Résumé:
Ce travail, est une contribution dans le domaine du contrôle non destructif par méthodes
électromagnétiques. La démarche proposée, consiste à utiliser un modèle d'inversion directe
(modèle basé sur des réseaux de neurones récurrents) construit au moyen d'une base de
données générée aléatoirement pour entrainer et tester le modèle. Cette tache est réalisée par
l'utilisation du Deep Learning ou apprentissage profond pour la caractérisation des défauts de
perte de métal dans une pièce d’acier inspectée par un scanner à flux de fuite magnétique. Les
résultats d'inversion obtenus certifient qu'il s'agit d'un modèle efficace, robuste et qui donne
une estimation des dimensions de défauts d'une manière instantanée (en temps réel).
