Thèse Développement d'Une IA Explicable Guidée par la Physique pour l'Inspection Visuelle Multivues et son Extension aux Ultrasons Multimodes H/F - Doctorat.Gouv.Fr

Établissement : Université Paris-Saclay GS Informatique et sciences du numérique École doctorale : Sciences et Technologies de l'Information et de la Communication Laboratoire de recherche : IBISC - Informatique, BioInformatique, Systèmes Complexes Direction de la thèse : Vincent VIGNERON ORCID 000000159176041 Début de la thèse : 2026-10-01 Date limite de candidature : 2026-08-31T23:59:59 Ce projet vise à développer une intelligence artificielle explicable, guidée par la physique, pour améliorer l'analyse des inspections visuelles multivues et ultrasonores multimodes. Dans le contexte de prolongation de la durée de vie des installations, les exigences de fiabilité et de traçabilité augmentent. Une approche progressive est proposée : VT 2D pour la détection, VT multivues pour la reconstruction 3D par fusion d'informations, puis généralisation aux données UT multimodes. L'objectif est de comprendre l'influence des paramètres d'acquisition et de développer une IA capable de détecter, de caractériser et de proposer des acquisitions complémentaires dans une logique d'assistance à l'opérateur. Les résultats attendus comprennent une robustesse, une reproductibilité et une explicabilité accrues.

La proposition de projet doctoral s'inscrit dans plusieurs domaines d'impact potentiel de la recherche sur la société. Elle contribue d'abord à la sûreté industrielle, notamment dans les secteurs à forts enjeux tels que l'énergie et le nucléaire, en améliorant le contrôle non destructif des composants critiques. Le projet contribue également à la transition vers une maintenance plus prédictive et mieux justifiée, en aidant les experts à caractériser les défauts, à sélectionner les modalités d'acquisition pertinentes et à documenter les décisions techniques. Enfin, le projet participe à une IA industrielle de confiance, compatible avec les exigences de qualification, d'auditabilité et de déploiement dans des environnements réglementés. Les opérations de CND sont essentielles pour la surveillance de composants critiques, en particulier dans les secteurs où la sûreté, la traçabilité et la reproductibilité sont déterminantes. Les inspections visuelles et ultrasonores produisent aujourd'hui des données de plus en plus riches : images multivues, acquisitions multi-éclairage, volumes reconstruits, signaux UT et images TFM issues de plusieurs modes.
Cette richesse pose un verrou scientifique : la décision dépend simultanément de la physique de propagation, de la géométrie, des paramètres instrumentaux, du geste d'acquisition, de la qualité de reconstruction et de la rareté des défauts. Une IA purement statistique peut être performante localement, mais difficile à justifier lorsqu'elle change de composant, de site ou de protocole.
Le projet propose donc une approche traditionnelle dans son exigence de justification technique, mais moderne dans ses outils : apprendre les représentations utiles, tout en conservant les liens avec les paramètres physiques, les modalités d'acquisition et l'expertise métier. Cette articulation constitue le point central pour rendre l'IA acceptable dans un environnement CND qualifiable.

NDT operations are essential for monitoring critical components, especially in sectors where safety, traceability and reproducibility are decisive. Visual and ultrasonic inspections now produce increasingly rich data: multi-view images, multi-lighting acquisitions, reconstructed volumes, UT signals and TFM images obtained from several modes.
This richness creates a scientific bottleneck: the decision depends simultaneously on propagation physics, geometry, instrumental parameters, the acquisition procedure, reconstruction quality and defect rarity. Purely statistical AI may perform well locally, but remains difficult to justify when the component, site or protocol changes.
The project therefore combines a classical requirement for technical justification with modern tools: learning useful representations while preserving links with physical parameters, acquisition modalities and domain expertise. This articulation is central to making AI acceptable in a qualifiable NDT environment.
Objectif général : construire un pipeline allant de la donnée d'acquisition à la représentation 3D, puis à la décision, à la confiance et à l'explication, dans un cadre compatible avec les pratiques industrielles du CND.
- Cartographier les paramètres influents : vues, éclairages, modes UT, géométrie, couplage, résolution, reconstruction et conditions opérateur.
- Développer des représentations 3D multimodales conservant la contribution de chaque vue, de chaque mode ou de chaque condition d'acquisition.
- Concevoir des modèles de détection, de localisation et de caractérisation des défauts, avec estimation de la taille, de l'orientation, du type et du niveau de confiance.
- Intégrer l'explicabilité : cartes d'attention, analyse de sensibilité, attribution par modalité et justification des paramètres déterminants.
- Proposer une stratégie d'auto-ajustement, bornée par des acquisitions : choix de vues, de modes ou de paramètres complémentaires, sans sortir des contraintes industrielles.
- Évaluer la robustesse au changement de domaine : composant, géométrie, site, configuration d'acquisition ou défaut rare.

General objective: to build a pipeline from acquisition data to 3D representation, then to decision, confidence and explanation, in a framework compatible with industrial NDT practices.
- Map the influential parameters: views, lighting conditions, UT modes, geometry, coupling, resolution, reconstruction and operator conditions.
- Develop multimodal 3D representations preserving the contribution of each view, mode or acquisition condition.
- Design models for defect detection, localization and characterization, including estimation of size, orientation, type and confidence level.
- Integrate explainability: attention maps, sensitivity analysis, attribution by modality and justification of determining parameters.
- Propose a bounded acquisition self-adjustment strategy: selection of complementary views, modes or parameters while remaining within industrial constraints.
- Assess robustness to domain shift: component, geometry, site, acquisition configuration or rare defect type. La méthode suit une progression sur quatre axes, cohérente avec le passage de l'inspection visuelle à l'imagerie ultrasonore multimode.
- Axe A - Données et cartographie des paramètres : structuration des jeux de données VT et UT, annotation des défauts, description des conditions d'acquisition, définition de plans d'expériences et d'indicateurs de qualité.
- Axe B - Représentations 3D multimodales : encodeurs dédiés par vue ou par modalité, fusions précoce, tardive ou attentionnelle, représentation commune conservant la traçabilité des contributions.
- Axe C - Modèles explicables et incertitude : réseaux 2D/3D, modèles hybrides guidés par les paramètres physiques, estimation de l'incertitude, calibration, détection de situations hors domaine.
- Axe D - Optimisation active et assistance opérateur : sélection de vues, de modes ou de réglages complémentaires, recommandations bornées, justification du gain attendu et validation sur des cas industriels représentatifs.
Les modèles de référence incluront des méthodes supervisées classiques, puis des architectures profondes 2D/3D, des stratégies de fusion multimodale et, le cas échéant, des représentations latentes ou auto-supervisées pour mieux exploiter les données rares ou partiellement annotées.

The method follows a four-axis progression consistent with the transition from visual inspection to multimodal ultrasonic imaging.
- Axis A - Data and parameter mapping: structuring VT and UT datasets, annotating defects, describing acquisition conditions, defining experimental designs and quality indicators.
- Axis B - Multimodal 3D representations: dedicated encoders by view or modality, early, late or attention-based fusion, and a shared representation preserving contribution traceability.
- Axis C - Explainable models and uncertainty: 2D/3D networks, hybrid models guided by physical parameters, uncertainty estimation, calibration and out-of-domain situation detection.
- Axis D - Active optimization and operator assistance: selection of complementary views, modes or settings, bounded recommendations, justification of expected gain and validation on representative industrial cases.
Baseline models will include classical supervised methods, followed by 2D/3D deep architectures, multimodal fusion strategies and, where relevant, latent or self-supervised representations to better exploit rare or partially annotated data.

Le candidat devra disposer d'une formation solide en IA, en traitement du signal, en traitement d'images ou en informatique scientifique. Une bonne maîtrise de Python, PyTorch ou frameworks équivalents, ainsi qu'une capacité à manipuler des données réelles bruitées, hétérogènes et partiellement annotées, sont attendue.
Une expérience en apprentissage profond 2D/3D, en fusion multimodale, en gestion de l'incertitude, en explicabilité, en vision par ordinateur ou en imagerie ultrasonore serait un atout. Le candidat devra également montrer un intérêt pour les applications industrielles, la documentation rigoureuse, la validation expérimentale et le dialogue avec des experts métier.