Résumé
Parmi les limitations s’opposant au contrôle non-destructif par ultrasons, la présence d’interférences sous forme de bruit peut entrainer des dégradations significatives au niveau des performances de l’imagerie ultrasonore. Plusieurs méthodes du traitement de signal réduisent le bruit, mais requirent, sur les données, un paramétrage avancé préalable. Ces prérequis limitent souvent les performances de ces méthodes et peut les défavoriser face aux nouvelles méthodes se basant sur l’intelligence artificielle. En parallèle, du fait de la croissance exponentielle de la puissance des calculateurs, l’apprentissage profond a attiré l’attention des chercheurs dans différentes disciplines. Plus précisément, les algorithmes de l’apprentissage profond ont prouvé leur efficacité sur diverses applications du traitement de signal. Dans ce papier, nous proposons une architecture basée sur les réseaux de neurones à convolution réalisant un encodage-décodage des signaux, et apprenant à supprimer le bruit sur des signaux ultrasonores à différentes intensités de bruit. Nous avons fait apprendre notre modèle sur des signaux simulés permettant l’obtention de signaux sans interférence, auquel nous avons ajouté du bruit blanc gaussien à différentes intensités. Nous avons comparé la performance de la méthode proposée au filtrage passe-bas et au débruitage par ondelette et avons démontré une meilleure réduction de bruit en discutant le rapport signal sur bruit et le coefficient de corrélation de Pearson. Les résultats obtenus ont prouvé que notre méthode peut améliorer le rapport signal sur bruit jusqu’à 30 dB et maintient un coefficient de corrélation supérieur à 99% même sur des signaux très bruités, pour des rapports SNR de l’ordre de 10 dB.