These Méthode d'Apprentissage Automatique pour la Reconstruction d'Image en Tomographie H/F Safran

Safran est un groupe international de haute technologie, équipementier de premier rang dans l'aéronautique, le spatial et la défense. Safran Tech regroupe les activités R&T de Safran, autour de plusieurs plateformes dédiées aux innovations pour la fabrication additive, la fonderie, les matériaux composites, céramiques et le digital au niveau de la plateforme Sciences et Technologies du Numérique (STN). Au sein de cette plateforme, l'unité de recherche IOMM (Interaction Onde Matière et Mesure) a en charge la recherche et l'innovation du Groupe dans le domaine de la surveillance et contrôle par imagerie et par réponse vibratoire pour le contrôle des pièces et dans celui des capteurs innovants et systèmes connectés. Sur le premier volet, le développement de nouveaux procédés de fabrication induit de nouveaux défis pour le contrôle non destructif des pièces à géométrie complexe.
Cette thèse porte sur la reconstruction 3D de telles pièces par tomographie par rayons X, avec application au Contrôle Non Destructif (CND). La reconstruction tomographique est un problème inverse classique rencontré en imagerie médicale et en CND. Implémentée dans de nombreux scanners industriels, les innovations récentes sont liées d'une part à l'apparition de nouveaux systèmes d'imagerie, pour lesquels les trajectoires relatives de la source et du détecteur sont optimisées en fonction de la géométrie et de la composition de la pièce, et d'autre part au développement de nouvelles techniques d'inversion basées notamment sur l'apprentissage statistique. Ces approches sont précisément l'objet de la thèse.
Le premier objectif de la thèse est d'établir un état de l'art des méthodes d'inversion basées données, permettant d'exploiter un jeu de données d'entraînement pour apprendre la distribution a priori de l'image volumique à reconstruire, et ainsi guider le processus de reconstruction 3D dans des situations difficiles (angles de projection limités, faibles rapports signal-sur-bruit).
Le deuxième objectif de la thèse porte sur la génération de données d'entraînement. En contrôle non destructif, on dispose de modèles de CAO permettant de décrire les volumes 3D par un ensemble de paramètres de forme et de simuler les projections radiographiques de ces volumes ainsi que les effets physiques responsables d'artefacts sur les images, comme le rayonnement diffusé à l'aide de codes Monte Carlo.
Le troisième objectif sera le développement de l'algorithme de reconstruction, en intégrant au processus de reconstruction d'image une technique de régularisation permettant de prendre en compte l'a priori lié à la connaissance du modèle CAO de la pièce.
Le quatrième objectif porte sur la mise en oeuvre des algorithmes et la quantification des gains obtenus à l'aide de métriques de qualité d'images répondant aux problématiques de détection d'indications, dans le cadre du contrôle dit santé matière, et de mesures de cotes internes aux pièces, dans le cadre du contrôle dit dimensionnel.