Détection et localisation non invasives des fuites des masques N95 par intelligence artificielle et thermographie infrarouge

Arbane, Mohamed (2026). Détection et localisation non invasives des fuites des masques N95 par intelligence artificielle et thermographie infrarouge. Mémoire. Rimouski, Université du Québec à Rimouski, Département de mathématiques, informatique et génie, 104 p.

PDF Télécharger (81MB) | Prévisualisation

Résumé

RÉSUMÉ : La qualité de l'étanchéité des pièces facilaes filtrantes (PFF N95) est cruciale pour garantir une protection optimale contre les particules aéroportées, notamment dans les milieux de soins et industriels. De faibles fuites autour du joint facial peuvent compromettre jusqu'à 50 % de l'efficacité filtrante, mettant en danger l'utilisateur en l'exposant à des agents pathogènes ou à des particules nocives. Les approches traditionnelles de vérification de l'étanchéité (tests qualitatifs au saccharine ou Bitrex, tests quantitatifs PortaCount®) restent limitées à des contrôles ponctuels, coûteux et inadaptés à une surveillance continue lors du port réel du masque. Cette recherche s'appuie sur deux bases de données complémentaires : un controlled dataset de fuites calibrées (0,8 mm-3,5 mm), annoté et mesuré avec précision pour l'entraînement et l'évaluation, et un ensemble de séquences thermographiques capturées auprès de participants humains portant des FFR N95 en conditions réelles (mouvements de tête, port de différents types de masques). Pour localiser avec précision les fuites, le contour du masque est segmenté dynamiquement à l'aide d'un U-Net optimisé, affiné en temps réel par le Segment Anything Model 2 pour suivre le périmètre sous variations d'angle et de luminosité. Ce contour est ensuite subdivisé en cent régions d'intérêt (ROI) : pour chaque ROI, les variations thermiques liées à l'expiration sont converties en spectrogrammes par transformée de Fourier rapide (FFT). Une méthode de sélection du ROI central, basée sur l'intersection de lignes issues de ROI périphériques et une normalisation du signal, fournit une référence respiratoire stable. En corrélant la signature spectrale de chaque ROI à celle du centre du masque, l'algorithme localise la fuite en moins d'une seconde, avec une précision submillimétrique. La détection des fuites s'appuie ensuite sur un modèle hybride CNN-SVM qui exploite les caractéristiques des spectrogrammes pour classer chaque segment du contour en « fuite » ou « étanche ». Cette étape atteint un taux de réussite supérieur à 95 % sur les deux jeux de données, confirmant la fiabilité du système. Pour valider la présence des fuites au niveau pixel, nous recourons à la méthode PBC-OFDI (Pixel-wise Breathing Cycle Optical Flow Differential Imaging) : un suivi optique du ROI central extrait les phases d'expiration/inspiration, puis un calcul différentiel des températures génère des cartes de fuite visibles sur un fond atténué, mettant en évidence les zones de fuite. Testée sur mannequin et participants humains, la solution démontre une robustesse remarquable face aux mouvements, aux variations de masque et aux changements d'éclairage. Non invasive, en temps réel et embarquable, elle ouvre la voie à une surveillance continue des FFR N95 dans les environnements critiques, renforçant significativement la sécurité des utilisateurs. -- Mot(s) clé(s) en français : Segmentation des PFF, imagerie infrarouge, apprentissage profond, U-Net, images thermiques, détection de fuites, PFF N95, localisation des fuites, analyse fréquentielle, U-Net, SAM2, optimisation ROI, PFF N95. --
ABSTRACT : Ensuring the seal integrity of Filtering Facepiece Respirators N95 (FFR N95) is essential for optimal protection against airborne particles, especially in clinical and industrial settings. Even minor leaks around the facial seal can reduce the mask's filtration efficiency by up to 50 %, exposing users to pathogens or harmful particulates. Traditional fit-testing methods-whether qualitative (saccharin or Bitrex) or quantitative (PortaCount®)-are limited to intermittent checks, are costly, and cannot continuously monitor mask performance during real-world use. This work is based on two complementary datasets : a controlled dataset of calibrated leaks (0.8 mm-3.5 mm), precisely annotated and measured for model training and evaluation, and thermal video sequences collected from human participants wearing FFR N95 masks under realistic conditions (head movements, various mask types). To localize leaks with high precision, the mask contour is dynamically segmented using an optimized U-Net architecture, refined in real time by the Segment Anything Model 2 (SAM2) to track the perimeter despite changes in head pose and ambient lighting. The extracted contour is subdivided into one hundred Regions of Interest (ROIs). For each ROI, respiratory-induced thermal variations are converted into spectrograms via the Fast Fourier Transform (FFT). A rigorous method for selecting the central ROI-based on the intersection of lines drawn between peripheral ROI pairs and subsequent signal normalization- yields a stable breathing reference. By correlating each ROI's spectral signature with that of the central reference, the algorithm pinpoints leak locations in under one second with submillimeter accuracy. Leak detection is then performed by a hybrid CNN-SVM model that leverages these spectrogram features to classify each contour segment as "leak" or "sealed," achieving over 95 % accuracy on both datasets. Finally, to validate leak presence at the pixel level, we employ Pixel-wise Breathing Cycle Optical Flow Differential Imaging (PBC-OFDI) : optical-flow tracking of the central ROI extracts expiration and inspiration phases, and differential temperature mapping generates visual leak overlays on a dimmed background, highlighting areas of unfiltered airflow. Evaluated on both mannequins and human participants, the solution demonstrates remarkable robustness to motion, mask variations, and lighting changes.Non-invasive, real-time, and deployable, it paves the way for continuous monitoring of FFR N95 masks in critical environments, significantly enhancing wearer safety. -- Mot(s) clé(s) en anglais : FFP segmentation, infrared imaging, deep learning, U-Net, thermal images, leak detection, N95 FFP, leak localization, frequency analysis, U-Net, SAM2, ROI optimization, N95 FFP.

Type de document :	Thèse ou mémoire de l'UQAR (Mémoire)
Directeur(trice) de mémoire/thèse :	Brousseau, Jean
Co-directeur(s) ou co-directrice(s) de mémoire/thèse :	Yaddaden, Yacine
Information complémentaire :	Mémoire présenté dans le cadre du programme de maîtrise en ingénierie - volet recherche (3108) en vue de l'obtention du grade de Maître ès sciences (M. Sc.).
Mots-clés :	Masques de protection respiratoire N95 - Thermographie; Masques de protection respiratoire N95; Détecteurs de fuites; Intelligence artificielle; Étanchéité - Appareils et matériel.
Départements et unités départementales :	Département de mathématiques, informatique et génie > Génie
Date de dépôt :	24 avr. 2026 16:16
Dernière modification :	24 avr. 2026 16:16
URI :	https://semaphore.uqar.ca/id/eprint/3537