Segmentation sémantique par apprentissage profond en sciences des matériaux

L’analyse d’image est un moyen classique de caractérisation microstructurale des matériaux qui, à partir de prises de vue numériques obtenues en microscopie, permet d’obtenir des grandeurs représentatives de la texture, lesquelles impactent des propriétés globales (par exemple diffusionnelles ou mécaniques).

La segmentation sémantique réalisée sur des images de microscopie est une opération de traitement effectuée en vue de quantifier la porosité d’un matériau et son hétérogénéité. Elle vise à affecter une classe d’appartenance (niveau d’hétérogénéité de la porosité) à chaque pixel de l’image. Cependant elle est très difficile sur certains matériaux (comme les alumines employées pour la catalyse), voire impossible par une approche classique de traitement d’image, car les différences de porosité sont caractérisées par des contrastes faibles et des variations de texture complexes.

Un moyen de dépasser cette limitation est d’aborder par apprentissage profond la segmentation sémantique, en recourant à un réseau de neurones convolutifs¹. Cette méthode, ici supervisée, nécessite une base de référence construite à partir d’images microstructurales et de leurs équivalents segmentés à la main où chaque zone a vu ses pixels affectés d’une valeur binaire (0 ou 1) correspondant à son niveau de porosité (forte / faible). La création de cette base est excessivement laborieuse et ne peut s’envisager que sur un nombre limité d’images.

Lors de la phase d’apprentissage, le réseau va apprendre à transformer une image en niveaux de gris (codée sur 8 bits²) en son équivalent binaire, différenciant ainsi les formes d’hétérogénéités présentes dans la microstructure. L’apprentissage est réalisé sur des zones réduites (patches), à la fois pour augmenter le nombre de données (plusieurs patches par image) et pour faciliter l’apprentissage avec un réseau plus petit, comportant moins de paramètres à optimiser [1]. Cette manière de faire particulière, rendue nécessaire par la taille limitée de la base d’apprentissage, peut engendrer des imprécisions sur les bords des sous-parties. Une stratégie d'échantillonnage assemblant de manière stochastique les patches prédits par le réseau est alors utilisée pour pallier cet effet (figure).

Ces nouvelles opportunités d’analyses d’images par apprentissage profond, couplées aux techniques conventionnelles, fournissent de nouvelles données de compréhension inédites pour guider la fabrication des matériaux poreux. Cette méthode de segmentation a notamment été utilisée avec succès pour caractériser différents types de supports de catalyseur en alumine^[2], après l’opération de peptisation visant à conférer au réseau de pores une organisation hiérarchique³.

Dans les différentes zones d’hétérogénéité texturale observables en microscopie électronique à balayage, la porosité a par ailleurs été quantifiée par une nouvelle méthode de mesure à l’échelle locale [3]. Couplés avec l’hypothèse d’une barrière dense formée autour des zones à plus forte porosité, ces nouveaux résultats expliquent des différences effectives des propriétés de diffusion mesurées macroscopiquement sur les supports de catalyseur [2].

Cliquer sur l'animation pour l'agrandir

Animation Segmentation — Animation décrivant la segmentation sémantique d’une image microscopique en différentes zones d’hétérogénéité de porosité avec un réseau de neurones convolutifs.
L’image de sortie est reconstituée à partir de patches aléatoires extraits de l’image d’entrée.

1- Réseaux neuronaux multicouches dont l’architecture des connexions est inspirée de celle du cortex visuel des mammifères
2- Valeur de chaque pixel entre 0 et 255
3- Avec des dimensions allant de l'échelle du nanomètre à celle du millimètre

Publications :

[1] A. Hammoumi, M. Moreaud, C. Ducottet, S. Desroziers, Adding geodesic information and stochastic patch-wise image prediction for small dataset learning, Neurocomputing, 2021, ISSN 0925-2312
>> https://doi.org/10.1016/j.neucom.2021.01.108

[2] A. Glowska, E. Jolimaître, L. Catita, M. Fleury, T. Chevalier, S. Humbert, A. Hammoumi, M. Moreaud, L. Sorbier, MO. Coppens, Multi-technique characterization of hierarchically organized gamma-alumina catalyst supports, Under preparation, 2021.

[3] L. Sorbier, H. Poncet, V. Lecocq, G. Maillet, M. Moula, V. Le Corre, Local porosity measurement from scanning electron microscopy images in the backscattered electrons mode, Microscopy and Microanalysis, 27(1), 20-27, 2021
>> https://doi.org/10.1017/S1431927620024782