IA et contrôle non destructif : ce que l'IA apporte au CND

Le contrôle non destructif produit des images et des signaux : radiographies numériques, scans ultrasonores, séquences thermiques, courbes de courants de Foucault. L'intelligence artificielle ne remplace aucune de ces méthodes et ne signe aucun verdict. Elle ajoute une couche d'analyse assistée par ordinateur là où une donnée numérique existe : repérer et pré-classer les indications, offrir une seconde lecture régulière, structurer les résultats en un historique cherchable, et suivre l'évolution d'une indication d'une campagne à l'autre. Cet article prolonge le panorama des méthodes de contrôle non destructif : il ne réexplique pas les techniques, il décrit ce que l'IA leur ajoute concrètement, et où elle s'arrête.

Détecter et classer les défauts sur les images, méthode par méthode

Un modèle de vision ne travaille que sur une donnée numérique. Cela partage d'emblée les méthodes de CND en deux : celles qui produisent une image ou un signal exploitable, et celles qui restent manuelles. C'est sur les premières que l'IA a le plus à offrir, et son apport diffère selon la méthode.

• Radiographie numérique (RT). Sur les clichés de soudures, des réseaux de neurones convolutifs signalent porosités, manques de fusion et inclusions, et proposent une pré-classification du type d'indication. Le préalable est une acquisition numérique, jamais un film argentique, et un jeu d'images annotées par des lecteurs qualifiés.
• Ultrasons multi-éléments et TOFD (UT). Les modèles aident à segmenter les scans, à distinguer un écho de géométrie d'un vrai réflecteur et à assister le dimensionnement d'une indication. Ils exigent des acquisitions encodées en position et correctement calibrées.
• Thermographie infrarouge. Sur une séquence thermique, l'IA fait ressortir décollements et délaminations en soustrayant le fond et en suivant la dynamique de refroidissement, là où l'oeil ne perçoit qu'un dégradé.
• Courants de Foucault multi-éléments. Sur les faisceaux de tubes d'échangeurs, la reconnaissance de formes sur les signaux d'impédance repère les tubes suspects à examiner en priorité.

Le fil commun est une acquisition numérique, répétable et tracée. Sur un ressuage, une magnétoscopie ou un examen visuel réalisés sans capture d'image, un modèle n'a presque rien à analyser, même si l'inspection visuelle assistée par photo commence à changer la donne.

Interprétation assistée et seconde lecture

Au-delà du repérage, l'IA agit comme une seconde paire d'yeux constante. La lecture humaine dérive avec la fatigue, le volume et la fin de poste ; un modèle applique le même critère à la première image comme à la neuf centième. Deux organisations coexistent. Dans la première, le modèle pré-trie et l'inspecteur confirme chaque indication retenue. Dans la seconde, l'inspecteur lit d'abord et le modèle repasse pour rattraper un oubli, sur le principe de la double lecture pratiquée dans d'autres domaines d'imagerie.

L'apport réel est la régularité et le débit sur les grandes campagnes, par exemple des milliers de clichés de soudures à examiner, non le remplacement du jugement. Un risque connu accompagne ce confort : le biais d'automatisation, cette tendance à trop faire confiance à l'assistant. C'est pourquoi l'inspecteur garde la main sur chaque décision, y compris celle d'écarter une proposition du modèle sans avoir à s'en justifier auprès de lui.

Numériser et structurer les résultats en un historique exploitable

C'est le domaine où l'IA apporte de la valeur sans même toucher à une image. La sortie normale d'un CND est un document : procès-verbal, rapport de ressuage, cartographie d'épaisseur, cliché radiographique, le tout classé en PDF, chez des prestataires différents, année après année. L'information existe, mais elle reste introuvable au moment où on en a besoin.

Des modèles de lecture de documents, associant reconnaissance de caractères et extraction, lisent ces rapports et en tirent des champs structurés : repère de l'équipement, méthode employée, date, type d'indication, localisation, dimension, verdict d'acceptation. La pile de PDF devient une base cherchable, rattachée à chaque équipement. Ce socle est exactement ce dont ont besoin le suivi des points de mesure d'épaisseur et un plan d'inspection basé sur le risque, qui ne valent que par la qualité de l'historique dont ils disposent.

Suivre les indications dans le temps

Un contrôle isolé est une photographie. La valeur se construit dans la comparaison : cette indication est-elle nouvelle, stable ou en progression ? L'IA aide à aligner des acquisitions répétées sur la même soudure, le même point de mesure ou le même tube, d'une année sur l'autre, puis à faire ressortir les écarts : une porosité de nouveau signalée au même endroit, une vitesse de perte de matière qui s'accélère d'une campagne à la suivante.

Ce suivi alimente directement l'estimation de durée de vie résiduelle et les intervalles d'inspection. Mais il suppose une condition : des résultats structurés et comparables, car des PDF épars ne se comparent pas. La structuration documentaire est donc le préalable au trending. C'est la place d'un logiciel d'intelligence documentaire des rapports d'inspection comme Integrity Loop, qui lit et structure les rapports de CND existants en PDF pour reconstituer l'historique d'un équipement. Il ne réalise pas l'analyse du défaut, n'est pas un moteur d'interprétation du CND, et ne fait pas de maintenance prédictive : il débloque simplement la donnée piégée dans les rapports pour la rendre suivable dans le temps.

Les limites, et le principe qui ne bouge pas

Aucune de ces aides n'est neutre. Quatre limites reviennent, et les ignorer coûte plus cher que de s'en passer.

• Fausses indications et défauts manqués. Un modèle prend parfois une géométrie pour un défaut, ou laisse passer une anomalie atypique. Le taux de fausses alarmes et la probabilité de détection se mesurent, ils ne se supposent pas.
• Faim de données. Un modèle réclame des exemples représentatifs, annotés et validés. Or les défauts réels sont rares : les jeux d'entraînement sont souvent réduits et déséquilibrés, et un modèle appris sur un matériau, une géométrie et un mode opératoire ne se transpose pas tel quel à un autre.
• Sortie de domaine. Un nouveau mode opératoire de soudage, une autre sonde, un autre matériau, et le modèle travaille hors de l'enveloppe où il a été validé, sans toujours le signaler.
• Traçabilité. Une discipline régie par des codes exige une décision explicable et auditable ; une sortie de modèle opaque est un problème, pas une commodité.

Sur tout cela prime un principe simple. L'IA est un outil que l'inspecteur qualifié emploie, au même titre qu'un appareil à ultrasons. C'est l'inspecteur certifié niveau 2 ou 3 selon l'ISO 9712 qui interprète les indications et prononce l'acceptation ou le rejet ; les codes d'inspection comme l'API 510, l'API 570 et l'API 653 attribuent cette responsabilité à des personnes qualifiées, jamais à un algorithme.

Un modèle se valide d'ailleurs comme n'importe quelle procédure de CND : sur des échantillons représentatifs porteurs de défauts connus, en mesurant la probabilité de détection et le taux de fausses indications, en documentant le résultat, et en le revalidant dès que le procédé change. Traité comme un élément de la procédure d'inspection plutôt que comme une boîte noire, il tient sa place. Cette logique, où l'outil éclaire et l'humain décide, traverse tout notre regard sur l'IA industrielle.

Récapitulatif : où l'IA aide, et à quelle condition

Le tableau ci-dessous résume, méthode par méthode, ce que l'IA ajoute, la donnée qu'elle réclame et la limite qui subsiste.

Tableau faisant défiler horizontalement sur petit écran.