Dans les bâtiments d'usine modernes de l'industrie lourde, le pont roulant est l'équipement central de manutention. La qualité des soudures de son rail et de sa poutre principale est directement liée à la sécurité et à la fiabilité de l'ensemble. Les cordons de soudure, soumis à des charges cycliques, des chocs de lourdes charges et à des environnements agressifs, peuvent provoquer des accidents catastrophiques si des défauts tels que des fissures, un manque de pénétration ou des soufflures ne sont pas détectés à temps. Le contrôle visuel (VT) traditionnel repose sur l'expérience de l'inspecteur, ce qui entraîne une faible efficacité, un taux d'omission élevé et un manque de standardisation. Kelude s'appuie sur la technologie de vision par apprentissage profond pour développer ce système d'inspection par vision IA, offrant une solution intelligente de bout en bout : de l'acquisition d'images à la classification de qualité, en passant par la reconnaissance de défauts.

Architecture globale du système d'inspection de soudures

Le système adopte une architecture à quatre couches — « Plateforme de détection – Couche de perception – Couche d'inférence – Couche d'évaluation » — couvrant l'intégralité de la chaîne, de l'acquisition de données à la décision finale de qualité :

Plateforme de détection : Trois formes de déploiement sont proposées selon les conditions du site : un véhicule d'inspection autonome (AGV) pour l'inspection automatisée de grandes surfaces de rails, un détecteur portable pour les espaces confinés et les soudures d'angle des sommiers, et un poste fixe pour les postes d'assemblage et de soudage de la poutre principale. Les trois formes partagent la même pile logicielle d'acquisition-inférence-évaluation, permettant une commutation transparente.

Couche de perception : Composée de deux caméras industrielles (une caméra grand angle à obturateur global et une caméra macro), d'un éclairage annulaire structuré et d'un scanner de profil laser. Les caméras utilisent l'interface GigE Vision, avec une résolution par image ≥ 1920×1080 et une cadence d'images maximale ≥ 120 FPS. Le scanner de profil laser acquiert des informations sur le contour 3D de la soudure pour évaluer des paramètres dimensionnels tels que la surépaisseur de soudure et la profondeur de caniveau.

Couche d'inférence : Déploiement du modèle YOLOv8s-weld, optimisé par élagage à partir de YOLOv8s et doté d'une tête de détection supplémentaire pour les petits objets, spécialement conçu pour les caractéristiques des défauts de soudure. La plateforme d'informatique en périphérie Jetson AGX Orin atteint une inférence par image ≤ 15 ms, répondant aux exigences de détection en temps réel ≥ 60 FPS.

Couche d'évaluation : Les défauts détectés par le modèle sont statistiquement analysés par type, taille et quantité, puis automatiquement comparés aux critères de classification de qualité de la norme ISO 5817 (équivalente à la norme GB/T 3323-2020 pour la radiographie des assemblages soudés), fournissant une classification de qualité de niveau I à IV ainsi que des recommandations de réparation.

Types de soudures et défauts caractéristiques sur pont roulant

Les assemblages soudés de la structure métallique d'un pont roulant se répartissent en trois catégories principales, chacune présentant des caractéristiques de contrainte et des défauts typiques distincts :

1. Soudure bout à bout du rail : Utilise des rails de grue standard QU70, QU80 ou QU100 (conformes à la norme ISO 4301 / FEM 1.001, équivalente à la ISO 4301 / FEM 1.001). Les méthodes de soudage principales sont le soudage à l'arc manuel (SMAW) et le soudage sous protection gazeuse CO₂ (GMAW). Les chanfreins courants sont en V ou en U. La soudure supporte la charge dynamique par galet et les forces latérales. Les défauts fréquents incluent les fissures longitudinales, le manque de pénétration (en racine) et les soufflures denses.

2. Soudure d'angle de la poutre principale : Soudures d'angle doubles (gorge de 6 à 12 mm) reliant l'âme à la semelle de la poutre principale, supportant des contraintes de flexion et de cisaillement. En raison du nombre élevé de passes et de la variabilité du soudage manuel, les défauts tels que le manque de fusion, l'inclusion de laitier entre les passes et les fissures transversales sont courants.

3. Soudures du sommier : Soudures mixtes bout à bout et d'angle reliant les tôles du sommier, supportant le couple en extrémité et les contraintes de liaison. Les fissures de cratère, les caniveaux et les soufflures en chapelet sont les types de défauts les plus fréquents pour ces soudures.

Le tableau ci-dessous résume les caractéristiques visuelles détaillées et les emplacements typiques des 6 types de défauts couverts par le système, ainsi que la soudure saine :

3. Système d'acquisition d'images et d'éclairage

La forte réflectivité de la surface du cordon de soudure — en particulier sur la face supérieure du rail après trempe — constitue l'une des principales difficultés de l'inspection visuelle. Pour y répondre, le système intègre une solution multi-capteurs spécifiquement conçue :

Imagerie synergique à double caméra : deux caméras industrielles à focales différentes sont utilisées. La caméra grand angle à obturateur global (focale 25 mm, champ de vision 400×300 mm à 500 mm de distance) couvre la morphologie macroscopique de l'ensemble du cordon et détecte les manques de pénétration et inclusions de laitier de grande taille. La caméra macro (focale 50 mm, champ de vision 120×90 mm à 300 mm de distance) capture les fissures et les soufflures fines. Les deux caméras sont synchronisées par déclenchement matériel avec une précision de ±1 μs.

Éclairage annulaire structuré : la réflectivité de la surface chromée ou trempée du rail du pont roulant peut atteindre 60 % à 80 %. Un anneau LED de Φ120 mm (72 LED haute luminosité, température de couleur 5 600 K, indice de rendu des couleurs ≥ 90) est associé à un filtre polarisant cylindrique pour convertir la réflexion spéculaire en réflexion diffuse, éliminant ainsi la surexposition des zones brillantes. Les mesures montrent une réduction de 75 % de la variance de gris dans les zones réfléchissantes de la face supérieure du rail, avec un contraste des défauts amélioré au-delà de 0,25.

Scan de profil laser pour l'évaluation de la profondeur : un capteur de profil laser (longueur d'onde 650 nm, niveau de sécurité Class 2M) balaie le long du cordon pour en extraire le contour en coupe. L'analyse des données du nuage de points 3D permet de mesurer avec précision des paramètres dimensionnels tels que la surépaisseur de soudure (précision ±0,05 mm), la profondeur de caniveau (précision ±0,03 mm) et le désalignement des bords (précision ±0,1 mm), facilitant ainsi l'évaluation de la gravité par le modèle IA.

Conception robuste et adaptative : l'ensemble du système d'acquisition est logé dans un boîtier avec un Indice de Protection IP67, adapté aux environnements poussiéreux, huileux et humides des inspections de ponts roulants. Une fonction de dégivrage automatique est intégrée (fenêtre en verre chauffé PTC, éliminant la buée sur l'objectif en 10 secondes après activation), garantissant une imagerie stable pour une Température Ambiante comprise entre 0 et 45 °C.

4. Entraînement du modèle et jeux de données

Construction du jeu de données : plus de 8 000 images haute résolution (incluant des cordons sains et 6 classes de défauts) ont été collectées sur les rails et poutres principales de ponts roulants dans 12 entreprises de construction lourde. Chaque image est annotée au format COCO, avec 1 à 8 instances de défauts par image, soit un total de plus de 35 000 instances de défauts annotées. Le jeu de données est divisé en ensemble d'entraînement, ensemble de validation et ensemble de test selon un ratio de 7:2:1.

Stratégie d'augmentation de données : face aux caractéristiques des images de cordons — arrière-plan complexe, défauts de petite taille et forte variance inter-classes — la combinaison d'augmentations suivante est appliquée :

• Augmentations géométriques : rotation aléatoire (±15°), retournement horizontal, recadrage aléatoire (maintien du ratio hauteur/largeur) pour simuler différents angles de prise de vue.
• Augmentations photométriques : ajustement aléatoire de la luminosité/du contraste (±20 %), bruit gaussien (σ≤0,05), variation de teinte HLS.
• Augmentations spéciales : Mosaic (assemblage de 4 images pour améliorer la détection des petits objets), MixUp (mélange d'images pour améliorer la généralisation), effacement aléatoire (simulation de scénarios d'occlusion et de taches d'huile).
• Augmentations ciblées : sur-échantillonnage des défauts rares tels que les fissures et les manques de pénétration afin d'équilibrer le nombre d'échantillons d'entraînement par classe.

Architecture du modèle YOLOv8s-weld : basé sur Ultralytics YOLOv8s, le modèle est optimisé pour répondre à trois difficultés spécifiques de la détection des défauts de soudure :

1. Ajout d'une tête de détection pour petits objets (couche de détection P2, carte de caractéristiques 160×160) : l'utilisation de caractéristiques à sous-échantillonnage ×4 améliore le rappel des défauts de petite taille (largeur de fissure 0,05~0,3 mm, diamètre de soufflure 0,5~3 mm) de 12 %.
2. Introduction des convolutions déformables DCNv4 en remplacement du module C2f de la 6e couche : le champ réceptif adaptatif permet de mieux épouser les formes irrégulières des défauts.
3. Amélioration de la fonction de perte de régression des boîtes englobantes : remplacement de CIoU par Shape-IoU, améliorant de 8 % la précision de régression pour les défauts à fort ratio d'aspect (fissures allongées, inclusions de laitier en bande).

Configuration de l'entraînement : résolution d'entrée 640×640, taille de lot 32, 300 époques, optimiseur AdamW (taux d'apprentissage initial 0,001, décroissance du poids 5e-4), avec un planning de taux d'apprentissage en recuit cosinusoïdal. L'entraînement sur une seule carte NVIDIA RTX 4090 (24 Go) dure environ 8,5 heures. Une stratégie d'arrêt précoce (patience = 20 époques) est appliquée ; la mAP de l'ensemble de validation converge à l'époque 247.

5. Performances de détection et conformité aux normes

L'évaluation sur l'ensemble de test indépendant (plus de 1 600 images) donne les performances de détection suivantes pour chaque type de défaut :

Questions fréquentes sur le contrôle non destructif des grues