UNIVERSITE M’HAMED BOUGARA-BOUMERDES
FACULTE DES HYDROCARBURES ET DE LA CHIMIE
DEPARTEMENT TRANSPORT ET EQUIPEMENTS DES HYDROCARBURES
Proposition de projet de fin d’études Master 2
Spécialité : Mécanique des Chantiers Pétroliers
Promotion 2023-2024
Fiche synthétique – Thème 1
Encadreur du projet Nom et prénom : SABRI Khier
Grade : MAB
Adresse mail :
[email protected]Intitulé du mémoire Identification de la qualité des roues de pompes submergées en utilisant la méthode des réseaux de
neurones convolutifs (CNN)
Le moulage est un processus de fabrication dans lequel un matériau liquide est généralement versé dans un
moule, qui contient une cavité creuse de la forme souhaitée, puis on le laisse se solidifier. Il existe de nombreux
types de défauts dans le moulage, tels que les soufflures, les trous d'épingle, les bavures, les défauts de retrait,
les défauts du matériau du moule, les défauts du métal de coulée, les défauts métallurgiques, etc. Pour éliminer
Problématique générale ces produits défectueux, toutes les industries disposent d'un service d'inspection de la qualité. Cependant, le
principal problème est que ce processus d'inspection est effectué manuellement. C'est un processus qui prend
beaucoup de temps et qui, en raison de la précision humaine, n'est pas exact à 100 %. Par conséquent, cela
engendre des pertes importantes pour l'entreprise. Nous avons décidé de rendre le processus d'inspection
automatique et pour cela, nous avons besoin de créer un modèle de classification par apprentissage profond
pour ce problème.
L'objectif de ce projet est d'étudier la capacité des différents algorithmes d'apprentissage profond à détecter
But et Objectifs visés
les roues de pompe en acier défectueuses avec la meilleure précision possible.
1. Nos données sur les produits de fonderie comprennent 7000 images JPG (toutes ces photos sont des vues
de dessus de la roue d'une pompe submersible).
2. Nous avons besoin d'un micro-ordinateur doté d'un Core i5, Core i9 et de 08 gigas de RAM.
3. Installer l'interface utilisateur Anaconda pour la programmation en python.
Matériels et Méthodes 4. Apprendre à programmer en python.
5. Comprendre les principaux algorithmes d'apprentissage profond, tels que ANN, CNN, et RNN-LSTM.
6. Mise en œuvre/codage des algorithmes CNN pour les problèmes de classification.
7. Application des méthodes d'apprentissage automatique d'explicabilité Grad-CAM et LIME pour vérifier
si notre modèle a porté son attention aux bons endroits.
8. Application des autoencodeurs ou la logique floue pour l'amélioration de la qualité de l'image.
État de l'art sur les défauts indésirables dans le processus de moulage des métaux.
Introduction sur l'IA et les algorithmes d'apprentissage profond tels que ANN, CNN, et RNN-LSTM.
Plan de travail Réseaux de neurones convolutifs et transfert d'apprentissage pour la classification d'images.
(provisoire) Classification des résultats (prédiction).
L'explicabilité des modèles à l'aide des méthodes Grad-CAM et LIME.
Amélioration de la qualité des images en utilisant les autoencodeurs ou la logique floue.
UNIVERSITE M’HAMED BOUGARA-BOUMERDES
FACULTE DES HYDROCARBURES ET DE LA CHIMIE
DEPARTEMENT TRANSPORT ET EQUIPEMENTS DES HYDROCARBURES
Proposition de projet de fin d’études Master 2
Spécialité : Mécanique des Chantiers Pétroliers
Promotion 2023-2024
Fiche synthétique – Thème 2
Encadreur du projet Nom et prénom : SABRI Khier
Grade : MAB
Adresse mail :
[email protected]Intitulé du mémoire Inspection de la surface des tôles d'acier en utilisant la méthode des réseaux neuronaux convolutifs
(CNN)
L'accumulation de taches d'huile, de taches d'eau, de perforations, d'inclusions, de trous de laminage, etc. sur
la surface des tôles d'acier affecte leur résistance mécanique. Le contrôle des surfaces des tôles d'acier est
Problématique générale une tâche cruciale, c'est pourquoi il est très important de développer une procédure optimale pour contrôler
ces surfaces métalliques afin d'améliorer la qualité et la résistance des tôles d'acier, de réduire les coûts de
maintenance et de diminuer l'utilisation des ressources.
L'objectif de ce projet est d'étudier la capacité des différents algorithmes de classification en apprentissage
automatique à détecter les défauts, c'est-à-dire les lignes de soudure, les taches d'huile, les taches d'eau, les
But et Objectifs visés
perforations, les inclusions, les trous roulés et les plis, sur les surfaces métalliques, avec la plus grande
précision possible.
Notre fichier de défauts de surface métallique comprend 3000 images JPG collectées auprès de
l'industrie du métal.
Nous avons besoin d'un ordinateur personnel (PC) ; ayant un Core i5, Core i9 avec 08 giga RAM.
Installation de l'interface utilisateur Anaconda pour la programmation en python.
Matériels et Méthodes
Initiation à la programmation en python.
Compréhension des principaux algorithmes d'apprentissage profond, tels que ANN, CNN, et RNN-
LSTM.
Implémentation/codage des algorithmes CNN pour les problèmes de classification.
État de l'art relatif aux défauts détectés sur les surfaces métalliques dans les industries.
Introduction à l'IA et aux algorithmes d'apprentissage profond tels que ANN, CNN et RNN-LSTM.
Réseaux neuronaux convolutifs CNN (à ce jour, un certain nombre de CNN ont été développés, tels que
Plan de travail
LeNet, AlexNet, GoogLeNet (maintenant Inception), VGG, ResNet, DenseNet, MobileNet,
(provisoire)
EffecientNet, YOLO, et ainsi de suite).
Les réseaux de neurones convolutifs CNN-VGG16 et l'apprentissage par transfert pour la classification
d'images.
Classification des résultats (prédiction).
