil soit
centré.
Intensité d = f(c1 )
Pixel situé au sommet Numéro du pixel
• Le paramètre c2 est caractéristique de l'ouverture du profil (figure 4.13). Une analyse

empirique sur des plans B-Scan réels montre que ce coefficient dépend
essentiellement de la profondeur à laquelle le défaut est recherché. Les fichiers utilisés
étant réalisés à partir d'arcs de diffraction synthétisés, ce paramètre est mal maîtrisé.
Une valeur moyenne lui est affectée et peut être ajustée par l'opérateur en cours de
traitement.
80
Chapitre 4
Intensité
f(c2 )
Numéro du pixel
4.1.3 Fonction caractéristique de la tra nsformation de Hough
Les paramètres c2 et c1 caractérisent respectivement l’ouverture et la symétrie du

modèle. Ces deux paramètres sont utilisés lors du calcul de l'accumulateur de l'espace des
paramètres. Une analyse des différents fichiers d’évaluation montre que le paramètre
d’ouverture c2 est plus pertinent que le paramètre de symétrie c1 . Les facteurs de contribution
de c2 et c1 dans la fonction caractéristique α sont définis de la manière suivante:
2 1
équation 4.1 α= Note d ' ouverture + Note de symétrie
3 3
où la note d’ouverture et la note de symétrie sont calculées en fonction des coefficients c2 et

c1 (figure 4.14), et les valeurs théoriques de ces paramètres (estimée en fonction de la
profondeur du défaut dans la pièce).
Note d'ouverture Note de symétrie
Note Max Note Max
C2 C1
Min Valeur attendue Max Min Valeur attendue Max
figure 4.14: Fonctions de calcul des notes d'ouverture et de symétrie
Les valeurs minimum et maximum des paramètres c2 et c1 par rapport aux valeurs
attendues (figure 4.14) sont définies par l’utilisateur.
81
Chapitre 4
4.1.4 Mise en œuvre de la transformation de Hough
La mise en œuvre pratique de la transformation de Hough tridimensionnelle consiste

pour toutes les valeurs possibles des paramètres (x0 , t0 ) de la forme recherchée à:
• Extraire les pixels situés au centre de l'arc de diffraction dans tous les B-Scan du
fichier d'acquisition (figure 4.15).
Intensité des pixels
Numéro du
pixel
Plans
B-Scan successifs
figure 4.15: Intensité des pixels appartenant à l’arc de diffraction 3D
• Déterminer les valeurs des paramètres c2 et c1 du modèle parabolique représentant au

mieux la variation de l'intensité des pixels appartenant à l'arc de diffraction par la
méthode d'approximation des moindres carrés.
Intensité des pixels
Numéro du pixel
Plans B-Scan successifs
figure 4.16: Approximation par la méthode des moindres carrés
• Incrémenter l'accumulateur correspondant de l'espace de paramètres d'une valeur

définie par l'équation 4.1.
82
Chapitre 4
Le pseudo-code de l'algorithme est le suivant:
Pour toutes les valeurs de x0 et t0

| Pour tous les plans B-Scan
| | Extraction des pixels situés au centre de l'arc de diffraction
| Fin Pour tous les plans B-Scan
| Approximation polynômiale par la méthode des moindres carrés
H (x 0 , t 0 ) + =
2 1
| note d 'ouverture + note de symétrie
3 3
Fin Pour toutes les valeurs de x0 et t0
4.1.5 Fichiers d’évaluation
Les fichiers d’évaluation sont constitués de huit B-Scan de synthèse obtenus par
addition d'images contenant des arcs de diffraction réels et d'images ne contenant que du bruit
d'acquisition.
Plan 0 Plan 1 Plan 2 Plan 3 Plan 4 Plan 5 Plan 6 Plan 7

a)
b)
c)
figure 4.17: Un exemple de synthèse d'un fichier d'évaluation
La figure 4.17 représente un exemple de synthèse de fichier d'évaluation. La première

série d'images correspond à huit images contenant un bruit additif, issues de différents B-Scan
d'une même acquisition (figure 4.17.a). La deuxième série d'images correspond à huit arcs de
diffraction différents issus d'une même acquisition (figure 4.17.b). La somme des deux séries
d'images est présentée sur la dernière série d'images (figure 4.17.c). L'ensemble des fichiers
d'évaluation est présenté en annexe B.
4.1.6 Test de la transformation de Hough tridimensionnel
L’algorithme basé sur la transformation de Hough tridimensionnelle est testé sur les
fichiers de l'annexe B.
83
Chapitre 4
L'application du traitement au fichier décrit figure 4.17 est présentée sur la figure
4.18.a.
a) image non-seuillée b) image seuillée et érodée

figure 4.18: Un exemple de résultat de la transformation de Hough tridimensionnelle
L'espace des paramètres contient de nombreux maxima de valeurs très proches. Un

seuillage (figure 4.18.b) permet d'observer un nuage de maxima et quelques maxima isolés.
En théorie, chaque maxima représente une forme plus ou moins proche du modèle
recherché. L'exemple de la figure 4.18.a correspond à un fichier comportant un seul arc de
diffraction épais (plusieurs pixels). De nombreux maxima ne sont donc pas représentatifs de
défauts. Le résultat de la transformation de Hough tridimensionnelle est donc difficilement
exploitable en l'état.
4.1.7 Suppression des maxima dus au bruit dans l'espace des paramètres
Une phase supplémentaire de suppression des maxima ponctuels est nécessaire. Les
arcs de diffraction ne correspondent pas exactement au modèle mathématique recherché
(épaisseur d'environ quatre à cinq pixels et présence d'un bruit important). La représentation
d'un arc de diffraction dans l'espace des paramètres n'est pas un maximum ponctuel mais un
nuage de fortes valeurs. Les maxima ponctuels de l'espace des paramètres ne sont donc a
priori représentatifs d'aucun défaut. Afin de supprimer ces maxima, un seuillage adapté de
l'espace des paramètres est réalisé. Il permet de définir deux classes: la première (classe 1)
regroupe les nuages de valeurs de forte intensité (éléments représentatifs de défauts) et les
maxima ponctuels (représentatifs de bruit); la seconde est constituée des autres éléments de
l'espace des paramètres. Un opérateur de morphologie mathématique tel que l'érosion est
ensuite appliqué aux éléments de la classe 1.
84
Chapitre 4
L'exploitation du résultat de la transformation de Hough est ainsi possible. Elle consiste

en une recherche du maximum parmi les éléments de la classe 1 de l'espace des paramètres.
L'opération de suppression des maxima ponctuels se résume ainsi:
Espace des paramètres à niveaux de gris
Segmentation adaptée
Espace des
paramètres binaire
Erosion
Espace binaire sans

maxima ponctuels
Recherche du maximum dans

l'espace à niveaux de gris
parmi les points équivalents
non nuls de l'espace binaire
Localisation du défaut
figure 4.19: Recherche des maxima
L'exemple suivant illustre cette opération. La figure 4.20 présente un espace des
paramètres avant la suppression des maxima ponctuels.
Zone de maxima
représentative
Maxima ponctuels de défaut
figure 4.20: Représentation de l'espace des paramètres binaire
L'élément structurant d'érosion est un masque de 3x3 pixels (figure 4.21).
85
Chapitre 4
0 1 0
1 1 1
0 1 0
figure 4.21: Elément structurant de l'opérateur d'érosion
Le résultat de l'opération d'érosion est présenté sur la figure 4.22.
Zone de maxima
Plus de maxima représentative
ponctuels de défaut après
érosion
figure 4.22: Résultat de l'opération d'érosion
4.2 Combinaison des traitements tridimensionnel et
bidimensionnel
L'objectif de cette approche est de rendre plus robuste les outils bidimensionnels par un
traitement global des données tridimensionnelles, sans pour autant développer de nouveaux
outils. Notre démarche peut être représentée par la figure 4.23.
Traitements de gradient 2D
généralisé des arcs de diffraction
Traitement global des
Σ données
tridimensionnelles
Traitements de continuité 3D
des arcs de diffraction
figure 4.23: Traitement tridimensionnel des données
Elle consiste à combiner les résultats issus du traitement bidimensionnel avec calcul du
gradient appliqué à chacun des B-Scan du fichier d'évaluation tridimensionnel, avec les
résultats du traitement tridimensionnel.
La dernière étape étant de réaliser la fusion des données issues du traitement

tridimensionnel et de celles issues du traitement bidimensionnel appliqué à chaque plan B-
86
Chapitre 4
Scan (présenté au chapitre précédent). Les données issues des traitements sont des espaces à
deux dimensions. Les paramètres constituant ces espaces sont de même nature (x0 , t0 ). La
combinaison de ces deux espaces pose cependant un problème. Les deux traitements détectent
différemment une forme parabolique: le traitement bidimensionnel détecte le somment de la
transition arcs de diffraction sombre / clair ( (1) sur la figure 4.24), alors que le traitement
tridimensionnel est plus adapté à la détection du centre du sommet d'un arc de diffraction ( (2)
sur la figure 4.24).
Sommet de la première Maximum au niveau du premier

transition arc de diffraction arc de diffraction clair
sombre / clair (2)
(1)
figure 4.24: Les deux types de sommets qui sont détectés
Afin d'obtenir un seul maximum lors de la combinaison des espaces de paramètres, un

décalage de l'axe t0 de l'espace résultant du traitement bidimensionnel est réalisé. La valeur de
ce décalage est égale au quart de la période du signal ultrasonore émis par le capteur (une
demi-période correspond à la largeur d'un arc de diffraction).
La combinaison des espaces de paramètres est alors réalisée par l'addition élément par
élément. La présence d'un défaut correspond alors à la présence d'un maximum de l'espace
des paramètres. Ce maxima correspond à la transition arcs sombre / clair au sommet de l'arc
de diffraction.
Le traitement tridimensionnel ne comporte pas de phase de décision. Les fichiers de test

comportant tous un seul défaut, la décision de présence ou non de défaut n'est pas nécessaire.
4.3 Evaluation de l'amélioration apportée par le traitement
tridimensionnel
La comparaison entre le traitement global (tridimensionnel et bidimensionnel avec

calcul de gradient) et le traitement bidimensionnel avec calcul du gradient est réalisée suivant
deux critères: le rapport signal sur bruit dans le cas d'arcs de diffraction complets et le taux de
morcellement dans le cas d'arcs de diffraction incomplets.
87
Chapitre 4
4.3.1 Evaluation par la dynamique des arcs
L'évaluation de l'amélioration apportée par la méthode tridimensionnelle est réalisée sur

des fichiers contenant des arcs de diffraction complets dont la dynamique des intensités est
variable par rapport au bruit de fond. Les fichiers sont caractérisés par un rapport signal sur
bruit:
RSB = 10 log 10 ∑ I ( Arc de diffraction )

2
∑ ( I (Bruit ) − Moy _ Bruit ) 2
où I(Arc de diffraction) est l'intensité des pixels appartenant à l'arc de diffraction, I(Bruit),
l'intensité des pixels du bruit et Moy_Bruit, la valeur moyenne du bruit. Pour obtenir des
fichiers de RSB différents, la dynamique de l'intensité des pixels appartenant aux arcs de
diffraction est modifiée avant d'effectuer l'addition avec le bruit de fond.
L'évaluation consiste à déterminer la valeur limite du RSB à partir de laquelle le

traitement bidimensionnel ne fonctionne plus, alors que le traitement tridimensionnel
fonctionne encore. Une seconde valeur limite du RSB est ensuite déterminée à partir de
laquelle le traitement tridimensionnel ne fonctionne plus.
4.3.1.1 Limite de fonctionnement du traitement bidimensionnel
La limite de fonctionnement du traitement bidimensionnel est atteinte lors du test du

fichier cont_050 (l'intensité des points appartenant à l’arc de diffraction varie de 0 à 50).
Cette limite correspond à un RSB = -10,3 dB. Le fichier correspondant est présenté sur la
figure 4.25
figure 4.25: B-Scan correspondant à la limite de fonctionnement du traitement 2D
Le résultat du traitement tridimensionnel obtenu pour ce fichier est présenté sur la

figure 4.26.
88
Chapitre 4
T.H. Gradient 3D T.H. Continuité 3D T.H. Combinée 3D
figure 4.26: Résultat obtenu à la limite de fonctionnement du traitement 2D
Il est important de noter qu'à cette limite, le traitement bidimensionnel ne permet de

détecter aucun des arcs présents dans les huit plans. Pour un RSB = -4,3 dB (dynamique de
100), deux arcs ne sont déjà plus détectés (voir l'annexe D).
4.3.1.2 Limite de fonctionnement du traitement tridimensionnel
La limite de fonctionnement du traitement tridimensionnel est atteinte lors du test du

fichier cont_030. Cette limite correspond à un RSB = -14,8 dB. Le fichier correspondant est
présenté sur la figure 4.27. La dynamique très faible ne permet plus de distinguer
visuellement les arcs de diffraction.

figure 4.28
4.3.2 Evaluation par le taux de morcellement des arcs
L'évaluation de l'amélioration apportée par la méthode tridimensionnelle est réalisée sur

des fichiers ultrasonores composés d'arcs de diffraction morcelés aléatoirement et caractérisés
par un taux de morcellement défini par:
Nb de pixels conservés
τ=
Nb de pixels initial constituant l ' arc
89
Chapitre 4
Le taux de morcellement est identique dans chacun des huit B-Scan mais les pixels
conservés sont différents d’un B-Scan à l’autre. Les différents fichiers ont un taux différent,
modifié par la suppression de pixels appartenant aux arcs de diffraction de manière arbitraire
avant l'addition des images.
Une première limite est obtenue pour laquelle le traitement bidimensionnel ne

fonctionne plus et le traitement tridimensionnel fonctionne encore. Une seconde est ensuite
atteinte pour laquelle le traitement tridimensionnel ne fonctionne plus.
4.3.2.1 Limite de fonctionnement du traitement bidimensionnel
La limite de fonctionnement du traitement bidimensionnel est atteinte lors du test du

fichier disc_050 (Taux de morcellement de 0,5). Cette limite correspond à un RSB = -10,3
dB. Le fichier correspondant est présenté sur la figure 4.29.
plan 0 plan 1 Plan 2 plan 3 plan 4 plan 5 plan 6 plan 7

figure 4.30.
4.3.2.2 Limite de fonctionnement du traitement tridimensionnel
La limite de fonctionnement du traitement tridimensionnel est atteinte lors du test du

fichier disc_030. Cette limite correspond à un RSB = -2,3 dB. Le fichier correspondant est
présenté sur la figure 4.31.
plan 0 plan 1 Plan 2 plan 3 plan 4 plan 5 Plan 6 Plan 7
90
Chapitre 4
Le résultat obtenu pour ce fichier est présenté sur la figure 4.32
4.3.3 Comparaison quantitative des résultats des traitements
Nous avons évalué l'amélioration apportée par le traitement tridimensionnel.

Cependant, les jeux de test étant différents, il est impossible de quantifier le taux de bonne
détection du traitement tridimensionnel. Les limites de traitement suivantes ont été obtenues
lors du test des fichiers tridimensionnels:
• Cas des arcs de diffraction complets:
la limite de fonctionnement du traitement bidimensionnel est obtenue pour un

RSB égal à -10,3 dB (on considère la limite atteinte lorsqu'aucun des plans B-
Scan ne fonctionne avec le traitement bidimensionnel). Notons cependant que
certains plans B-Scan ne fonctionnent déjà plus pour un RSB égal à -4,3 dB.
la limite de fonctionnement du traitement tridimensionnel est obtenue pour un

RSB égal à -14,8 dB.
• Cas des arcs de diffraction incomplets:
la limite de fonctionnement du traitement bidimensionnel est atteinte pour un

taux de morcellement égal à 0,5 (les arcs sont composés de 50% des points des
arcs du fichier source).
la limite obtenue pour le traitement tridimensionnel correspond à un taux de

morcellement égal à 0,3.
Le gain apporté par le traitement tridimensionnel est donc de plus de 4 dB.
91
Chapitre 4
4.4 Co nclusion
Nous avons présenté un opérateur tridimensionnel basé sur la transformation de Hough

prenant en compte des caractéristiques et informations non encore exploitées par l'approche
bidimensionnelle. Ces caractéristiques sont un modèle parabolique tridimensionnel de l'arc de
diffraction et de la variation de l'intensité des pixels appartenant à cet arc.
La mise au point de notre approche est réalisée sur des fichiers synthétisés à partir
d'arcs de diffraction réels et de bruit de fond réel. Deux types de fichiers de synthèse ont été
utilisés: des fichiers contenant des arcs de diffraction complets et d'autres contenant des arcs
de diffraction partiels. L'application de la transformation de Hough tridimensionnelle à
certains fichiers de synthèse montre sa sensibilité au bruit. Par conséquent, afin de filtrer les
maxima dus au bruit dans l'espace des paramètres, un opérateur basé sur la morphologique
mathématique de l'espace des paramètres a été nécessaire.
Cette approche est combinée à la méthode bidimensionnelle appliquée à chacun des B-

Scan du fichier ultrasonore tridimensionnel. Une fusion des données issues des deux
méthodes est réalisée. Les résultats obtenus pour l'ensemble des fichiers de test, montrent
l'intérêt de l'approche tridimensionnelle par rapport au concept bidimensionnel décrit au
chapitre précédent. Dans le cas des jeux de test avec arcs de diffraction complets, la méthode
bidimensionnelle devient inefficace pour un RSB inférieur à -10,3 dB, alors que l'approche
tridimensionnelle permet de traiter des jeux de test dont le RSB atteint –14,8 dB. Dans le cas
des jeux de test avec arcs de diffraction morcelées, une amélioration des résultats aussi est
constatée (la limite de la méthode bidimensionnelle est atteinte pour un taux de morcellement
égal à 50% contre un taux égal à 30% pour la méthode tridimensionnelle).
92
Conclusion générale
Nous avons présenté dans ce document l'étude de méthodes permettant la détection et la

localisation de défauts observables sur des images B-Scan en contrôle non destructif par
ultrasons. Les méthodes étudiées devaient parvenir à une analyse automatique d'une
acquisition ultrasonore (ou d'une partie de l'acquisition): détecter les échos caractéristiques
d'un défaut, localiser le défaut et interpréter ces échos.
La plupart des techniques de contrôle non destructif exploitent les ondes de réflexion
propagées dans la matière. Aujourd'hui, la technique T.O.F.D. permet de mettre en évidence
des fissures dans la matière en exploitant les ondes de diffraction générées par les défauts.
Ces ondes font apparaître dans les images B-Scan des arcs de diffraction.
L'analyse des techniques actuelles de caractérisation de défauts a montré des procédures

manuelles lourdes peu adaptées à la masse importante d'informations contenues dans une
acquisition ultrasonore. Les traitements d'images ultrasonores existants ne sont pas adaptés à
l'exploitation d'échos de diffraction. La plupart d'entre eux cherchent à évaluer les dimensions
d'échos de réflexion, représentatifs de défauts volumiques. L'objectif a donc été de mettre au
point une méthode basée sur la recherche de la forme particulière des arcs de diffraction dans
l'ensemble de données tridimensionnelles.
Une approche paramétrique initialement mise au point par Hough, puis par Duda et
Hart, la transformation de Hough, est particulièrement bien adaptée à notre problème. Cette
méthode permet de détecter des formes particulières dans une image dès lors que l'on est
capable de modéliser mathématiquement la forme.
Une étude de la technique T.O.F.D. nous a permis de modéliser les arcs de diffraction
présents dans une image B-Scan. Ce modèle a été utilisé pour la mise au point d'une
utilisation originale de la transformation de Hough.
Généralement, un prétraitement de sélection des points représentatifs de la forme

recherchée est nécessaire au bon fonctionnement de la transformation de Hough. La diversité
et la complexité des images ultrasonores compliquant la mise au point de ce prétraitement,
94
nous avons développé une approche dans laquelle le prétraitement est remplacé par une
sélection des points représentatifs de la forme cherchée dans la fonction caractéristique de
construction de l'espace des paramètres.
La contribution de l'intensité des pixels dans la fonction caractéristique a permis

d'obtenir des résultats satisfaisants. Elle a cependant montré des limites, en particulier dans le
cas où les images sont peu contrastées ou en présence d'échos de surface ou de fond très
intenses dans la zone de traitement.
Un deuxième algorithme a été étudié, prenant en compte le contour marqué des arcs de
diffractions. La fonction caractéristique de la transformation de Hough est basée sur le calcul
du gradient maximal le long des normales de la forme obtenue par le filtre optimal de Shen et
Castan. Cette méthode, beaucoup plus robuste, a permis de détecter la plupart des défauts
présents dans les acquisitions.
Le temps de calcul, frein important au développement de la transformation de Hough, a

dans notre cas été réduit: l'exploitation d'un nombre raisonnable de paramètres et la pleine
exploitation des possibilités des calculateurs actuels rendent ce problème mineur.
Les arcs de diffraction étant souvent partiellement visibles dans une image B-Scan,
nous avons intégré un modèle tridimensionnel du défaut recherché. Ce modèle prend en
compte à la fois le critère de contour développé précédemment et une information de
continuité des intensités de l'arc de diffraction entre chaque plan, et de décroissance dans un
plan donné.
Une validation sur un jeu de test important a démontré l'intérêt de l'approche

tridimensionnelle. Ces résultats encourageants ouvrent des perspectives intéressantes. Une
étude théorique de la propagation des ondes de diffraction dans les différentes directions d'un
matériau permettrait de définir un modèle tridimensionnel plus complet et rendre plus robuste
l'algorithme de traitement. L'application de ce traitement à d'autres types de défauts est aussi
possible. En particulier, l'analyse de défauts volumiques (actuellement réalisée par traitements
séparés des plans C-Scan et B-Scan) peut être intégré à ce type de traitement après une étude
de modèle.
95
Cette étude a permis de montrer qu'une adaptation originale des méthodes appliquées en
imagerie peut apporter des solutions efficaces au problème d'expertise automatique de
données ultrasonores multidimensionnelles.
96
Bibliographie
Bibliographie
Bibliographie
[BAL86] B. BALIGAND, M. GROZELLIER, "Analyse spectrale en contrôle non destructif

par ultrasons", Traitement du Signal, Vol 3, n° 4, pp. 35-43, 1986.
[BOL96] P. BOLLAND, L.F.C. LEW YAN VOON, B. GREMILLET, L. PILLET, A. DIOU,

P. GORRIA, "The application of Hough Transform on Ultrasonic Images for the
Detection and Characterization of Defects in Non-Destructive Inspection",
Proceedings of the third International Conference on Signal Processing ICSP'96,
Beijing, CHINA, pp. 393-396, 1996.
[BOL97a] P. BOLLAND, L.F.C. LEW YAN VOON, P. GORRIA, B. GREMILLET,

L. PILLET, "Gradient based Discrete Hough Transform for the Detection and
Localization of Defects during Non-Destructive Inspection", Poster session of the
1997 International Conference on Quality Control by Artificial Vision - QCAV'97,
Le Creusot, Bourgogne, FRANCE, pp. 287-292, 1997.
[BOL97b] P. BOLLAND, L.F.C. LEW YAN VOON, P. GORRIA, B. GREMILLET,

L. PILLET, "Gradient based Hough Transform for the Detection and Localization of
Defects during Non-Destructive Inspection", CD-ROM Proceedings of Advanced
Intelligent Mechatronics - AIM'97, Waseda University, Tokyo, JAPAN, 1997.
[BOU93] E. BOURENNANE, M. PAINDAVOINE, F. TRUCHETET, "Amélioration du filtre

de Canny-Deriche pour la détection de contours sous forme de rampe", Traitement
du Signal, Vol 10, n° 4, pp. 297-310, 1993.
[CAN86] J.F. CANNY, "A computional approach to edge detection", IEEE Trans on PAMI,
vol 8, n° 6, pp. 679-698, 1986.
[CAS89] S. CASTAN, J. ZHAO, J. SHEN, "Une famille de détecteurs de contours basée sur
le filtre exponentiel optimal", 7ème Congrès AFCET-RFIA, Paris, 1989.
[CHA89] J.P. CHARLESWORTH, J.A.G. TEMPLE, "Engineering Applications of Ultrasonic

Time Of Flight Diffraction", Research Studies Press LTD, 1989.
[COC85] J.P. COCQUEREZ, J. DEVARS, "Détection de contours dans les images aériennes:
nouveaux opérateurs", Traitement du Signal, vol 2, n° 1, 1985.
98
Bibliographie
[COC95] J.P. COCQUEREZ, S. PHILIPP, "Analyse d'images: filtrage et segmentation",

Collection Enseignement de la Physique, Editions Masson, septembre 95.
[COR88] G. CORNELOUP, "Traitement Numérique d'images ultrasonores", Thèse de

Doctorat, INSA de Lyon, 28 septembre 1988
[COR94] G. CORNELOUP, J. MOYSAN, I.E. MAGNIN, "Ultrasonic image data processing

for the detection of defects", Ultrasonics, Vol 32, n° 5, pp. 367-374, 1994.
[COW83] A.E. COWART, W.E. SNYDER, W.H. RUEDGER, "The detection of unresolved
targets using the Hough Transform", Computer Vison, Graphics and Image
Processing, 21, pp. 222-238, 1983
[CZE93] R.N. CZERWINSKI, D.L. JONES, W.D. O'BRIEN, "An approach to boundary
detection in ultrasound imaging", Proceedings IEEE Ultrasonics Symposium, pp. 1-
4, 1993
[DEL87] C. DELEBARRE, C. BRUNEL, J.E. LEFEBVRE, J.M. ROUVAEN, J. FROLY,

"Analyse cepstrale en contrôle non destructif des milieux hétérogènes", Traitement
du Signal, Vol 4, n° 4, pp. 311-317, 1987.
[DER87] R. DERICHE, "Using Canny's criteria to derive a recursively implemented optimal

edge detector", Int. Journal of Computer Vision, Vol 1, n° 2, pp. 167-187, 1987.
[DER90] R. DERICHE, "Fast algorithm for low level decision", IEEE Transactions on PAMI,
Vol 12, n° 1, pp. 78-87, 1990.
[DIO96] A. DIOU, Y. VOISIN, C. SANTO "La transformée de Hough, nouvelle approche"

Proceedings of Vision Interface'96, Toronto, Canada, pp. 101-108, 1996.
[DUB90] B. DUBUISSON, "Diagnostic et reconnaissance des formes", Traité des Nouvelles

Technologies, Editions Hermès, 1990.
[DUB91] J. DUBRESSON, "Caractéristiques dominantes et évolutions des matériels de

C.N.D.", Sciences et Techniques Connexes, pp. 41-54, Mars – Avril 1991.
[DUD72] R.O. DUDA, P.E. HART, "Use of the Hough Transform to detect curves and lines in
pictures", Communications of the ACM, Vol 15, n° 1, pp. 11-15, January 1972.
[DUD73] R.O. DUDA, P.E. HART, "Pattern classification and scene analysis", Wiley-
interscience publication, 1973.
99
Bibliographie
[FER93] G. FERTEY, S. BARASCUD, "Extension des techniques de traitement d'images 2D

à des champs de données 3D afin d'aider à la visualisation et l'interprétation de
simulations numériques", Note interne de la Direction des Etudes et Recherches à
E.D.F. n° 93NJ00057, Mars 93.
[GEO92] B. GEORGEL, D. GARREAU, "Traitement du signal et de l'image en surveillance

et contrôle à Electricité de France", Note interne de la Direction des Etudes et
Recherches à E.D.F. n° 93NB00168, Avril 1992.
[GEO94] B. GEORGEL, "Caractéristiques spécifiques des données de contrôle non destructif

et algorithmes de traitement: nouveaux remèdes aux vieilles douleurs", Note interne
de la Direction des Etudes et Recherches à E.D.F. n° 95NB00027, 1994.
[GON87] R.C. GONZALES, P. WINTZ, "Digital Image Processing", Arch. Elecktron.

Uebertag.-Tech. Dtsch D.A., Vol 30, n° 2, pp. 90-96, 1976.
[GRE91] B. GREMILLET, "Fissures circonférentielles: analyse dimensionnelle des

indications US", Note interne du Centre Technique de Framatome Saint Marcel
MC/TE R-91.1767, 1991.
[GRO82] N. GROHS, O.A. BARBIAN, W. KAPPES, H. PAUL, F.W. HÖH,

"Characterization of flaw location, shape and dimensions, with the ALOK System",
Material Evaluation, vol 40, pp. 84-89, 1982.
[HAY88] S. HAYKIN, "Modern signal processing", Signal Processing and Patterm

Recognition in Non Destructive Evaluation of Materials, NATO ASI Series, vol F44,
pp. 39-47, 1988.
[HEU89] R. HEUMÜLLER, K. GÖTLLING, "First Experience with Siemens ALOK UT

inspection system", Proceedings of telwth World Conference on Nondestructive
Testing, Amsterdam, Elseveir Science Publishers, pp. 270-272, 1989.
[HOU62] P.V.C. HOUGH, "Method and means for recognizing complex pattern", U.S. Patent
n° 3, 069,654, 1962.
[IAN78] A. IANNINO, S.D. SHAPIRO, "A survey of the Hough Transform and its extensions
for curve detection", Pattern Recognition and Image Processing, IEEE Conference,
Chicago, United States, pp. 32-39, May 1978.
[JOU94] A. JOUSSELIN, B. RICARD, J. MOREL, R. CHEVALIER, B. MONNIER, "PSAD:

Architecture intégrée pour une surveillance et un diagnostic intelligent des centrales
100
Bibliographie
E.D.F.", Note interne de la Direction des Etudes et Recherches à E.D.F.,

n° 95NJ00043, 1994.
[KOT94] C. KOTTROPOULOS, X. MAGNIASALIS, I. PITAS, M.G. STRINTZIS,

"Nonlinear Ultrasonic Image Processing Based on Signal-Adaptative Filters and
Self-Organizing Neural Networks", IEEE Transactions on Image Processing, Vol 3,
n° 1, pp. 65-77, January 1994.
[KUN91] M. KUNT, "Traitement Numérique des Signaux", Presses polytechniques

universitaires romandes, 1991.
[LAV92] B. LAVAYSSIERE, B. GEORGEL "Analyse multidimensionnelle en radiographie

industrielle", Note interne de la Direction des Etudes et Recherches à E.D.F.,
n° 93NJ00192, 1992.
[LAV94] B. LAVAYSSIERE, "Fusion de données en C.N.D. pour le projet PACE", Note

interne de la Direction des Etudes et Recherches à E.D.F., n° 94NJ00140, Mars
1994.
[LAV95] B. LAVAYSSIERE, P. BRUNEL, E. FLEUET "Traitement d'images pour la

surveillance des centrales nucléaires", International Conference on Quality Control
by Artificial Vision - QCAV'95, Le Creusot, FRANCE, pp. 209-214, Mai 17-19,
1995.
[LAV96] B. LAVAYSSIERE, E. FLEUET, B. GEORGEL, "Reconstruire en 3D: un nouveau

défi en radiographie industrielle", Note interne de la Direction des Etudes et
Recherches à E.D.F., n° 96NB00081, 1996.
[LEF96] M. LEFEVRE, F. PRETEUX, B. LAVAYSSIERE, "Classification par approches

connexionnistes appliquée au contrôle non destructif", Note interne de la Direction
des Etudes et Recherches à E.D.F., n° 96NB00052, 1996.
[LES94] J.L. LESNE, "Le Poste d'Analyse pour le Contrôle et l'Expertise: Une structure
d'accueil des données et des traitements pour le contrôle non destructif", Direction
des Etudes et Recherches à E.D.F., RGN – 1994, n° 5, Septembre - Octobre 1994.
[LEW97] L.F.C. LEW YAN VOON, P. BOLLAND, O. LALIGANT, P. GORRIA,,

B. GREMILLET, L. PILLET, "Gradient based Discrete Hough Transform for the
Detection and Localization of Defects during Non-Destructive Inspection",
101
Bibliographie
IS&T/SPIE Symposium on Electronic Imaging: Science and Technology 1997, San

Jose, California, USA, pp. 140-146, February 08-14, 1997.
[LEW98] L.F.C. LEW YAN VOON, P. BOLLAND, P. GORRIA, E. RENIER,

F. TRUCHETET, B. GREMILLET, L. PILLET, "Application of Digital Image
Processing Techniques in Ultrasonic Inspection of Engineering Structures",
Proceedings of the 1998 International Conference on Quality Control by Artificial
Vision - QCAV'98, Takamatsu, JAPAN, pp. 521-528, November 10-12, 1998.
[LOR91] M. LORENZ, VAN DER WAL, A.J. BERKHOUT, "Ultrasonic imaging with
multisaft: Nondestructive characterization of defects in steel components", Non
Destructive Testing Evaluation, 1991, vol 6, n° 3, pp. 131-148, 1991.
[LUD89] R. LUDWIG, "A non destructive imaging system for detection of flaws in metal
blocks", IEEE Transactions on Instrumentation and measurement, vol 3, n° 1,
pp. 113-118, 1989.
[MAC90] D.E. MACDONALD, "Images of flaw in generator retaining rings using SAFT
reconstruction of T.O.F.D. data", Review of Progress in Quantitative Nondestructive
evaluation, Edited by D.O. THOMSON and D.E. CHIMENTI, New York, vol 9,
Plenum Press, pp. 765-772, 1990.
[MAH82] M.A.M. MAHMOUD, J.M. BOAG, D.J. BURNS, "Ultrasonic sizing of surface
fatigue cracks unsing crack tip echo times", I Mech E, pp. 169-178, October 1982.
[MAI85] H. MAITRE, "Un panorama de la Transformation de Hough", Traitement du Signal,

Vol 2, n° 4, pp. 305-317, 1985.
[MAI86] H. MAITRE, "Contribution to the prediction of performances of the Hough

Transform", Pattern Analysis and Machine Intelligence, vol 8, n° 5, pp. 669-674,
1986.
[MAI92] H. MAITRE, F. PRETEUX, "Progress in digital image processing with applications

to medical imaging", 14th international IEEE conference on Engineering in medicine
and Biology Society, Paris, October 29th – November 1st , 1992.
[MIT94] J. MITERAN, "Performances et intégration d'un algorithme de classification

géométrique par apprentissage. Applications en traitements d'images", Thèse de
Doctorat, Université de Bourgogne, 1994.
102
Bibliographie
[MOY92a] J.MOYSAN, "Imagerie numérique ultrasonore pour la détection automatique de

défauts en contrôle non destructif", Thèse de Doctorat, INSA de Lyon,
07 octobre 1992.
[MOY92b] J. MOYSAN, G. CORNELOUP, I.E. MAGNIN, P. BESNOIT, "Crack-like defect

detection and sizing from image segmentation through co-occurrence matrix
analysis", Ultrasonics, Vol 30, n° 6, pp. 359-363, 1992.
[MOY94] J. MOYSAN, G. CORNELOUP, I.E. MAGNIN, P. BESNOIT, "Seuillage

automatique d'images ultrasonores, utilisation de la matrice de co-occurence",
Revue pratique de contrôle industriel, supplément au n° 188, octobre 1994.
[NOT90] L.D. NOTTINGHAM, D.E. MACDONALD, "Time of Flight Diffraction ultrasonic

measurement of IGSCC in generator training rings", 1Oth N.D.E. in N.P.V.I., 1990.
[ORO81] J. O’ROURKE, "Dynamically quantized spaces for focusing the Hough transform",
Proceedings of the 7th International Joint Conference on Artificial Intelligence,
Vancouver, Canada, pp. 737-739, 1981.
[ORO84] J. O’ROURKE, K.R. SLOAN, "Dynamic quantization : Two adaptative data

structures for multidimensional spaces", IEEE Transactions on Pattern Analysis and
Machine Intelligence, PAMI-6, n° 3, pp. 266-280, 1984.
[PAR86] L. PARADIS, Y. SERRYUS, R. SAGLIO, "A time of Flight Method for crack
Evaluation Using Focused Ultrasonic Probes", Materials Evaluation, n° 44, pp. 568-
570, April 1986.
[PER93] Jean PERDIJON, "Le Contrôle non destructif par ultrasons", Collection Traité des
Nouvelles Technologies, Editions Hermès, Février 93.
[ROB95] M.C. ROBINI, I.E. MAGNIN, B. LAVAYSSIERE, "Wavelet packets based flaw
detection in ultrasonic B-Scan images", International Conference on Quality Control
by Artificial Vision - QCAV'95, Le Creusot, FRANCE, pp. 37-47, Mai 17-19, 1995.
[ROS69] A. ROSENFELD, "Pictures processing by computer", Academic Press, New York,

1969.
[SHA78] S.D. SHAPIRO, "Feature space transforms for curve detection", Pattern
Recognition, Vol 10, pp. 129-143, 1978.
103
Bibliographie
[SHA79] S.D. SHAPIRO, A. IANNINO, "Geometric constructions for predicting Hough

Transform Performances", Pattern Analysis and Machine Intelligence, vol 1, n° 3,
pp. 310-317, July 1979.
[SHE92] J. SHEN, S. CASTAN, "An optimal linear operator for step edge detection", IEEE
CVGIP, Vol 54, pp. 112-133, 1992.
[SIL82a] M.G. SILK, "The use of diffraction-based time of flight measurements to locate and
size defects", British Journal of NDT, pp. 208-213, september 1982.
[SIL82b] M.G SILK, "The fundamental accuracy of ultrasonic time of flight testing
techniques", I Mech E, pp. 125-133, 1982.
[SIL87] M.G. SILK, "Changes in ultrasonic defect locating and sizing", NDT International,
Vol 20, n° 1, pp. 9-14, February 1987.
[SLA78] J. SLANSKY, "On the Hough Technique for Curve Detection", IEEE Transactions
on Computers, Vol c-27, n° 10, pp. 923-926, 1978.
[SON91] S.J. SONG, L.W. SCHMERR, A. SEDOV, "D.G.S. diagrams and frequency
response curves for a flat-bottom hole: a model based approach", Research in
Nondestructive Evaluation, New York, United States, pp. 201-219, 1991.
[STA88] H.K. STANGER, W. KAPPES, P. HÖLLER, "Application of the ALOK procedure

in ultrasonic inspection of complicated geometries", Proceedings of the ninth
International Conference on Nondestructive Evaluation in the nuclear Industrie,
Material Parks, Tokyo, Japan, pp. 417-420, 1988.
[TIM85] R. TIMOUMI, "Quelques aspects théoriques et numériques de la transformation de

Hough", Thèse de doctorat, Université Paris XI, Juin 1985.
[TRU98] F. TRUCHETET, "Traitement linéaire du signal numérique", Editions Hermès,

1998.
[VRA89] D. VRAY, G. GIMENEZ, C. CACHARD, "Exploitation de l'amplitude et de la

phase pour le traitement d'échos ultrasonores", Actes du 12ème Colloque GRESTI –
Juan les Pins, pp. 87-90, Juin 1989.
[ZIO89] D. ZIOU, B. WROBEL-DAUTCOURT, "Filtres récursifs pour la détection de

contours lignes de crêtes et marche", Actes du 12ème Colloque GRESTI –
Juan les Pins, pp. 637-639, Juin 1989.
104
Bibliographie
[ZIO91] D. ZIOU, "Line Detection unsing an optimal IIR filter", Pattern Recognition, Vol 24,
n° 6, pp. 465-478, 1991.
105
Annexe A
Jeu de test bidimensionnel
Annexe A
Annexe A
Les jeux de test sont issus de plusieurs acquisitions réalisées sur des blocs métalliques "étalons". Les
données ultrasonores n’ont pas pu être acquises directement sur des éléments de centrales nucléaires en
activité car l’accès à ces installations et l’extraction de données sont très fortement réglementés. Electricité
de France gère l'activité de ces centrales et prévoie des périodes d’arrêt pour la surveillance et la
maintenance. Il est difficile de faire des acquisitions particulières durant ces périodes. C’est pourquoi nous
exploitons des données correspondant à des fissures réalisées par électroérosion sur des blocs simulant les
éléments de centrale. Ces fissures, à l'image des défauts "naturels" apparaissant sous le revêtement des
cuves de centrales, sont présentes à la jonction de deux matériaux différents.
Un jeu de test correspond à une acquisition réalisée sur un bloc comportant des génératrices (trous
circulaires parallèles à la surface de contrôle) à des profondeurs régulières. Ces défauts engendrent des
échos très proches de ceux observés sur des acquisitions issues de blocs fissurés, plus intenses, et donc
intéressants pour la mise au point d’algorithmes.
Chaque acquisition est constituée d’un ensemble de B-Scan (figure A.1). Afin de fournir une
information de présence ou non de défauts et de localiser ces défauts, nous avons choisi un jeu de test
constitué de plans contenant un ou plusieurs défauts, et d'autres plans ne contenant pas de défaut.
107
Annexe A
Balayage mécanique
des capteurs
y Surface à inspecter
x
t
B-Scan 01
B-Scan 02
B-Scan 03
B-Scan 04
……
figure A.1: Génération d’un jeu de test
Les défauts sont répertoriés par un numéro global, le numéro du plan B-Scan ainsi que le nom du
fichier dont ils sont extraits (figure A.2).
Fichier n° 01
Fichier n° 02
défaut 1 défaut 2
B-Scan 01
B-Scan 02
B-Scan 03
B-Scan 04
...
Fichier n° 03
...
figure A.2: Hiérarchie du jeu de test
L’ensemble des plans B-Scans d'un fichier d’acquisition peut être considéré comme une
représentation volumique du matériau à inspecter lorsque les plans acquis sont proches l’un de l’autre.
Certains plans consécutifs contiennent des informations caractérisant des anomalies de la matière alors que
d'autres reflètent la présence d'un matériau sain.
Nous présentons ici l'ensemble des images B-Scan avec défauts, sur lesquels nous avons testé les
algorithmes bidimensionnels développés. Ces arcs de diffraction caractéristiques des défauts, entourés sur
les images B-Scan, sont numérotés de D01 à D25.
108
Annexe A
D01
D02
D03
D04
D05
D06
D07
D08
D09
109
Annexe A
D10
D11
D12
D13
D14
D15
D16
D17
110
Annexe A
D18
D19
D20
D22
D23
D24
D25
111
Annexe B
Jeu de test tridimensionnel
Annexe B
Annexe B
Cette annexe se décompose en deux parties: l'ensemble des fichiers de test constitués d'arcs
de diffraction complets et l'ensemble des fichiers de test constitués d'arcs de diffraction morcelés.
B.1 Arcs de diffraction complets
Les fichiers sont triés par ordre décroissant du Rapport Signal/Bruit (RSB):
RSB = 10 log 1 0 ∑ I ( Arc de diffraction )

2
∑ ( I (Bruit ) − Moy _ Bruit ) 2
où I(Arc de diffraction) est l'intensité des pixels appartenant à l'arc de diffraction, I(Bruit), l'intensité
des pixels du bruit et Moy_Bruit, la valeur moyenne du bruit.
Nous avons indiqué pour chaque ensemble de B-Scan d'un fichier test tridimensionnel: le RSB
pour l'ensemble des B-Scan, la dynamique retenue pour les arcs, l'ouverture de continuité retenue
par l'opérateur, et la position du sommet de l'arc de diffraction. La dynamique des arcs est définie
comme étant la plage de variation du niveau de gris des pixels appartenant à l'arc de diffraction. Par
exemple, une dynamique de 50 signifie que le niveau de gris des pixels appartenant à l'arc de
diffraction varie entre 0 et 50. Le nombre terminant le nom de fichier correspond à la dynamique des
arcs de diffraction.
B.1.1 Fi c h i e r t e s t C O N T _ 1 5 0
Plans B -Scan constituant le fichier test
Caractéristiques du fichier test

RSB (dB) Dynamique O u v e r t u r e ( m s . p i x -- P o s i t i o n d u s o m m e t
22
) (x, t)
-0,733 150 - 0,33 (6, 18)
112
Annexe B
B.1.2 Fichier test CONT_125
Plans B -Scan constituant l e f i c h i e r t e s t

22
) (x, t)
-2,32 125 - 0,29 (6, 18)


22
) (x, t)
- 4,27 100 - 0,25 (6, 18)


22
) (x, t)
- 10,34 50 - 0,13 (6, 18)


22
) (x, t)
- 14,84 30 - 0,05 (6, 18)
113
Annexe B

22
) (x, t)
- 18,45 20 - 0,03 (6, 18)
B.2 Arcs de diffraction incomplets
Les fichiers test avec arcs de diffraction incomplets sont triés par ordre décroissant de taux de
morcellement:
Nb de pixels conservés
τ=
Nb de pixels initial constituant l ' arc
Nous indiquons pour chaque fichier, le taux de morcellement approximatif pour l'ensemble des
données tridimensionnelles, l'ouverture de continuité relevée, et la position du sommet de l'arc de
diffraction.
B.2.1 Fichier test DISC_90

Taux O u v e r t u r e ( m s . p i x -- 22 ) Position du sommet (x, t)
90 % - 0,48 (6, 18)


80 % - 0,47 (6, 18)
114
Annexe B

70 % - 0,45 (6, 18)

Caractéristiques du fichier te s t
60 % - 0,35 (6, 18)


50 % - 0,28 (6, 18)


40 % - 0,27 (6, 18)

Plans B -Scan constituant le fichier t e s t
115
Annexe B

30 % - 0,1 (6, 18)


20 % - 0,03 (6, 18)
116
Annexe C
Résultats de la transformation de Hough sur
le jeu de test bidimensionnel
Annexe C
Résultats de la transformation de Hough sur le jeu de test bidimensionnel
Annexe C
Résultats de la transformation de Hough sur le jeu
de test bidimensionnel
Nous présentons dans cette annexe les traitements bidimensionnels utilisant la transformation de
Hough avec calcul et accumulation de la valeur du gradient sur l'ensemble des fichiers du jeu de test
bidimensionnel, ainsi que sur un ensemble de zones de B-Scan ne contenant que du bruit.
C.1 Fichiers contenant des défauts
Le tableau (figure C. 1) représente les résultats de l'application de la transformée de Hough pour un

gradient maximal aux 25 zones de défauts issues des fichiers de test avec défauts. Le filtre optimal utilisé
pour le calcul du gradient est celui de Shen et Castan.
Nous représentons la zone de l'image traitée, l'espace des paramètres obtenu, la position du sommet
de l'arc de diffraction trouvée et le résultat de la localisation. Nous considérons que le sommet a été
correctement localisé lorsqu'il a été trouvé à moins de 2 pixels de la position recherchée. Le taux de bonne
détection est:
22
Taux de bonne détection = × 100 = 88 %
25
No. du Image Source Espace des Repositionnement Défaut

défaut paramètres du défaut correctement
localisé
D01 oui
D02 oui
D03 oui
117
Annexe C

localisé
D04 oui
D05 oui
D06 non
D07 oui
D08 oui
D09 oui
D10 oui
D11 oui
D12 oui
D13 oui
D14 oui
D15 non
118
Annexe C

localisé
D16 non
D17 oui
D18 oui
D19 oui
D20 oui
D21 oui
D22 oui
D23 oui
D24 oui
D25 oui
figure C. 1: Résultats de la transformation de Hough avec calcul du gradient sur les 25 défauts
C.2 Fichiers ne contenant pas de défauts
La transformation de Hough basée sur le calcul et l'accumulation de la valeur du gradient maximal a

été testée sur 10 zones B-Scan ne contenant pas de défauts.
119
Annexe C
Les résultats sont indiqués figure C. 2 où la zone traitée, l'espace des paramètres obtenu, et le
résultat d’une éventuelle détection sont présentés. Le taux de bonne détection est:
8
Taux de bonne détection = × 100 = 80 %
10
No Image Source Espace des Défaut détecté?

paramètres (oui/non)
1 Non
2 Non
3 Oui
4 Non
5 Non
6 Oui
7 Non
8 Non
9 Non
10 Non
figure C. 2: Résultats de la transformation de Hough avec calcul du gradient sur les 10 zones B-
Scan sans défaut
120
Annexe D
Résultats de la tr ansformation de Hough sur
le jeu de test tridimensionnel
Annexe D
Résultats de la transformation de Hough sur le jeu de test tridimensionnel
Annexe D
Résultats de la tr ansformation de Hough sur le
jeu de test tridimensionnel
Cette annexe résume les résultats obtenus suite à l'application du traitement combiné
(traitements bidimensionnel avec calcul du gradient et tridimensionnel) à l'ensemble des fichiers test
tridimensionnels.
D.1 Arcs de diffraction complets
Les résultats du test des fichiers constitués d'arc de diffraction complets avec des RSB
différents sont triés par ordre décroissant du RSB. Nous présentons les espaces de paramètres
obtenus avant et après la combinaison des traitements et le repositionnement du défaut.
D.1.1 Fichier test CONT_150 (RSB = -0 , 7 3 3 d B )
Plans B -Scans constituant le jeu de test
Résultat de Traitement 3D
T.H. Gradient 3D T.H. Continuité 3D T.H. Combinée 3D Repositionnement
D.1.2 Fichier test CONT_125 (RSB = - 2,32 dB)
121
Annexe D
T.H. Gradient 3D T.H. C o n t i n u i t é 3 D T.H. Combinée 3D Repositionnement
122
Annexe D
D.2 Arcs de diffraction incomplets
Les résultats du traitement tridimensionnel réalisé sur les fichiers constitués d'arc de diffraction
morcelés sont triés par ordre décroissant du taux de morcellement. Nous présentons les espaces de
paramètres obtenus avant et après la combinaison des traitements et le repositionnement du défaut.
D.2.1 Fichier test DISC_90
Plans B -Scans constituant le jeu de t e s t
123
Annexe D
124
Annexe D
T.H. Gradient 3D T.H. Continuité 3D T . H. C o m b i n é e 3 D Repositionnement
125
Annexe E
Présentation du logiciel de traitements
Annexe E
Présentation succincte du logiciel de traitements
Annexe E
Présentation du logiciel de traitements
Ce paragraphe décrit l'outil logiciel de traitements développé dans le cadre de cette étude. Ce
prototype a été développé en Visual C++ sous Windows NT sur PC.
E.1 Description sommaire du logiciel
Le logiciel réalisé dispose d'une interface écran graphique "Windows" (figure E.1). Les menus
standards de toute application Windows sont intégrés au logiciel (gestion des fichiers, des fenêtres,
d'édition, etc.…).
figure E.1: Interface utilisateur graphique "Windows"
126
Annexe E
Le logiciel permet de lire et sauvegarder des fichiers au format "Accusonex", et des images au
format bitmap de Windows.
Lorsqu'un fichier ultrasonore est lu, le logiciel affiche les données dans les trois représentations
C-Scan, B-Scan et A-Scan. La première représentation des données affichée est le C-Scan.
L’utilisateur peut alors sélectionner les B-Scan à afficher puis les A-Scan.
Trois menus déroulants gèrent indépendamment les types d’images ultrasonores. Le menu "C-
Scan" permet, par exemple, la création d'images B-Scan. Le menu "B-Scan" propose une fonction
de sélection de zone de B-Scan à traiter, l'entrée des paramètres ultrasonores associés au B-Scan
considéré, etc.…
Deux menus "Traitement bidimensionnels" et "Traitement tridimensionnel" permettent

d'accéder aux traitements développés.
E.2 D é t e c t i o n d ' a r c s d e d i f f r a c t i o n d a n s u n p l a n B-
B- S c a n : t r a i t e m e n t
bidimensionnel
La détection d'arcs de diffraction dans une image B-Scan se déroule de la manière suivante:
après ouverture du fichier B-Scan à traiter, l'utilisateur sélectionne la zone de traitement et les
paramètres d'acquisition ultrasonore. La fenêtre "Paramètres US" du menu "B-Scan" permettant la
saisie de ces paramètres est présentée sur la figure E.2.
Les paramètres à introduire sont l'angle d'acquisition, la distance inter-capteurs et la célérité

dans le matériau nécessaires au calcul de l'ouverture en fonction de la profondeur. Le type d'écho de
référence permet d'obtenir un référentiel sur l'axe des temps.
127
Annexe E
figure E.2: Fenêtre de saisie des paramètres ultrasonores
Lorsque ces paramètres sont saisis, le menu "Traitements 2D" (figure E.3) permet d'accéder à
la transformation de Hough et à d'autres outils mis au point durant l'étude.
figure E.3: Menu "Traitements 2D"
128
Annexe E
Le résultat de la transformation de Hough est présenté sous forme d'un message de présence
ou absence de défaut et de deux nouvelles images. Un curseur est alors positionné dans une copie
de l'image B-Scan traitée. Une seconde image présente l'espace des paramètres (figure E.4).
Image source Repositionnement du défaut Espace des paramètres
figure E.4: Exemple de résultat de traitement
E.3 Détection d'arcs de diffraction dans une acquisition multiplans:

traitement combiné
E.3.1 Chargement des données tridimensionnelles
Les données à traiter peuvent être un ensemble de fichiers B-Scans préalablement

sauvegardés à partir d'un fichier d'acquisition tridimensionnel. L'opérateur doit dans ce cas entrer le
nom du premier plan B-Scan constituant les données et le nombre de plans consécutifs à traiter.
Les données peuvent aussi être sélectionnées sur le plan C-Scan d'une acquisition
tridimensionnelle. L'utilisateur doit dans ce cas sélectionner les plans B-Scan à traiter et la plage de
profondeur dans l'un des plans B-Scan.
E.3.2 Exécution du traitement combiné
Le menu "Traitements 3D" (figure E.5) permet de sélectionner la commande "T.H.

Combinée".
figure E.5: Menu des traitements tridimensionnels
129
Annexe E
Une boîte de dialogue (figure E.6), permet alors de saisir les valeurs théoriques des
paramètres du modèle de continuité.
figure E.6: Boîte de dialogue de saisie du paramètre "Ouverture"
Quatre images permettent d'interpréter le résultat de la transformation de Hough

tridimensionnelle (figure E.7): l'espace des paramètres de la T.H., l'espace des paramètres calculé
pour le traitement de continuité seul, l'espace des paramètres calculé pour le traitement du gradient
seul, et enfin, le plan B-Scan central de la zone traitée sur lequel est positionné le défaut détecté.
Espace résultant Espace de Espace de gradient Défaut

continuité repositionné
figure E.7: Exemple de résultat obtenu avec le traitement combiné
130

129 These PDF

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

129 These PDF

Încărcat de

Drepturi de autor:

Formate disponibile

UNIVERSITE DE BOURGOGNE UFR SCIENCES ET TECHNIQUES

pour obtenir le grade de

TRAITEMENT D'IMAGES ULTRASONORES:

Soutenue le 17 décembre 1999

Alain DIOU Professeur Président du jury

Je remercie Monsieur F. TRUCHETET, Professeur, directeur du Laboratoire L.E.2.I. et

Je remercie mon directeur de thèse, Monsieur P. GORRIA, et Monsieur L. LEW YAN

Que Monsieur M. ROUSSEL, Professeur à l'I.U.T. de Troyes, Université de Reims

Je remercie également Monsieur A. DIOU, Président du Jury, et Monsieur

Je remercie le Conseil Régional de Bourgogne, et l'entreprise Framatome pour le

J'exprime toute ma reconnaissance aux membres du laboratoire L.E.2.I., pour leur

La seconde partie présente le problème de la reconnaissance de formes et de courbes en

Une exploitation originale de cette transformation est ensuite développée dans la

La dernière partie présente une approche tridimensionnelle exploitant le contour et la

pu développer un système de détection de fissures dans les élément métalliques du circuit

We present in the first part the nondestructive inspection by ultrasounds of metallic

An original exploitation of the Hough Transform on two dimensional ultrasound images

Table des matières

4.1.2.3 Approximation polynomiale du profil des intensités relevées ..........................79

Framatome est le premier constructeur mondial actuel de réacteurs à eau pressurisée

Actuellement, les acquisitions de données ultrasonores sont réalisées de manière

Le traitement d'images était difficilement envisageable, il y a une quinzaine d'années,

Les opérations de localisation et dimensionnement effectuées manuellement par

Le L.E.2.I., issu de la fusion de plusieurs équipes de recherche de l'Université de

L'objectif principal de l'étude est la mise au point d'algorithmes permettant d'interpréter

Le traitement tridimensionnel de données issues de contrôle non destructif est

figure 1.1: Exemple d'arcs de diffraction

l'intensité du défaut est faible, l'opérateur le détectera difficilement, après plusieurs

A l'issue de l'étude théorique, une plate-forme de validation a été réalisée. Constitué

• sélectionner dans l'espace des données une zone bidimensionnelle ou

• choisir un traitement à appliquer à la zone sélectionnée et entrer les paramètres liés

• visualiser et sauvegarder les résultats du traitement.

Le second chapitre est consacré à une étude bibliographique et à la présentation des

Dans le troisième chapitre, nous décrivons la mise en œuvre de la transformation de

Le quatrième et dernier chapitre est consacré à l'application de la transformation de

Ce chapitre présente une étude bibliographique des techniques courantes de contrôle

1.1 Principes des acquisitions ultrasonores

figure 1.1: Déplacement des capteurs ultrasonores

1.2 Modes de représentation

Nous décrivons dans les sous-paragraphes suivants les représentations courantes de

amplitude de l'écho Echo de diffraction Echo de fond

figure 1.2: Exemple de signal A-Scan

1.2.2 Cartographies B-Scan

figure 1.3: Construction d'une cartographie B-Scan

écho de surface défaut écho de fond

figure 1.4: Exemple de cartographie B-Scan

maximum du A-Scan aux

figure 1.5: Construction d'une cartographie C-Scan

1.2.4 Cartographies D-Scan

Comme la cartographie C-Scan, une cartographie D-Scan est obtenue en projetant le

figure 1.6: Construction d'une cartographie D-Scan

1.3 Les techniques de contrôles ultrasonores

Il existe de nombreuses méthodes de détection et de dimensionnement de défauts en

Une des premières méthodes mise en œuvre lors de problèmes de dimensionnement a

Dimensionnement à –6 dB (gris foncé)

figure 1.7: Dimensionnement à –6 dB de défaut volumique

1.3.2 Méthode "Distance Gain Size"

1.3.3 Inconvénients des techniques basées sur la réflexion

1.4 Time Of Flight Diffraction

1.4.1 Principes de la technique T.O.F.D.

faiblesse du rayonnement, et donc, de la difficulté de détection. Cependant, l'utilisation de

figure 1.8: Principe de la technique T.O.F.D.

1.4.2 Modélisation des écho s de diffraction dans un plan B-Scan