Advanced approaches in deep learning for cable diagnostics and GPR radar image analysis
Approches avancées en apprentissage profond pour le diagnostic des câbles et l’analyse d’images radar GPR
Résumé
In recent years, deep learning methods have significantly evolved and found appli- cations in various fields. This thesis work explores its applicability in two specific physics domains: reflectometry for identifying faults along cable networks, and the detection of buried objects using Ground Penetrating Radar (GPR) through non-destructive tech- niques. Cables, being critical components in electronic systems, can exhibit failures, thus posing a potential risk in sensitive sectors like aeronautics. The use of reflectometry, a technique that employs signals reflected back after being sent through the cable, is crucial for identifying and addressing emerging anomalies. The integration of deep neu- ral networks, including multi-perceptron and convolutional models, has proven effective for precisely locating and characterizing defects. During this thesis, we highlighted the influence of hyperparameters on the accuracy of the constructed model. In GPR applica- tions, an emitting antenna discharges electromagnetic pulses to spotlight underground targets. Processing the signals reflected during the receiver’s movement enables the formation of a B-scan image, showcasing hyperboles that convey information about the position and type of pipe. Using deep neural networks, specifically VGG-16, ResNet-50, and customized CNNs, derived from a synthetic database, a multi-label classification model was formulated. This model facilitates the instantaneous extraction of soil and pipe attributes (diameter, type of pipe), markedly improving detection and analysis efficacy. A rigorous adjustment of the hyperparameters proved to be indispensable.
Au cours des dernières années, les méthodes d’apprentissage profond, ou "Deep Learning", ont significativement évolué et trouvé des applications dans divers domaines. Ce travail de thèse explore son applicabilité dans deux domaines spécifiques de la physique : la réflectométrie pour l’identification de défauts le long des réseaux de câblages, et la détection d’objets enterrés à l’aide du radar à sondage de sol (GPR) grâce à des techniques non destructives. Les câbles, éléments critiques dans les systèmes électroniques, peuvent présenter des défaillances, représentant ainsi un risque potentiel dans des secteurs sensibles comme l’aéronautique. L’utilisation de la réflectométrie, une technique exploitant les signaux réfléchis après envoi d’un signal dans le câble, est vitale pour détecter et gérer des anomalies naissantes. L’intégration de réseaux de neurones profonds, incluant des modèles à multi-perceptrons et convolutionnels, a démontré son efficacité pour localiser et caractériser précisément les défauts. Au cours de cette thèse, nous avons mis en lumière l’influence des hyperparamètres sur la précision du modèle construit. Dans le domaine des radars GPR, une antenne émettrice génère des impulsions électromagnétiques pour illuminer des cibles situées dans le sous-sol. Le traitement des signaux réfléchis lors du déplacement du récepteur permet de construire une image, appelée B-scan, qui affiche des hyperboles fournissant des informations sur la localisation et la nature du tuyau. Grâce à la mise en œuvre de réseaux neuronaux profonds tels que VGG-16, ResNet-50, et des CNN, adaptés à partir d’une base de données synthétiques, un modèle de classification multi-labels a été développé. Celui-ci permet une extraction instantanée des caractéristiques du sol et des tuyaux (diamètre, type de tuyau), améliorant significativement l’efficacité de la détection et de l’analyse. Un réglage rigoureux des hyperparamètres s’est avéré nécessaire.
| Origine | Version validée par le jury (STAR) |
|---|