Approches Deep Learning sur Données Simulées pour la Tomographie Industrielle rapide

Abstract

Dans ce travail nous proposons une méthodologie pour l’apprentissage d’un réseau de neurones pour le post-traitement et la réduction d’artefacts de tomographie par rayons X en configuration éparse. L’acquisition d’une base de données conséquente pouvant être longue et coûteuse, nous nous appuyons sur l’utilisation du logiciel de simulation multi-physique CIVA [1] afin de générer une base de données simulées. Nous nous plaçons dans une configuration restreinte où aucune acquisition réelle en configuration dense n’est disponible. Nous évaluons et proposons des méthodes d’adaptation de domaine afin que le réseau entraîné, généralise sur des échantillons réels. Les résultats préliminaires montrent que la méthode optimisée sur données simulées est capable de grandement réduire les artefacts de reconstruction sur données réelles. L’ajustement non-supervisé du réseau sur échantillons réels permet d’atteindre une qualité de reconstruction encore supérieure.