Diamond grinding wheels (DGWs) have a central role in cutting-edge industries such as aeronautics or defense and spatial applications. Characterizations of DGWs are essential to optimize the design and machining performance of such cutting tools. Thus, the critical issue of DGW characterization lies in the detection of diamond grits. However, the traditional diamond detection methods rely on manual operations on DGW images. These methods are time-consuming, error-prone and inaccurate. In addition, the manual detection of diamond grits remains challenging even for a subject expert. To overcome these shortcomings, we introduce a deep learning approach for automatic diamond grit segmentation. Due to our small dataset of 153 images, the proposed approach leverages transfer learning techniques with pre-trained ResNet34 as an encoder of U-Net CNN architecture. Moreover, with more than 8600 hyperparameter combinations in our model, manually finding the best configuration is impossible. That is why we use a Bayesian optimization algorithm using Hyperband early stopping mechanisms to automatically explore the search space and find the best hyperparameter values. Moreover, considering our small dataset, we obtain overall satisfactory performance with over 53% IoU and 69% F1-score. Finally, this work provides a first step toward diamond grinding wheel characterization by using a data-driven approach for automatic semantic segmentation of diamond grits.

Les outils abrasifs diamants représentent un marché compétitif sur lequel la PME DIAMATEC se positionne grâce à une stratégie d'entreprise dont les maitres mots sont la fabrication d'outils abrasifs diamants sur mesures, de qualités et ce, avec des délais de production plus court la concurrence. Néanmoins, pour que l'entreprise reste compétitive sur un marché en constante mutation, un axe d'amélioration concerne ses procédés de frittage d'outils abrasifs diamants. Afin de répondre à la problématique de l'entreprise, ce travail de thèse vise à développer un nouvel équipement de frittage FLASH par induction, le procédé « Pressure Assisted Induction Sintering » (PAIS). Après une phase de conception et d'ingénierie, une première version de la machine PAIS a été installée au sein de DIAMATEC. Ce développement, s'accompagne de celui d'un outil de simulation numérique par éléments-finis du système de chauffe par induction, qui combiné à des études expérimentales, ont permis une meilleure maitrise des principaux paramètres opérationnels du système. Les régimes de fonctionnements nominaux de la machine PAIS ont ainsi pu être identifiés et des cycles thermiques de frittage dits de références ont été proposés. La mise en application du procédé PAIS, a été réalisée en frittant des échantillons dont le format a permis de tester leurs performances pour l'usinage de barreaux en WC-Co. Enfin, l'équipement PAIS, assurant quotidiennement la majorité de la production d'outils abrasifs diamants avec liants métallique de l'entreprise, un bilan et des préconisations d'usages ont été établies. Pour finir, la démonstration du potentiel des approches basées sur l'intelligence artificielle pour la caractérisation d'outils abrasifs diamants à partir d'images a été réalisée, premier pas pour DIAMATEC vers l'industrie 5.0.