Méthodes d’apprentissage profond pour la détection et la reconstruction d’images en tomographie par impédance électrique

Résumé : Cette thèse explore les avancées de la Tomographie d’Impédance Électrique (EIT) par l’intégration de réseaux de neurones pour la classification des régimes d’écoulement, la mesure volumétrique, la détection de cavitation, et la reconstruction d’images de conductivité. Elle débute par une présentation complète des méthodes de tomographie électrique, posant les bases de l’EIT en abordant les stratégies d’excitation et de mesure, les modèles d’électrodes, les conditions aux limites, ainsi que la formulation des problèmes direct et inverse. Sur cette base, la thèse introduit une approche innovante basée sur les spectrogrammes pour classifier les régimes d’écoulement diphasiques eau/air à l’aide de réseaux de neurones, démontrant une précision supérieure à celle des méthodes traditionnelles fondées sur les séries temporelles. La recherche s’étend ensuite à un contexte industriel, où l’EIT est utilisée pour identifier les débits volumiques d’eau et d’air et détecter la cavitation dans des pompes centrifuges. Un capteur EIT en acier inoxydable ainsi que des architectures de réseaux neuronaux récurrents, en particulier un modèle Bi-GRU, permettent d’obtenir une classification très précise. La thèse se concentre ensuite sur la reconstruction d’images à l’aide d’un réseau neuronal employant la méthode COLTRANE, une technique d’excitation trigonométrique en EIT améliorée par multiplexage en division de fréquence. Pour pallier les limites de généralisation des reconstructions d’images par apprentissage profond, la thèse propose AIA-Net, une architecture neuronale basée sur l’attention, enrichie par un Modèle de Diffusion Latente Conditionnelle. Ce modèle hybride améliore significativement la précision et la robustesse des reconstructions dans divers scénarios de test. Enfin, une nouvelle métrique de résolution spatiale est proposée pour évaluer la qualité des reconstructions d’images en EIT. Des simulations approfondies utilisant des réseaux de neurones tant pour la reconstruction d’image que pour la classification valident l’efficacité de cette métrique. Les hautes précisions atteintes pour la détection du nombre et de la taille des inclusions, ainsi que la robustesse face au bruit gaussien ajouté, confirment la solidité des réseaux de neurones proposés. Dans l’ensemble, ce travail contribue à l’état de l’art en EIT en développant et validant des modèles avancés de réseaux neuronaux pour les tâches de classification et de reconstruction d’image, offrant des perspectives concrètes pour les applications industrielles futures de l’EIT.

Jury

M. Guillaume RICCIARDI - CEA - Directeur de thèse
M. Thorsten PÖSCHEL - Université Friedrich-Alexander d'Erlangen-Nuremberg (UFAEN) - Rapporteur
M. Vykintas SAMAITIS - Université de technologie de Kaunas (UTK) / Ultrasound Research Institute - Rapporteur
M. Cédric BELLIS - CNRS - LMA - Co-directeur de thèse
M. Stéphane HOLÉ - École Supérieure de Physique et de Chimie Paris (ESPCI) - Président
M. Thierry ARTIERES - Ecole Centrale Marseille (ECM) - Examinateur
Mme Sandrine RAKOTONARIVO - Aix-Marseille Université (AMU) - Examinatrice
M. Saba MYLVAGANAM - Université South-East Norway (USN) - Examinateur
M. Mathieu DARNAJOU - FLUIIDD - Invité

La soutenance de thèse de Anes Saoudi est prévue le 17 décembre à 9h00 - amphithéâtre du LMA