Le contrôle non destructif par IA permet aujourd'hui de détecter automatiquement porosités, fissures et délaminages dans des pièces aéronautiques, sans que l'opérateur ait à analyser manuellement chaque image radiographique ou chaque signal ultrasonore. Le gain est double : vitesse d'inspection multipliée par 5 à 10 sur les lignes de production cadencées, et reproductibilité totale là où la fatigue ou l'expérience variable d'un opérateur pouvaient introduire de la dispersion. Cette page couvre spécifiquement le CND - l'inspection de la matière et des structures internes - à distinguer du contrôle qualité visuel de surface par caméra, qui relève d'une autre famille de méthodes.
Ce guide technique couvre les méthodes CND utilisées en aéronautique (RT, UT, ET, PT, thermographie), leur numérisation, les architectures deep learning qui s'y appliquent, les défis spécifiques comme la rareté des défauts et le déséquilibre de classes, les cas d'usage sur pièces métalliques et composites CFRP, ainsi que les contraintes de déploiement et de certification.
CND vs contrôle visuel : deux familles d'inspection à ne pas confondre
La confusion est fréquente, y compris dans les appels d'offres industriels. Il faut la lever dès le départ.
Le contrôle qualité visuel inspecte la surface d'une pièce : dimensions, aspect, rayures, non-conformités géométriques. Il utilise des caméras industrielles, des systèmes de vision 2D/3D, de la photométrie structurée. Lorsque l'IA intervient ici, elle traite des images RGB ou en profondeur pour classer des défauts d'aspect. Notre article dédié au contrôle qualité visuel par IA en aéronautique couvre ce périmètre.
Le contrôle non destructif (CND, ou NDT en anglais) inspecte l'intérieur de la matière sans l'endommager. Il détecte des défauts que la surface ne révèle pas : fissures sous-cutanées, porosités internes, délaminages entre plis composites, inclusions métalliques. Il utilise des rayonnements (rayons X, gamma), des ondes mécaniques (ultrasons), des phénomènes électromagnétiques (courants de Foucault) ou thermiques (thermographie). Ce sont deux disciplines de métrologie différentes, avec des capteurs, des chaînes de traitement et des référentiels normatifs distincts.
Repère clé
Un défaut CND critique peut être totalement invisible en surface. Une fissure interne dans un longeron, un délaminage à mi-épaisseur d'un panneau CFRP, une porosité dans une soudure : aucune caméra de surface ne les verra. C'est pourquoi les deux contrôles sont complémentaires et non substituables.
Les méthodes CND en aéronautique et leur numérisation
L'aéronautique est un secteur CND-intensif. Chaque pièce structurelle fait l'objet d'au moins une méthode d'inspection non destructive à la fabrication, et souvent en MRO (maintenance, réparation, révision). Voici les principales méthodes et comment elles se numérisent.
Radiographie industrielle (RT)
La radiographie industrielle utilise des rayons X ou gamma pour traverser la pièce et imprimer une image sur un détecteur (film argentique classique, ou capteur numérique plaque phosphore / panneau plat). Le résultat est une image 2D en niveaux de gris qui révèle les variations de densité : une porosité apparaît comme une zone plus sombre, une inclusion métallique plus claire.
La radiographie numérique (DR) et la tomographie industrielle (CT) sont les formes les plus avancées : le CT génère un volume 3D de la pièce, permettant de localiser précisément le défaut en position et taille. C'est sur ces images - radiographies 2D ou reconstructions CT - que les modèles de deep learning apportent le plus de valeur en CND.
Ultrasons (UT) et C-scan
Les ultrasons envoient une impulsion acoustique à haute fréquence (1 à 20 MHz) dans la pièce et analysent les échos retournés. Chaque interface ou discontinuité (délaminage, porosité, fissure) crée un écho caractéristique. En balayant la pièce avec un traducteur, on obtient un C-scan : une carte 2D de la pièce colorisée selon l'amplitude ou le temps de vol des échos. Le C-scan ultrasonore est la méthode de référence pour l'inspection des composites CFRP en aéronautique, notamment sur les panneaux de fuselage, caissons de voilure et nacelles.
Les signaux UT bruts sont des séries temporelles (A-scans) que l'on peut traiter avec des CNN 1D ou des réseaux récurrents. Les C-scans sont des images 2D traitables comme de la vision classique.
Courants de Foucault (ET)
Les courants de Foucault induisent un champ électromagnétique dans les matériaux conducteurs (aluminium, titane, acier inox) et mesurent les perturbations causées par les discontinuités de surface ou sous-surface. La méthode est rapide, sans contact et très sensible aux fissures de fatigue - le type de défaut qui préoccupe le plus sur les pièces soumises à des cycles thermiques et mécaniques répétés (disques de turbine, attaches de voilure).
Ressuage liquide (PT)
Le ressuage est la méthode la plus simple et la moins technologisée : on applique un liquide pénétrant coloré ou fluorescent sur la pièce, il s'infiltre dans les discontinuités ouvertes, on nettoie la surface, on applique un révélateur qui fait ressortir le liquide piégé. C'est efficace pour les fissures débouchantes, mais le ressuage ne détecte rien en sous-surface. La numérisation passe ici par des caméras UV pour les pénétrants fluorescents, avec des algorithmes de détection d'indications fluorescentes.
Thermographie infrarouge active
La thermographie active chauffe la surface de la pièce (lampe flash, induction, air chaud) et analyse la propagation thermique. Un délaminage ou une zone poreuse ralentit la diffusion de chaleur et crée un contraste thermique détectable par caméra infrarouge. Elle est particulièrement adaptée aux grandes surfaces composites planes (panneaux, carénages) et aux inspections rapides de type "pass/fail".
| Méthode | Défauts détectés | Matériaux | Données pour l'IA |
|---|---|---|---|
| Radiographie RT / CT | Porosités, inclusions, fissures internes | Tous | Images 2D / volumes 3D |
| Ultrasons UT / C-scan | Délaminages, porosités, décollement | Composites, métaux | Images 2D (C-scan), séries temporelles (A-scan) |
| Courants de Foucault ET | Fissures surface / sous-surface | Conducteurs (alu, titane) | Signaux temporels, cartographies 2D |
| Ressuage PT | Fissures débouchantes | Tous (surface) | Images UV (fluorescence) |
| Thermographie IR active | Délaminages, zones poreuses | Composites, assemblages | Séquences vidéo thermiques |
Deep learning appliqué au CND : architectures et performances
L'apport du deep learning au CND n'est pas de remplacer la physique de l'inspection, mais d'automatiser l'étape d'analyse des données produites. Un opérateur CND peut passer des heures à "lire" des radiographies ou des C-scans. Un modèle entraîné fait ce travail en quelques secondes, avec une reproductibilité totale.
Vision par ordinateur sur images radiographiques
Les architectures de détection d'objets (YOLO, Faster R-CNN, DETR) et de segmentation sémantique (U-Net, SegFormer) sont les plus utilisées sur les images radiographiques. Le modèle apprend à reconnaître la signature visuelle de chaque type de défaut : halo diffus d'une porosité, trait sombre d'une fissure, zone contrastée d'une inclusion.
Des chercheurs ont obtenu une précision de classification de 96 % sur des images radiographiques de composites aéronautiques en combinant deep transfer learning (ResNet pré-entraîné sur ImageNet) et augmentation de données agressive. Le transfer learning est particulièrement pertinent ici : les features bas niveau appris sur des millions d'images naturelles (textures, bords, gradients) sont réutilisables, même si le domaine est différent. (survey ML défauts matériaux, arXiv 2024)
Traitement des signaux ultrasonores
Les données UT se présentent sous deux formes exploitables par l'IA :
- A-scans : signaux temporels bruts, traités par CNN 1D, réseaux LSTM ou transformers de séries temporelles pour classifier la nature d'un écho.
- C-scans : images 2D de cartographie en amplitude ou en temps de vol, traités comme des images classiques par CNN 2D ou U-Net pour la segmentation des zones défectueuses.
Des architectures 3D-CNN sont également explorées pour exploiter les données volumiques (B-scans empilés), capturant les corrélations spatiales tridimensionnelles des défauts dans les stratifiés composites. C'est particulièrement utile pour les délaminages en coin ou les porosités distribuées sur l'épaisseur.
Thermographie active et analyse temporelle
La thermographie génère des séquences vidéo infrarouge (des centaines de frames par inspection). Les approches IA combinent : autoencodeurs pour la reconstruction de séquences saines (les anomalies créent une erreur de reconstruction élevée), transformers vidéo pour capturer la dynamique de diffusion thermique, et masked autoencoders spécialisés pour la visualisation de défauts en thermographie active (Masked Sequence Autoencoding for Infrared Thermography, arXiv 2024).
Défis spécifiques : rareté des défauts et déséquilibre de classes
C'est le verrou principal du CND par IA, et il est rarement discuté honnêtement. Dans un processus de fabrication aéronautique bien maîtrisé, les pièces défectueuses représentent souvent moins de 1 à 2 % du total inspecté. Parfois bien moins.
Un modèle entraîné naïvement sur ce ratio apprend rapidement la stratégie du "tout sain" : il prédit "pas de défaut" sur 100 % des images et affiche une précision globale de 98 % ou 99 %... tout en ratant 100 % des vrais défauts. C'est statistiquement excellent et opérationnellement catastrophique.
Les techniques pour y remédier :
- Augmentation de données sur la classe minoritaire : rotations, bruits, variations de contraste, recadrage sur les zones défectueuses. Cela multiplie artificiellement le nombre d'exemples défectueux.
- Fonctions de perte pondérées : la focal loss (introduite par RetinaNet) pénalise davantage les erreurs sur la classe rare que sur la classe majoritaire. Elle est devenue standard pour la détection d'objets rares.
- Génération synthétique de défauts : injection de défauts simulés physiquement (via logiciels de modélisation CND comme CIVA, développé par le CEA) sur des images réelles de pièces saines. Les GAN (Generative Adversarial Networks) sont aussi utilisés pour générer des images de défauts réalistes à partir de quelques exemples.
- Transfer learning et few-shot learning : entraîner d'abord sur des jeux de données génériques (soudures, matériaux industriels) puis adapter avec peu d'exemples au domaine cible (pièce aéro spécifique).
Point d'attention projet
La métrique "précision globale" (accuracy) est trompeuse en CND. Les métriques pertinentes sont la sensibilité (recall sur les défauts - ne pas rater un vrai défaut), la spécificité (ne pas signaler comme défectueux ce qui est sain) et surtout la probabilité de détection (PoD) en fonction de la taille du défaut - c'est la métrique normative en CND. Un système IA doit être évalué sur ces critères, pas sur l'accuracy globale.
Cas d'usage : pièces aéronautiques et composites CFRP
L'aéronautique concentre les cas d'usage les plus avancés du CND par IA, notamment à Toulouse et dans la filière Airbus. Plusieurs facteurs expliquent cette avance : la criticité des pièces (une fissure non détectée sur un longeron peut être fatale), les cadences de production élevées (programme A320neo, A350) qui rendent l'inspection manuelle exhaustive de plus en plus difficile à tenir, et l'existence de consortiums de R&D qui mutualisent les efforts.
Inspections des pièces métalliques
Sur les pièces en aluminium et en titane (attaches, longerons, disques de turbine), les courants de Foucault et la radiographie sont les méthodes dominantes. L'IA intervient principalement sur la classification automatique des indications ET et sur la détection de fissures de fatigue sur images radiographiques. Les systèmes de contrôle automatisé robotisés (bras multiaxes avec capteurs ET intégrés) commencent à intégrer des modules IA embarqués pour filtrer les fausses alarmes en temps réel.
Composites CFRP : le défi du délaminage
Les composites à fibres de carbone (CFRP) sont omniprésents sur les appareils modernes : 53 % de la structure de l'A350 en masse. Leurs défauts critiques sont le délaminage (séparation entre plis due à un impact ou un défaut de polymérisation), les porosités interply et les ondulations de fibres. L'inspection par C-scan ultrasonore en immersion reste la méthode de référence. Des travaux ont montré que des CNN appliqués aux C-scans permettent de segmenter automatiquement les zones délaminées avec des performances comparables aux experts humains certifiés.
Le projet FANTOM (Flexible and Automated NDT Platform for Manufacturing), piloté par l'IRT Jules Verne, développe une plateforme robotisée intégrant de l'IA pour inspecter des pièces composites de grandes dimensions. C'est un exemple concret de la manière dont la filière aéronautique française structure sa R&D sur ce sujet.
MRO : l'inspection en maintenance
En MRO (maintenance, réparation, révision), les enjeux sont différents de la production : les pièces ont vieilli, elles peuvent présenter des défauts de fatigue diffus difficiles à détecter, et les délais d'immobilisation des appareils sont contraints. Les systèmes CND autonomes - capables d'inspecter rapidement un panneau de fuselage ou une aube de moteur et de générer un rapport automatique - apportent ici un gain opérationnel direct. Notre article sur l'IA en MRO aéronautique couvre les autres facettes de la maintenance augmentée par l'IA.
Déploiement, certification et limites
C'est le point où beaucoup de projets accrochent. Avoir un modèle qui performe bien en laboratoire est une chose. Le qualifier pour une utilisation en production sur des pièces critiques en est une autre.
La qualification des systèmes CND-IA
En aéronautique, les systèmes CND sont encadrés par des normes strictes : EN 4179 et NAS 410 pour la qualification du personnel, mais aussi des exigences de performance (probabilité de détection PoD, faux taux d'alarme) fixées par les OEM (Airbus, Safran, Thales) et les autorités (EASA, FAA). L'introduction d'un module IA dans la chaîne de décision nécessite de démontrer que le système maintient ou améliore les niveaux de PoD exigés - ce qui suppose des campagnes de validation extensives avec des pièces étalonnées (round-robin tests).
Aujourd'hui, le positionnement réglementaire dominant est celui de l'aide à la décision : le modèle IA est un outil que l'opérateur certifié utilise pour guider son attention, mais la décision finale reste humaine. Une qualification pour une utilisation totalement autonome existe déjà sur certaines lignes pour des contrôles très bien définis (soudures standard de géométrie répétable), mais reste l'exception.
Les limites réelles à anticiper
- Généralisation entre pièces et configurations. Un modèle entraîné sur des radiographies d'une géométrie spécifique peut sous-performer sur une variante légèrement différente. La diversité des jeux de données d'entraînement est critique.
- Sensibilité aux paramètres d'acquisition. Un changement de voltage X, de collimation ou de paramètre d'amplification UT peut modifier l'apparence des défauts et dégrader les performances du modèle. Le monitoring de dérive (drift) est indispensable en production.
- Explicabilité. Sur les pièces critiques, les ingénieurs CND et les autorités veulent comprendre pourquoi le modèle signale un défaut. Les techniques d'explicabilité (Grad-CAM, SHAP) apportent des cartes de saillance, mais l'interprétation reste délicate.
- Coût de la donnée annotée. Annoter des images CND exige des opérateurs certifiés. C'est lent, coûteux et non-scalable. Tout projet CND-IA doit prévoir un budget annotation réaliste dès le cadrage.
Pour aller plus loin sur les architectures de détection d'anomalies et les frameworks Python utilisables sur des données industrielles, consultez notre guide sur les meilleures librairies de computer vision et notre article sur la détection d'anomalies et contrôle qualité par vision IA en industrie.
Si vous travaillez également sur de la documentation technique aéronautique, notre article sur les SLM embarqués pour la documentation technique aéronautique couvre le cas des modèles de langage offline pour l'accès aux manuels et procédures en ligne d'inspection.
Projet CND par IA
Vous automatisez une chaine d'inspection CND et vous avez besoin de cadrer l'approche IA - données, architecture, qualification - avant de lancer le développement.
Pour aller plus loin
- Contrôle qualité visuel par IA en aéronautique - le pendant surface du CND : caméras, vision 2D/3D, défauts d'aspect.
- IA en MRO aéronautique - maintenance, réparation, révision augmentées par l'IA.
- Détection d'anomalies et contrôle qualité par vision IA en industrie - frameworks et cas d'usage transverses.
- Top librairies de computer vision pour la détection de défauts - PyTorch, OpenCV, Detectron2, MMCV, Roboflow.
- SLM embarqué pour la documentation technique aéronautique - modèles offline pour manuels et procédures en ligne.
- IA pour les PME de l'aérospatial à Blagnac et Toulouse - contexte local et écosystème sous-traitants.
- Maintenance prédictive par IA en industrie - quand le CND s'inscrit dans une stratégie predictive.
- IA prédictive et machine learning sur mesure - notre offre pour les projets de détection de défauts et CND automatisé.
- Survey : Machine Learning for Material Defect Detection (arXiv 2024) - revue académique des approches ML pour la détection de défauts matériaux.
- AI in NDT inspections in 2026 - Varex Imaging - analyse industrielle des tendances IA en inspection non destructive.
