Baptiste Abeloos
Current Organizations / Institutes
The organizations/institutes from the scholar's latest article
Research Subjects
Baptiste Abeloos has a total of 8 co-authors. Here are the top co-authors by number of shared publications:
Jean-Michel Roche
ONERA - Université Paris-Saclay, DMAS, Châtillon, France
1 shared publication- Jean-Michel Roche
DMAS, ONERA, Université Paris-Saclay, Châtillon, France
1 shared publication Kevin Helvig
ONERA - Université Paris-Saclay, DTIS, Palaiseau, France
1 shared publication- Kevin Helvig
DTIS, ONERA, Université Paris-Saclay, Palaiseau, France
1 shared publication Ludovic Gavérina
ONERA - Université Paris-Saclay, DMAS, Châtillon, France
1 shared publication- Ludovic Gavérina
DMAS, ONERA, Université Paris-Saclay, F-92322 Châtillon, France
1 shared publication
Latest Publications
- Open Access
- 3 September 2026
- Published by Elsevier in NDT & E International
- Vol. 165
Crack detection on metallic materials fusing flying spot thermography and visible imagery with deep learning
- 3 September 2026
- Published by Elsevier in NDT & E International
- Vol. 165
Open AccessCrack detection on metallic materials fusing flying spot thermography and visible imagery with deep learning
- 2 April 2026
- Published by Agence Bibliographique de l'Enseignement Supérieur
Searches for supersymmetry in the fully hadronic channel and jet calibration with the ATLAS detector at the LHC
Recherche de particules supersymétriques dans le canal hadronique et calibration des jets avec le détecteur ATLAS du LHC: Le Modèle Standard de la physique des particules est un modèle décrivant très bien les particules élémentaires et leurs interactions mais plusieurs raisons motivent les physiciens à rechercher de la physique au-delà de ce modèle. La supersymétrie correspond à une des extensions les plus prometteuses. La thèse est axée sur deux sujets, et repose sur les données acquises en 2015 et 2016 avec le détecteur ATLAS du LHC (CERN):La première partie est un travail de performance permettant d'améliorer la mesure de l'énergie des jets de particules. Ces objets sont générés par l'hadronisation des quarks et des gluons par interaction nucléaire forte et sont difficiles à reconstruire. Ma contribution correspond à la dernière étape et repose entièrement sur les données. La méthode se base sur les mesures effectuées sur les photons qui servent d'objets de référence. Mon travail a consisté à mettre en place la méthode, estimer les corrections en énergie et évaluer les incertitudes. Les corrections obtenues sont de l'ordre de 2-3% en fonction de l'énergie des jets. L'incertitude sur l'échelle en énergie des jets est estimée à environ 1% pour les trois types de jets étudiés. Les résultats sont actuellement utilisés par la collaboration ATLAS. Cette méthode permet également de mesurer la résolution en énergie des jets du détecteur. Une résolution de l'ordre de 17%-22% est obtenue à 40 GeV en fonction du type de jet étudié, et 4% à 1 TeV, avec une incertitude de l'ordre de 10%.La deuxième partie de la thèse porte sur la recherche d'un signal de supersymétrie. Le signal recherché correspond à la production d'une paire de squarks ou de gluinos et comprend des jets et de l'énergie transverse manquante dans l'état final. Mon travail porte principalement sur l'optimisation des critères de sélections en se basant sur plusieurs modèles simplifiés de supersymétrie. Neuf nouvelles régions de signal ont été introduites dans l'analyse. Les limites tracées au cours du Run 1 sur la masse des squarks et gluinos ont ainsi été augmentées pour atteindre une valeur maximale respective de l'ordre de 1.6 TeV et 2 TeV sur les modèles étudiés.
- 2 April 2026
- Published by Agence Bibliographique de l'Enseignement Supérieur
Searches for supersymmetry in the fully hadronic channel and jet calibration with the ATLAS detector at the LHC
Recherche de particules supersymétriques dans le canal hadronique et calibration des jets avec le détecteur ATLAS du LHC: Le Modèle Standard de la physique des particules est un modèle décrivant très bien les particules élémentaires et leurs interactions mais plusieurs raisons motivent les physiciens à rechercher de la physique au-delà de ce modèle. La supersymétrie correspond à une des extensions les plus prometteuses. La thèse est axée sur deux sujets, et repose sur les données acquises en 2015 et 2016 avec le détecteur ATLAS du LHC (CERN):La première partie est un travail de performance permettant d'améliorer la mesure de l'énergie des jets de particules. Ces objets sont générés par l'hadronisation des quarks et des gluons par interaction nucléaire forte et sont difficiles à reconstruire. Ma contribution correspond à la dernière étape et repose entièrement sur les données. La méthode se base sur les mesures effectuées sur les photons qui servent d'objets de référence. Mon travail a consisté à mettre en place la méthode, estimer les corrections en énergie et évaluer les incertitudes. Les corrections obtenues sont de l'ordre de 2-3% en fonction de l'énergie des jets. L'incertitude sur l'échelle en énergie des jets est estimée à environ 1% pour les trois types de jets étudiés. Les résultats sont actuellement utilisés par la collaboration ATLAS. Cette méthode permet également de mesurer la résolution en énergie des jets du détecteur. Une résolution de l'ordre de 17%-22% est obtenue à 40 GeV en fonction du type de jet étudié, et 4% à 1 TeV, avec une incertitude de l'ordre de 10%.La deuxième partie de la thèse porte sur la recherche d'un signal de supersymétrie. Le signal recherché correspond à la production d'une paire de squarks ou de gluinos et comprend des jets et de l'énergie transverse manquante dans l'état final. Mon travail porte principalement sur l'optimisation des critères de sélections en se basant sur plusieurs modèles simplifiés de supersymétrie. Neuf nouvelles régions de signal ont été introduites dans l'analyse. Les limites tracées au cours du Run 1 sur la masse des squarks et gluinos ont ainsi été augmentées pour atteindre une valeur maximale respective de l'ordre de 1.6 TeV et 2 TeV sur les modèles étudiés.
- 1 February 2024
- Published by SPIE-Intl Soc Optical Eng in Journal of Electronic Imaging
- Vol. 33 (03) , 031202-17
Database for transfer learning in crack detection and localization on metallic materials using flying spot thermography and deep learning
“Flying spot” laser infrared thermography (FST) is a non destructive testing technique able to detect defects by scanning surfaces with a laser heat source. Defects, such as cracks on metallic parts, are revealed by the disturbance of heat propagation measured by an infrared camera. Deep learning approaches are now very efficient to automatically analyze and use contextual information from data and can be used for crack detection. However, in the literature only few works deal with the use of deep learning for the crack detection in FST. Indeed obtaining a large amount of data from FST examinations can be expensive and time-consuming. This work presents an open-access database for “flying spot” laser thermography, annotated for crack-type defect localization. It is followed by a benchmark of several state-of-the-art machine learning architectures. The benefits of this database for transfer to the detection and localization of cracks in coated metallic samples are highlighted, with very reduced amounts of data. Finally, this work gives a preliminary exploration on the use of individual thermal images, yielding to detection and localization performance comparable to the previously studied reconstructed thermal maps, which consists in the normalized mean of all the thermal images on a region of interest, after registration.
- 1 February 2024
- Published by SPIE-Intl Soc Optical Eng in Journal of Electronic Imaging
- Vol. 33 (03) , 031202-17
Database for transfer learning in crack detection and localization on metallic materials using flying spot thermography and deep learning
“Flying spot” laser infrared thermography (FST) is a non destructive testing technique able to detect defects by scanning surfaces with a laser heat source. Defects, such as cracks on metallic parts, are revealed by the disturbance of heat propagation measured by an infrared camera. Deep learning approaches are now very efficient to automatically analyze and use contextual information from data and can be used for crack detection. However, in the literature only few works deal with the use of deep learning for the crack detection in FST. Indeed obtaining a large amount of data from FST examinations can be expensive and time-consuming. This work presents an open-access database for “flying spot” laser thermography, annotated for crack-type defect localization. It is followed by a benchmark of several state-of-the-art machine learning architectures. The benefits of this database for transfer to the detection and localization of cracks in coated metallic samples are highlighted, with very reduced amounts of data. Finally, this work gives a preliminary exploration on the use of individual thermal images, yielding to detection and localization performance comparable to the previously studied reconstructed thermal maps, which consists in the normalized mean of all the thermal images on a region of interest, after registration.