L’inspection et la détection des anomalies structurelles et électriques en utilisant l’intelligence artificielle

Mehadjbia, Abdelhak (2024). L’inspection et la détection des anomalies structurelles et électriques en utilisant l’intelligence artificielle. (Mémoire de maîtrise). Université du Québec en Abitibi-Témiscamingue. Depositum. https://depositum.uqat.ca/id/eprint/1642

Prévisualisation

PDF Télécharger (5MB) | Prévisualisation

Résumé

Résumé :
L’intelligence artificielle (IA) intervient aujourd'hui dans l'automatisation de l'inspection visuelle, en apprenant à un ordinateur à lire des images et à déterminer si elles répondent à des normes acceptables. Les entreprises peuvent automatiser le processus d'inspection visuelle, gagner du temps, et dans certains cas, améliorer la précision. Par exemple, de l'identification de la corrosion au sommet des éoliennes ou de l'identification des cellules défectueuses des panneaux solaires, et même le contrôle de la qualité des circuits électroniques imprimés (PCB). Dans ce travail, une solution de détection des défauts des éoliennes, des panneaux solaires et des circuits électroniques imprimés basée sur des modèles d'apprentissage profond, léger et personnalisé appelés (NasNetMobile, MobileNetV2 et YOLO) est proposée. Les modèles lourds sont coûteux en termes de temps de calcul et demandent une grande capacité de mémoire. Pour cette raison, notre travail se concentre sur l’implémentation et l’utilisation d’un modèle simple et léger. Les tests ont montré que NasNetMobile. MobileNetV2 et YOLO permettront d’obtenir de bonnes précisions de détections, et aussi les modèles sont capables d'identifier l'anomalie et de localiser la région défectueuse dans les images de notre base des données de test en utilisant la méthode de Grad-cam.

Abstract :
Artificial Intelligence (AI) is now being used to automate visual inspection, by teaching a computer to read images and determine if they meet acceptable standards. Companies can automate the visual inspection process, save time, and in some cases, improve accuracy. Examples include identifying corrosion on the top of wind turbines or identifying defective cells in solar panels or even checking the quality of printed circuit boards (PCBs). In this work, a solution for detecting defects in wind turbines, solar panels, and printed circuit boards based on lightweight and personalized deep learning models called (NasNetMobile, MobileNetV2, YOLO) is proposed. Heavy models are expensive in terms of computation time and require a large memory capacity. For this reason, our work focuses on implementing and using a simple and lightweight model. Tests have shown that NasNetMobile, MobvileNetV2 and YOLO achieved good detection accuracy, and the models are able to identify the anomaly and locate the defective region in the images of our test database using the Grad-cam me.

Type de document:	Thèse ou mémoires (Mémoire de maîtrise)
Directeur ou directrice de recherche:	Slaoui-Hasnaoui, Faoud
Mots-clés libres:	Détection d'anomalie, Inspection visuelle automatisée, Deep learning, Intelligence artificielle, Panneaux solaires, Éoliennes, Cartes à circuits imprimée, Détection d'objet
Divisions:	Génie > Maîtrise en ingénierie
Date de dépôt:	11 févr. 2025 18:58
Dernière modification:	11 févr. 2025 18:58
URI:	https://depositum.uqat.ca/id/eprint/1642

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt