Abstract
La détection de défauts dans les structures aéronautiques et spatiales est cruciale, tant pour la fabrication que pour la maintenance. Les méthodes de contrôle non-destructif doivent être rapides, précises, fiables, économiques et de plus en plus automatisées. La complémentarité des différentes techniques d'inspection suggère leur utilisation simultanée pour renforcer la fiabilité des informations ou permettre une détection automatique difficile avec une seule technique. Dans ce travail de thèse, nous explorons l'utilisation des méthodes d'apprentissage profond et de synthèse d'images pour la détection et la localisation de fissures par thermographie infrarouge laser Flying Spot sur des matériaux métalliques. Notre première contribution se concentre sur la collecte de données sur banc d'essai et la génération d'images synthétiques utilisant des modèles de diffusion pour augmenter la quantité et la diversité d'images thermographiques disponibles. La deuxième contribution concerne l'utilisation ces jeux de données au travers de protocoles d'entraînement progressif et de transfert de caractéristiques afin d'améliorer la capacité des réseaux de neurones à discriminer et localiser les endommagements sur les images thermiques Flying Spot. Enfin, notre troisième contribution porte sur la construction d'une nouvelle architecture d'apprentissage profond pour la fusion multi-spectrale infrarouge-visible et sa mise en œuvre pour la détection de défauts sur des données couplées thermographiques et visibles. Cette thèse illustre le bénéfice de la fusion multi-spectrale au travers des méthodes d'apprentissage profond, en particulier dans le cadre de la thermographie laser.