EP1697896A2 - Procede de cartographie des defauts sur un cuir - Google Patents

Procede de cartographie des defauts sur un cuir

Info

Publication number
EP1697896A2
EP1697896A2 EP04816489A EP04816489A EP1697896A2 EP 1697896 A2 EP1697896 A2 EP 1697896A2 EP 04816489 A EP04816489 A EP 04816489A EP 04816489 A EP04816489 A EP 04816489A EP 1697896 A2 EP1697896 A2 EP 1697896A2
Authority
EP
European Patent Office
Prior art keywords
phase
leather
image
likelihood ratio
defects
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Withdrawn
Application number
EP04816489A
Other languages
German (de)
English (en)
Inventor
Jérôme Darragon
Cédric VIGIER
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Centre Technique Cuir Chaussure Maroquinerie
Original Assignee
Centre Technique Cuir Chaussure Maroquinerie
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Centre Technique Cuir Chaussure Maroquinerie filed Critical Centre Technique Cuir Chaussure Maroquinerie
Publication of EP1697896A2 publication Critical patent/EP1697896A2/fr
Withdrawn legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/44—Resins; Plastics; Rubber; Leather
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30124—Fabrics; Textile; Paper

Definitions

  • the present invention relates to a method for qualifying a leather using a mapping of the defects of the leather by image processing, as well as a device making it possible to implement this method.
  • leather will be used to designate skin or leather whatever its stage of manufacture and its mode of presentation: whole, segmented or cut in thickness.
  • Leather the raw material of tanning and tanning, is heterogeneous in its structure and in its surface appearance.
  • Leather has a natural grain due to the implantation of the animal's hairs, the homogeneity of the grain depending on their size and distribution. Depending on the species, leathers have different characteristics of size, suppleness, fineness of the grain.
  • defects can be caused during the stages: -of breeding, due to the sanitary state, parasitism, mechanical or genetic lesions; - slaughter, due to the transport and restraint of animals, the skin of hides; conservation, due to the implementation of the process, and the storage conditions; - tanning-tanning, due to mechanical operations on the machine or to the effects of chemicals.
  • the diversity of the nature of the defects implies a constant adaptation of the leather transformation process, certain defects modifying the appearance of the finished leather, others altering the structural properties of the leather itself.
  • the position of the defect on the leather and the possibility of integrating it into the assembly margins at the level of the manufacture of the finished product must be taken into account to assess the value of the leather.
  • the detection of faults is therefore of decisive interest, both for the tanner, for quality control, optimization of his process according to each skin, and the establishment of fault histories, as for manufacturer of finished leather products, for quantitative and qualitative sorting, maximizing the use of the surface for cutting leathers.
  • wet-blue designates a leather after chrome tanning, giving it a blue color. The leather at this stage is wet.
  • Cutting leather is a step requiring experience and optimizing the placement of parts on the leather.
  • the permanent compromise that the cutter must perform begins to be computerized with automatic placement software, coupled with digital cutting tables.
  • the phase of entering faults and quality zones remains manual, which penalizes the overall profitability and productivity.
  • Attempts to automate the detection of faults on leathers were made, without success however, because these approaches did not take into account either an image quality sufficient to highlight the faults, or the highly noisy appearance of the images obtained, ie the lack of reproducible geometric structures on the leathers.
  • these solutions do not allow structural defects to be revealed.
  • Doganzic A the disclosure of Doganzic A.
  • P628 to 635 describes a treatment method of image comprising at least one phase consisting in applying to a picture a statistical algorithm of the generalized likelihood ratio, making it possible to calculate, the likelihood ratio of the presence of a defect in a first region, relative to a reference noisy region and thus obtaining a probability image indicating for each pixel the value of this likelihood ratio.
  • the solution proposed in this document does not allow local variations in noise on a skin to be taken into account.
  • the aim of the present invention is to provide a method as well as an automatic device for mapping faults on a leather enabling these technical problems to be resolved by processing an image of sufficient quality to highlight the faults and taking into account the noisy appearance of the images obtained and the absence of reproducible structure, and moreover making it possible to detect both the appearance defects and the structural defects, taking into account the local variations in the sound effects of the image.
  • the subject of the present invention is a method of qualifying a leather using a mapping of the leather defects, implementing a mapping device, comprising means for acquiring a digital image of the leather, and a image processing obtained comprising at least one phase consisting in applying to the image of the leather, after possible preliminary steps, a statistical algorithm of the generalized likelihood ratio or GLRT, making it possible to calculate, in a window analysis centered on a given pixel of the image and comprising a mask with at least two regions, the likelihood ratio of the presence of a defect in a first region relative to a second region and thus obtaining an image of probability indicating for each pixel the value of this likelihood ratio.
  • the method comprises a phase for detecting linear type faults, and a phase for detecting circular type faults.
  • the phase of detection of the linear defects uses a statistical algorithm of the generalized likelihood ratio or GLRT in its linear form, that is to say by using a form of mask for the analysis window comprising a central region in the form of a band passing through the center of the analysis window and oriented at an angle relative to the abscissa axis, and two lateral regions and situated on either side of the central region, the two regions lateral and completing the analysis window, by carrying out several calculations of the likelihood ratio according to several values of the angle and by conserving for each pixel: - the most important value of the likelihood ratio in a probability image and, - the value of the angle which gave the most important value of the likelihood ratio in an orientation plane.
  • the circular defect detection phase uses a statistical algorithm of the generalized likelihood ratio or GLRT in its circular form, that is to say by using a mask form for the analysis window comprising a central region concentric with the analysis window, rectangular in shape and a region completing the analysis window, by carrying out several likelihood ratio calculations by deforming the central region to increase its size, in the direction of the abscissas and ordinates while keeping for each pixel : - the most important value of the likelihood ratio in a probability image, and - the dimensions on the abscissa and on the ordinate of the central region having given the most important value of the likelihood ratio stored respectively in two dimensioning images on the abscissa and on the ordinate.
  • the method comprises a phase for locating circular defects, comprising the steps consisting in: - searching for local maxima of the likelihood ratio in the clusters or sets of points of the image having a likelihood ratio greater than a threshold value, - define a neighborhood around this local maximum, the dimensions of which on the abscissa and on the ordinate are determined using values coming from a detection phase, and - find a second local maximum of the likelihood ratio in the residual part of the cluster, if part of the cluster is outside the neighborhood thus defined, - a neighborhood is also defined around this second cluster whose dimensions on the abscissa and on the ordinate are determined using values coming from a detection phase.
  • the values coming from a detection phase making it possible to determine the dimensions on the abscissa and on the ordinate of a neighborhood around this local maximum are the values corresponding to the position of the maximum in the dimensioning images.
  • the method includes a phase for locating the linear defects, comprising the steps consisting in: - searching for local maxima of the likelihood ratio in the clusters or sets of points of the image having a likelihood ratio greater than a threshold value, - define a neighborhood around this local maximum whose dimensions correspond to those of the phase region, this neighborhood being oriented using the value corresponding to the position of the maximum in the orientation plane and, - find a second local maximum of the likelihood ratio in the residual part of the cluster, if a part of the cluster is outside the neighborhood thus defined, - a neighborhood also being defined around this second cluster whose dimensions correspond to those of the phase region, this neighborhood being oriented using the value corresponding to the position of the maximum in the plane of d ' orientation.
  • the phase of locating the linear defects also includes a step consisting in merging the close neighborhoods, and to isolate the neighborhoods of surface greater than a threshold given as a region of altered texture.
  • the method comprises a characterization phase comprising a step consisting in determining the precise shape of the contour of the resolved defects using an active polygonal statistical contour algorithm or CASP.
  • the characterization phase comprises a step consisting in calculating geometric and photometric parameters characteristic of each defect.
  • the method comprises an identification phase consisting in classifying the defects into categories.
  • the method includes a phase of selecting the faults to be taken into account by a user.
  • the method comprises a classification phase of the leather, making it possible to assign a level of quality, as a function of the position, the type and the surface of the defects on the leather.
  • the characteristic parameters used in the calculation of the likelihood ratio are the mean and the standard deviation.
  • the model chosen to represent the probability densities of the pixel intensity is the Gaussian model.
  • the method also comprises a phase consisting in carrying out a geometric analysis of the leather to identify the quality zones and the load-bearing lines of elasticity of the leather.
  • the method further comprises a phase consisting in determining a segmentation of the leather into regions of homogeneous hues using the “Division and Fusion” algorithm using a Tetra-tree.
  • the method comprises several passes in the phase of detection of circular defects, corresponding to different sizes of analysis window.
  • the invention also relates to a mapping device for implementing the method described above, comprising means for conveying the leathers, making it possible to route them to an acquisition station comprising a digital camera as well as lighting means, characterized in that the lighting means comprise a light source by transmission through the part of the conveyor constituting the leather support and a light source by reflection, the angle of the direction of the light source by reflection relative to the plane of the leather being between 15 ° and 35 °.
  • the device comprises calculation means allowing software image processing.
  • the device includes dedicated electronic calculation means for performing image processing.
  • FIG. 1 is a schematic side view of the device according to the invention.
  • FIG. 2 is a representation of the flow diagram of the image processing carried out.
  • FIG. 3 represents an image of the support and of the outline of a leather.
  • FIG. 4 represents an image identifying the carrying lines of the lender's directions.
  • FIG. 5 represents an image identifying the quality zones of the leather.
  • Figure 6 shows schematically the principle of division into parcels.
  • Figure 7 represents a data structure in Tetra-tree.
  • Figure 8 illustrates the generalized maximum likelihood ratio algorithm.
  • Figures 9 to 12 show analysis window forms for a maximum generalized linear likelihood ratio algorithm.
  • FIG. 13 represents the evolution of the form of analysis window for an algorithm of the maximum of the generalized circular likelihood ratio.
  • FIG. 14 represents neighborhoods used in determining the location of resolved circular faults.
  • Figures 15 to 17 show the successive stages of the polygonal statistical active contour algorithm.
  • Figure 18 is a portion of an image of leather.
  • FIG. 19 is a portion of a probability image, in the context of a linear GLRT, corresponding to the processing of the image portion of FIG. 18.
  • FIG. 20 is a portion of a probability image, in the frame of a circular GLRT, corresponding to the processing of the image portion of FIG. 18 with a mask for a large defect.
  • FIG. 21 is an image portion representing polygonal neighborhoods V for large circular resolved defects.
  • FIG. 22 is an image portion representing the contours of large resolved defects obtained by a CASP algorithm.
  • FIG. 25 is a portion of the binary image of the defects preserved, corresponding to the image portion of FIG. 18.
  • the device 2 for mapping the defects represented in FIGS. 1 and 2, comprises three main elements: the conveying module 3, the image acquisition station 4 and calculation means 5 allowing the execution of the image processing software 6.
  • the conveying module 3 comprises a translucent mat 7 driven on rollers 8, the route of this mat 7 forming a first plane 9 inclined at 45 ° relative to the vertical, then a horizontal portion 12 separated from the first inclined plane 9 by a roller 8 located at the upper edge of the plane 9, this horizontal portion 12 corresponding to the part of the mat 7 located at the acquisition station 4, then a second plane 10 inclined at 45 ° with respect to the vertical, symmetrical with the first plane 9 with respect to the acquisition station 4, separated from the portion horizo ntale 12 by a roller 8 located at the upper edge of the plane 10.
  • the mat 7 forms a drive support in a direction of travel P for the leathers 13 which can be deposited on the first inclined plane 9 and then driven towards the acquisition station 4 then towards plane 10 where they can be unloaded from the mat 7.
  • the inclination of planes 9 and 10 facilitates the loading and unloading of leathers 13, making it possible to view them in a reduced space.
  • the mat 7 is silicone-coated, in order to prevent the leather 13 from sliding on the inclined planes 9 and 10.
  • the acquisition station 4 comprises an articulated strip 14 located above the horizontal portion 12 of the mat 7 making it possible to press the leather 13 and to lay it flat before the acquisition of an image 16 by a digital camera 15 situated above the horizontal portion 12 of the belt 7 downstream from the strip 14 in the direction of travel P and directed vertically downwards.
  • a first light source by reflection 17 of the leather 13, is located above the horizontal portion 12 of the mat 7, downstream of the camera 15, emitting diffuse light, directed at an angle angle of 25 ° relative to the plane of the leather 13. This particular orientation makes it possible to bring out both the structural defects and the appearance defects of the leather 13.
  • the source 17 is covered by a cover 18 so as to avoid direct lighting of the camera 15 by this source 17 and a disturbance of the image 16 obtained.
  • a second source of transmission light 19 arranged under the translucent mat 7, facing the camera 15, makes it possible to remove the shadow cast and to increase the contrast between the leather 13 and the mat 7 in the image 16.
  • the camera 15 has a resolution greater than 6,000 pixels and a 35 mm lens.
  • the camera 15 captures an image of the leather 13 with a discretization of each pixel on 1,024 gray levels. The image obtained is therefore of excellent quality, with a resolution of 0.24 mm per pixel.
  • Control means not shown make it possible to control the driving of the leather 13 by the carpet 12 under the camera 15 and the acquisition of the image 16 by the camera 15.
  • the camera 15 is a so-called linear sensor camera and comprises a single row of sensor cells each corresponding to a pixel arranged perpendicular to the direction of travel P. The movement over time of the leather 13 relative to this camera makes it possible to obtain a two-dimensional image 16.
  • a pre-processing phase is carried out, making it possible to remove the artefacts from the image 16.
  • the camera 15 with linear sensor causes artefacts appearing in the image in the form of columns perpendicular to the direction of movement of the leather, these columns appearing due to the difference in sensitivity of the sensors of the camera 15.
  • the meadow treatment consists of compensating for these differences in sensitivity.
  • An estimate of the average per column of the image processed by the same sensor cell is calculated, then all the estimates of the average are grouped into a curve from which the control points of a Bézier curve are calculated.
  • phase a to h of the treatment shown in FIG. 2, allowing the qualification of the leather are described below, these phases are as follows: - a: geometric analysis, - b: segmentation into regions of homogeneous shade, - c: detection of faults, - d: location of faults, - e: characterization of faults, - f: identification of faults, - g: selection by the user, - h: classification, steps a to e constituting more particularly a mapping of defaults.
  • the first phase a of the processing of image 16 is a geometric analysis of the leather 13 making it possible to determine the quality zones and the load-bearing lines 27 of the lending direction.
  • the direction of lender corresponds to the direction of maximum elasticity of the leather at a given point.
  • the quality zones are as follows: • The rump 23 • The collar 24 • The abutment 25 • The flanks 26
  • the first phase a of image processing is based on a geometric analysis of the outline of the leather 13. Firstly , an image represented in FIG. 7 of the closed and unitary outline 28 of the leather 13 is obtained from the image of the support 29 of the leather, represented in FIG. 6.
  • the support is obtained by thresholding the values of the pixels of image 16, this operation being facilitated by the lighting by the source 19 which accentuates the contrast between the leather 13 and the carpet 7.
  • Different characteristic points of the leather 13 are then determined, and in particular the center of gravity 30 of the leather 13, the extremal points of the legs 32, 33, 34, 35, the maximum notches of the sides 36, 37 as well as the minimum and maximum points of the abutment 38, 39 and the collar 40, 42.
  • Geometric laws known in the state of the art allow the boundaries of the quality zones 23, 24, 25, 26 to be drawn as well as the lines carrying the lending direction 27 as shown in the figures
  • results of this geometric analysis phase a are: - an image 20, an example of which is shown in FIG. 5, which groups the borders of the different quality zones of the leather.
  • This image 20 of the quality zones is useful for determining the severity of the defect because it depends on its positioning on the leather
  • - an image 22, an example of which is shown in FIG. 5 represents the load-bearing lines 27 of the directions of lending.
  • Image 22 is generated for example for the automatic placement of shoe parts.
  • a shoe part represented in a computer format coming from a Computer Aided Design or CAD software includes the information of the lender's direction. It is therefore possible to make the lending direction of the leather 13 given by the image 22 coincide with that of the shoe part.
  • the second phase b of the processing of the image 16 is a segmentation into regions of homogeneous shade R t of the leather 13.
  • This step is an optional step intended for example for cutting parts for a shoe. In this case, it is desirable not to cut a piece on two regions of different colors.
  • a filtering of the original image 16 by a filter calculating an average on a mask, of size 15 by 15 pixels in this embodiment, is carried out.
  • This first step makes it possible to attenuate the contrast of the small defects and does not influence the result to be obtained because the aim of this step is the detection of regions Rt of extended surface. These Rt regions have a high contrast between them, the quality of the image 16 obtained amplifying this contrast compared to human visualization.
  • This phase b implements in a second step a “Division and Fusion” algorithm using a Tetra-tree.
  • This algorithm is broken down into two stages.
  • the first so-called division step consists of a recursive splitting of the image into plots p
  • the second so-called merging step is an iterative process aimed at grouping these plots p into RT regions having common properties, that is to say say, in this mode of implementation, a neighboring shade.
  • a region of the image during the division process will be called plot p
  • region RT a grouping of plots made during the fusion
  • the division consists of a recursive splitting of the image 16 in accordance with a criterion of pixel homogeneity. If the criterion is not satisfied for a plot p of the image, the latter is then divided into four sub-parts of equal sizes and the criterion is again evaluated in each of them. This process is repeated recursively until all the plots p satisfy the given criterion. At the start of the division, the criterion is evaluated on the entire image.
  • the division into plots p is represented in FIG. 6, at a given stage of the algorithm.
  • the plot pi satisfying the homogeneity criterion is not divided on the contrary, the plot p 2 must be divided because it does not meet the criterion.
  • each plot p is assigned to a region R ⁇ .
  • each plot represents an RT region.
  • Each pair of plots p is then considered.
  • the fusion criterion is evaluated on the union of the two RT regions to which these two plots belong. If this is satisfied, the two RT regions are merged into one. The two plots p considered are now attached to this new RT region. The merger is complete when all the couples have been treated.
  • the algorithm uses the average pixel intensity as a criterion.
  • the division and fusion threshold identical and equal to 10 gray levels. This threshold must be configurable according to the level of quality desired by the customer.
  • the minimum dimension on the abscissa and ordinate is fixed at 5 pixels for each parcel p of image.
  • phase b is an image 44 showing the regions of homogeneous hue RT.
  • the processing then comprises a phase c on the image 16 relating generally to the detection of faults D grouping two phases and c 2 concerning respectively: - ci: the detection of linear shape defects grouping the resolved linear defects DL as well as the regions of altered texture RA, the linear defects corresponding in particular to wrinkles, veins or physical defects of linear shape such as tears or scars, the regions of altered texture R A corresponding for example to an extensive alteration of the leather due to wrinkles, a network of veins, crimps or a concentration of resolved defects and - c 2 : the detection of resolved defects of circular shape or circular defects D c , corresponding in particular to structural defects such as defects caused by parasites such as lice, ringworm, or scabies, or of mechanical origin such as a hole or appearance defects such as stains.
  • An analysis window F runs through image 45, as shown in the figure 8.
  • the analysis window F is divided into two regions Ri and R 2 of different sizes Ni and N 2 , Ni and N 2 representing the number of pixels present in each region. Let and l 2 be two samples of pixels contained in each of the two regions of the window, I the union of these two samples. For a position of the analysis window F, the following two hypotheses are considered: • Ho: the window F covers a homogeneous area.
  • the characteristic parameters of the texture are therefore the same in the two regions Ri and R 2 and are symbolized by ⁇ .
  • Hi the window F is positioned on a defect D located in the region R ⁇
  • the characteristic parameters of the texture in the two regions Ri and R 2 are therefore different and are equal to ⁇ i and ⁇ 2 .
  • the two corresponding decisions are therefore: “ Ho: there is no default.
  • Hi a fault is present.
  • Neyman-Person strategy makes it possible to build the optimal decision rule, because it gives the best probability of detection for a fixed probability of false alarm. This rule consists in comparing the likelihood ratio ⁇ :
  • ⁇ i represents the parameters of standard deviation ⁇ and of average mi over the first region
  • ⁇ 2 represents the parameters of standard deviation ⁇ 2 and of mean m 2 over the second region
  • ⁇ represents the parameters of standard deviation ⁇ 0 and of average mo over the entire analysis window F.
  • the GLRT algorithm is used according to two variants described below: the linear GLRT and the GLRT circular, these two variants differing mainly by the shape of the analysis window chosen.
  • linear is used in the phase Ci of detection of resolved defects, linear resolved defects DL OR regions of altered texture RA.
  • the circular GLRT is used in phase c 2 of detection of circular resolved defects D c .
  • the linear GLRT is characterized by the internal shape or “mask” of the analysis window F which is broken down, as shown in FIGS.
  • the angle A1 varies by an angular step of 15 ° between 0 ° and 180 °.
  • the size of the analysis window F best suited to the defects of the leathers 13 is a size of 51 by 51 pixels. A smaller size causes the grain of the leather 13 to be detected as a defect.
  • a larger size gives too low and too wide probabilities for a defect because the union of the regions R 2 'and R 2 "is too large and can include other faults in the neighborhood, thus reducing the statistical difference between the defect and
  • the selected width of the strip forming the region Ri is 5 pixels and the angular step is 15 °.
  • the configurations of the mask of the analysis window F are shown in FIGS. 9 to 12 for an angular step of 45 ° and an angular range of 0 ° to 180 ° For each dimension of the analysis window F, a bandwidth forming the region Ri makes it possible to obtain detection of all of the defects.
  • the linear GLRT algorithm provides as result: - a probability image 45 as defined above, and - an orientation plane 46 indicating, for each pixel of the original image 16, the value of the angle A1 of the mask having given the highest likelihood ratio ⁇ value.
  • - a dimensioning image in x 47 giving for each of the pixels a constant value corresponding to the width of the region R-
  • - A dimensioning image in y 48 giving for each of the pixels a constant value corresponding to the thickness of the strip forming the region Ri.
  • the circular GLRT makes it possible to determine the presence in each pixel of the image of the leather 13 of a circular type defect D c .
  • the analysis window F must have an interior shape or mask adapted to the form of the defect De.
  • the window F is therefore divided into a region Ri, rectangular and concentric with the analysis window F, of variable size and dimension, and a region R 2 completing the analysis window F.
  • the region Ri is deformed for each position of the window F. Indeed, the greatest value of the likelihood ratio ⁇ is obtained for a given defect D c , when the region Ri has dimensions corresponding to the dimensions of the circular defect D c .
  • the region R- is deformed incrementally according to changes E x in x and E y in x shown in FIG.
  • the region Ri is defined by the following parameters: - The minimum dimension of the region Ri in x and y, - The maximum dimension of the region Ri x and y, The pitch between two dimension values in x or y of the region R - must be weak when the region Ri is small because a defect D c of a few pixels must have a region Ri very close to its real form to obtain an optimal likelihood ratio ⁇ . Indeed, a small defect D c detected by a poorly adapted mask greatly reduces its probability. In addition, it is likely to find several small defects in a large area.
  • a dimension of the region Ri ill-suited influences the probability less because the size of the sample I is larger.
  • the step for detecting large faults can therefore be greater.
  • three passes are therefore carried out for small, medium, and large region dimensions Ri.
  • the step has a different value, small, medium, and large, all these values being between 5 and 10 pixels.
  • the maximum size of the region Ri is 130 pixels for the pass of large defects.
  • the analysis window F has dimensions equal to the maximum dimensions of the region Ri plus 3 pixels in this exemplary embodiment.
  • the circular GLRT algorithm provides as result: - a probability image 45 as defined above. - An orientation plane 46 containing a zero constant value, not further processed.
  • - a dimensioning image in x 47 giving for each of the pixels of image 45 an integer value of the dimension in x of the region Ri which gave the value of the likelihood ratio ⁇ the highest.
  • a dimensioning image in y 48 giving for each of the pixels of image 45 an integer value of the dimension in y of the region Ri which gave the value of the likelihood ratio ⁇ the highest.
  • FIGS. 19 and 20 represent two image portions 45 corresponding to the processing of the image portion 16 of FIG. 18 by a linear and circular GLRT respectively used in phases Ci and C 2 .
  • the purpose of the fault location phase d is to obtain a polygonal neighborhood V surrounding the circular and linear faults using the data provided by the detection step.
  • the localization phase d brings together two phases di and d 2 relating respectively to: - di: the localization of the defects of linear form gathering the linear resolved defects DL as well as the regions of altered texture R A , and - d 2 : the localization of the resolved circular defects or circular defects D c ,
  • the phase d 2 of location of circular faults D c is illustrated in FIG. 14, being limited to the X axis, and described below.
  • the probability image 45 is thresholded with the threshold t set by the user to obtain a binary image grouping together clusters of likelihood greater than the threshold, that is to say the set of points of l image 45 having a likelihood ratio ⁇ greater than the threshold.
  • a local maximum M of the likelihood ratio ⁇ per cluster is determined.
  • a neighborhood V around this local maximum is defined whose dimensions in x and y are determined by using the values corresponding to the position of the maximum in the dimensioning images 47, 48 in x and y. If a part of the cluster is outside the neighborhood V thus defined, a second local maximum M of the likelihood ratio ⁇ is sought in the residual part of the cluster, then also surrounded by a neighborhood V whose the dimensions in x and y are determined using the values corresponding to the position of the second maximum M in the dimensioning images 47, 48 in x and y.
  • This approach makes it possible to isolate circular defects D c of large size in the form of a single circular defect D c , and to correctly isolate two small defects De close to one another as shown in FIG. 16.
  • phase di is similar to phase d 2 , however in this case the polygonal neighborhood V consists initially of a rectangle whose dimensions, given by the dimensioning planes, correspond to the dimensions of the region Ri of the analysis window F of this phase.
  • this rectangular neighborhood V is oriented using the value of the orientation plane for the point corresponding to the maximum probability.
  • phase di includes a merging step making it possible to merge the close rectangular neighborhoods V. This merging step consists in running the contour of a neighborhood V through a circular shape of fixed diameter, and in merging the neighborhoods V reached by this shape with the V neighborhood whose circular shape runs around the outline.
  • phase e of image processing consists in characterizing the resolved defects D R. This phase includes: - a first step to obtain the precise shape of the contour C of each resolved fault DR, whether this fault is a resolved fault linear D or circular Dc.
  • an active polygonal statistical contour algorithm or CASP is used in the first step.
  • the input parameters of this algorithm are an image containing the DR defect and a contour C initialized by the neighborhood V.
  • the CASP makes it possible to deform this contour C to obtain the precise shape of the contour C of the DR defect.
  • the CASP algorithm is used in this embodiment, only for defects D c of large size. Indeed, it is not useful to obtain the precise form of a defect De small.
  • this defect De is 4 pixels and the rectangular neighborhood V encompassing it surrounds it perfectly in the broad sense, the approximation of the contour by the rectangular neighborhood V causes a negligible loss of 2 or 3 pixels or about 1mm 2 of the leather 13.
  • the principle of CASP, illustrated in FIGS. 15 to 17, is to minimize the energy starting from an initial contour formed by 4 nodes K corresponding to the vertices of the rectangular neighborhood V.
  • the nodes K are moved either randomly or in order determined by an adjustable step on the amplitude of the deformations from 1 to 15 pixels, then the energy is calculated. so as the energy decreases, the nodes K are displaced and the energy calculated again. If this becomes constant or if it increases the previous iteration, it provides the best possible segmentation of the contour C of the defect D R.
  • the energy calculated in this type of active contour is a function of the statistical parameters of the image, here the variance and the mean.
  • the CASP is applied to an initial contour composed only of four nodes K.
  • the CASP determines a contour C closer to the defect but composed than of 4 nodes K therefore of imprecise shape.
  • 15 knots K are then added so that the shape of the contour C can be refined.
  • the CASP algorithm is reiterated to obtain a more precise shape of the C contour.
  • This multi-step approach makes it possible to speed up the computation time because the addition of 15 nodes K from the first step for an initial C contour distant from the DR defect real would involve the displacement of 19 knots K over long distances and therefore would require a much higher computation time.
  • the step of approximation of the contour is only carried out on 4 K nodes and the 15 K nodes added move only over short distances.
  • the parameters calculated for each resolved fault DR are: - geometric parameters, in particular the position of the center of gravity of the fault, circularity, total area of the fault, areas of the faults included in the different areas of quality, perimeter, elongation, stretching, mean and variance of the orientation of the linear defects, - photometric parameters, in particular the mean, variance and local contrast, and - parameters extracted from the GLRT algorithms having highlighted the defect.
  • the result of phase e is a set 49 of resolved faults DR, containing the information relating to their contour C and the associated parameters.
  • the next phase f is a fault identification phase.
  • the purpose of this phase is to assign to each defect D a defined category, a quality zone and a level of visibility.
  • the categories defined are three in number: - wrinkle, - vein, and - physical defects. This last category groups together all the structural defects causing an alteration of the flower and the appearance defects.
  • the category of a fault is determined according to minimum and maximum limits of a parameter set, consisting of the parameters calculated for each fault in the previous phase.
  • the quality zone 23, 24, 25, 26, to which the defect belongs is determined from the position of the defect on the support. Visibility is determined using the contrast parameter defined in phase e for each defect D.
  • phase f is an assignment to each defect of a category, a quality zone and a level of visibility .
  • the optional phase g consists of a selection by the user of the faults D to be kept in the subsequent phase. In this embodiment, this selection can be made by the user by means of functions for sorting faults on the basis of their category, their visibility and their area.
  • the result of phase f is a set 52 of faults to be taken into account.
  • Phase h consists of a classification of the defects present in category: - wrinkle, - vein, and - physical defects, and in position in a quality zone: - croupon 23, - collar 24, - abutment 25, and - sides 26. The number, area and percentage of defects present on each part is also calculated.
  • the user can fill in a table defining the sorting criteria defining the level of quality or choice of leather. For example, a choice 1, of better quality, is defined by a maximum number of faults in each category per quality zone. From all these data, the system attributes a choice or level of quality to the leather 13. The result of this phase g is therefore the attribution of a level of quality to the skin, as well as an image of the defects preserved, this image can be used for a later cutting phase, as a binary image 53. For example, FIG. 23 represents a portion of image 53 corresponding to a portion of image 16 of FIG. 18. Certain phases image processing 13 are optional depending on the desired use.
  • phase b can therefore be omitted in this case.
  • Phase a can be simplified in this case. It should be noted that phases a to h do not necessarily follow sequentially.
  • the phases di and d 2 for detecting faults D are carried out in several passes, one pass for detecting linear faults, and three passes for detecting circular faults, corresponding to different analysis window sizes F , starting with a large analysis window size F and decreasing this size.
  • the phases d of localization and e of determining the contour C must be carried out between each pass to allow the detection of the defects D detected from the image support before making a second pass, so as not to detect the same defect D twice .
  • the neighborhood rectangular V is not usable to remove the defect of the image, because the defect DR can be partially outside the neighborhood V.
  • the sequence can be, for an image 13: - phase a, - phase b, - phase c 2 of detection of circular faults, for a pass concerning large faults, - phase d 2 of localization of circular faults D c , - phase e of characterization, making it possible to obtain a precise contour for each fault D c , then elimination of this support defect in image 13, - phase c, of detection of linear faults, single pass - phase d, of localization of linear faults, - phase e of characterization of faults, making it possible to obtain a contact precise for each defect D 2 , deletion of the linear defects and of the altered texture zones Ri of the support 29 of the image 13, - phase c 2 of detection of circular defects, for a pass concerning the defects of medium size, - phase d 2 , - ph ase e, then deletion of medium-sized defects D c of the support 29, - phase c 2 , for the pass relating to small-scale defects D c - phase
  • the image processing can be carried out, by following the same method, not by image processing software 6, but by a dedicated electronic card according to a technique known elsewhere.
  • This second embodiment makes it possible to reduce the computation time necessary to operate the treatment.
  • the device will be completed by the addition of a chemical developer, increasing the contrast of the defects causing deterioration of the flower.
  • the variations in humidity of the leather at the wet-blue stage generate large variations in color and almost 20% of the defects are not visible at this stage by a sorter such as juicy hairs or lice bites.
  • the addition of a chemical developer facilitates the automatic detection of open flower D defects by significantly improving their contrast.
  • the blue pigments are only fixed on the parts where the flower is more or less altered.
  • the coloring then quickly disappears by itself, the pH of the leather being acidic at this stage.
  • the configuration of the device 2 can be modified as a function of the sector chosen, this sector possibly being the tanning-tanning trade or the shoe manufacturers or leatherworkers.
  • the tannery acquisition station can be positioned at the inlet or outlet of the wringer.
  • the leather is wet, its weight is important and the flattening is not optimal.
  • the color is uniform and allows a better identification of the defects D.
  • the leather is laid flat, the folds have been crushed and the color regions are different according to the thickness of the leather. Detection is less effective.
  • the acquisition station 4 When used for leather goods or the manufacture of shoes or in furniture or in cars, the acquisition station 4 may be offset relative to the production line, or be integrated within the cutting installations themselves. In the latter case, the inclination of the planes of the belt 7 can vary for integration within the cutting installations.
  • the invention is not limited to the described embodiment, on the contrary it embraces all variants.
  • the lighting angle cu of the leathers 13 can vary.

Landscapes

  • Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)

Abstract

Procédé de qualification d'un cuir (13) utilisant une cartographie des défauts (D) du cuir (13), mettant en oeuvre un dispositif (2) de cartographie, comportant des moyens d'acquisition d'une image numérique (16) du cuir (13), et un traitement de l'image (16) obtenue comportant au moins une phase (c1, c2) consistant à appliquer sur l'image (16) du cuir (13), après d'éventuelles étapes préalables, un algorithme statistique du rapport de vraisemblance généralisé ou GLRT, permettant de calculer, dans une fenêtre d'analyse (F) centrée sur un pixel donné de l'image (16) et comprenant un masque à au moins deux régions (R1, R2), le rapport de vraisemblance (Λ) de la présence d'un défaut (D) dans une première région (R1) par rapport à une seconde région (R2) et d'obtenir ainsi une image de probabilité (45) indiquant pour chaque pixel la valeur de ce rapport de vraisemblance (Λ).

Description

Procédé de cartographie des défauts sur un cuir
La présente invention concerne un procédé de qualification d'un cuir utilisant une cartographie des défauts du cuir par traitement d'image, ainsi qu'un dispositif permettant de mettre en œuvre ce procédé. Dans la suite du texte, on désignera par le terme cuir une peau ou un cuir quel que soit son stade de fabrication et son mode de présentation : entier, segmenté ou coupé dans l'épaisseur. Le cuir, matière première de la tannerie et de la mégisserie est hétérogène dans sa structure et dans son aspect de surface. Le cuir possède un grain naturel dû à l'implantation des poils de l'animal, l'homogénéité du grain dépendant de leur grosseur et de leur répartition. Selon les espèces, les cuirs ont des caractéristiques différentes de taille, souplesse, finesse du grain. A ces variations naturelles du grain du cuir viennent s'ajouter des détériorations ou défauts qui se répercutent sur la qualité du cuir fini et influent donc fortement sur l'utilisation finale et la valeur marchande du cuir. Du stade de l'animal vivant à celui de la tannerie-mégisserie, des défauts peuvent être causés lors des étapes : -d'élevage, dus à l'état sanitaire, au parasitisme, aux lésions mécaniques ou d'origine génétique; -d'abattage, dus au transport et à la contention des animaux, à la dépouille des cuirs; -de conservation, dus à la mise en oeuvre du procédé, et aux conditions de stockage; -de tannerie-mégisserie, dus aux opérations mécaniques sur machine ou aux effets des produits chimiques. La diversité de la nature des défauts implique une adaptation constante du procédé de transformation des cuirs, certains défauts modifiant l'aspect du cuir fini, les autres altérant les propriétés structurelles même du cuir. La position du défaut sur le cuir et la possibilité de l'intégrer dans les marges de montage au niveau de la fabrication du produit fini doivent être prises en compte pour évaluer la valeur du cuir. La détection des défauts est donc d'un intérêt déterminant, tant pour le tanneur, pour le contrôle de la qualité, l'optimisation de son procédé en fonction de chaque peau, et la mise en place d'historiques des défauts, que pour le fabricant de produits finis en cuir, pour les tris quantitatif et qualitatif, la maximisation de l'utilisation de la surface pour la découpe des cuirs. Dans la suite du texte, le terme wet-blue désigne un cuir après tannage au chrome, lui donnant une couleur bleue. Le cuir à ce stade est humide. Actuellement, les contrôles sont réalisés visuellement et manuellement, selon des critères établis par le tanneur et son client fabricant. Chez le tanneur, un premier tri est effectué après l'essorage au stade du wet-blue. Le contrôle s'effectue dans un premier temps sur une seule partie du cuir, puis un poste de tri approfondit l'analyse du cuir sur toute sa surface, les trieurs allotissant les cuirs selon une douzaine de choix. Le tri reste dépendant de l'appréciation, du savoir-faire et de la régularité de chaque trieur au cours d'une même journée. Aucune aide automatique n'existe pour le triage des cuirs en wet-blue. Le taux d'erreur au niveau du tri des cuirs semi-finis varie entre 2 et 4 % selon les tanneurs. Certaines familles de défauts sont mal détectées au niveau du wet-blue et se révèlent progressivement au niveau des opérations de teinture et de finissage, rendant ainsi impossible toute anticipation. Une détection automatique et anticipée dès le wet-blue permettrait donc au tanneur de réorienter au plus tôt les cuirs. Chez le fabriquant, la détection des défauts intervient lors de trois étapes: - le tri en réception des cuirs finis; - la découpe du cuir; - le contrôle de la qualité des pièces découpées. Lors du tri en réception, les cuirs en provenance du tanneur sont contrôlés sur leurs mesures de taille et d'épaisseur et sur la présence de défauts, en comparaison avec le niveau de qualité demandé. Les cuirs sont alors affectés dans le procédé de transformation en fonction de leur qualité.
Cette étape est manuelle. La découpe de cuir est une étape nécessitant de l'expérience et une optimisation du placement des pièces sur le cuir. Le compromis permanent que doit effectuer le coupeur commence à être informatisé avec les logiciels de placement automatique, couplés à des tables de découpe numérique. Cependant, même sur les systèmes les plus automatisés, la phase de saisie des défauts et des zones de qualité reste manuelle, ce qui pénalise la rentabilité et la productivité de l'ensemble. Des tentatives d'automatisation de la détection des défauts sur les cuirs ont été réalisées, sans succès toutefois, car ces approches ne prenaient pas en compte soit une qualité d'image suffisante pour mettre en évidence les défauts, soit l'aspect fortement bruité des images obtenues, soit le manque de structures géométriques reproductible sur les cuirs. De plus, ces solutions ne permettent pas de révéler les défauts de structure. D'autre part, la divulgation de Doganzic A. et al « Defect détection in correlated noise » entre le 27 juillet et le 1er août 2003, AIP Conférence Proceedings, 2004 (USA), p628 à 635 décrit un procédé de traitement d'image comportant au moins une phase consistant à appliquer sur une image un algorithme statistique du rapport de vraisemblance généralisé, permettant de calculer, le rapport de vraisemblance de la présence d'un défaut dans une première région, par rapport à une région bruitée de référence et d'obtenir ainsi une image de probabilité indiquant pour chaque pixel la valeur de ce rapport de vraisemblance. Toutefois la solution proposée dans ce document ne permet pas de prendre en compte les variations locales du bruit sur une peau. Le but de la présente invention est de fournir un procédé ainsi qu'un dispositif automatique de cartographie des défauts sur un cuir permettant de résoudre ces problèmes techniques en traitant une image de qualité suffisante pour mettre en évidence les défauts et en prenant en compte l'aspect bruité des images obtenues et l'absence de structure reproductibles, et permettant de plus de détecter à la fois les défauts d'aspect et les défauts de structure, en tenant compte des variations locale du bruitage de l'image. A cet effet, la présente invention a pour objet un procédé de qualification d'un cuir utilisant une cartographie des défauts du cuir, mettant en œuvre un dispositif de cartographie, comportant des moyens d'acquisition d'une image numérique du cuir, et un traitement de l'image obtenue comportant au moins une phase consistant à appliquer sur l'image du cuir, après d'éventuelles étapes préalables, un algorithme statistique du rapport de vraisemblance généralisé ou GLRT, permettant de calculer, dans une fenêtre d'analyse centrée sur un pixel donné de l'image et comprenant un masque à au moins deux régions, le rapport de vraisemblance de la présence d'un défaut dans une première région par rapport à une seconde région et d'obtenir ainsi une image de probabilité indiquant pour chaque pixel la valeur de ce rapport de vraisemblance. Avantageusement, le procédé comporte une phase de détection des défauts de type linéaires, et une phase de détection des défauts de type circulaires. Selon un mode de réalisation, la phase de détection des défauts linéaires utilise un algorithme statistique du rapport de vraisemblance généralisé ou GLRT dans sa forme linéaire, c'est-à-dire en utilisant une forme de masque pour la fenêtre d'analyse comportant une région centrale en forme de bande passant par le centre de la fenêtre d'analyse et orientée d'un angle par rapport à l'axe des abscisses, et deux régions latérales et situées de part et d'autre de région centrale, les deux régions latérales et complétant la fenêtre d'analyse, en réalisant plusieurs calculs du rapport de vraisemblance selon plusieurs valeurs de l'angle et en conservant pour chaque pixel : - la valeur la plus importante du rapport de vraisemblance dans une image de probabilité et, - la valeur de l'angle ayant donné la valeur la plus importante du rapport de vraisemblance dans un plan d'orientation. Avantageusement, la phase de détection des défauts circulaires utilise un algorithme statistique du rapport de vraisemblance généralisé ou GLRT dans sa forme circulaire, c'est-à-dire en utilisant une forme de masque pour la fenêtre d'analyse comportant une région centrale concentrique avec la fenêtre d'analyse, de forme rectangulaire et une région complétant la fenêtre d'analyse, en réalisant plusieurs calculs du rapport de vraisemblance en déformant la région centrale pour augmenter sa taille, dans la direction des abscisses et des ordonnées en conservant pour chaque pixel : - la valeur la plus importante du rapport de vraisemblance dans une image de probabilité, et - les dimensions en abscisse et en ordonnée de la région centrale ayant donné la valeur la plus importante du rapport de vraisemblance stockées respectivement dans deux images de dimensionnement en abscisse et en ordonnée. Selon un mode de réalisation, le procédé comporte une phase de localisation des défauts circulaires, comprenant les étapes consistant à : - rechercher des maximaux locaux du rapport de vraisemblance dans les amas ou ensembles des points de l'image présentant un rapport de vraisemblance supérieure à une valeur seuil, - définir un voisinage autour de ce maximum local dont les dimensions en abscisse et en ordonnée sont déterminées en utilisant des valeurs provenant d'une phase de détection et - rechercher un second maximum local du rapport de vraisemblance dans la partie résiduelle de l'amas, si une partie de l'amas se trouve à l'extérieur du voisinage ainsi défini, - un voisinage étant également défini autour de ce second amas dont les dimensions en abscisse et en ordonnée sont déterminées en utilisant valeurs provenant d'une phase de détection. Avantageusement, les valeurs provenant d'une phase de détection permettant de déterminer les dimensions en abscisse et en ordonnée d'un voisinage autour de ce maximum local sont les valeurs correspondant à la position du maximum dans les images de dimensionnement. Selon un mode de réalisation, le procédé comporte une phase de localisation des défauts linaires, comprenant les étapes consistant à : - rechercher des maximaux locaux du rapport de vraisemblance dans les amas ou ensembles des points de l'image présentant un rapport de vraisemblance supérieure à une valeur seuil, - définir un voisinage autour de ce maximum local dont les dimensions correspondent à celles de la région de la phase, ce voisinage étant orienté en utilisant la valeur correspondant à la position du maximum dans le plan de d'orientation et, - rechercher un second maximum local du rapport de vraisemblance dans la partie résiduelle de l'amas, si une partie de l'amas se trouve à l'extérieur du voisinage ainsi défini, - un voisinage étant également défini autour de ce second amas dont les dimensions correspondent à celles de la région de la phase, ce voisinage étant orienté en utilisant la valeur correspondant à la position du maximum dans le plan de d'orientation. Avantageusement, la phase de localisation des défauts linaires comporte également une étape consistant à fusionner les voisinages proches, et à isoler les voisinages de surface supérieure à un seuil donné comme région de texture altérée. Selon un mode de réalisation, le procédé comporte une phase de caractérisation comprenant une étape consistant à réaliser une détermination de la forme précise du contour des défauts résolus en utilisant un algorithme de contour actif statistique polygonal ou CASP. Avantageusement, la phase de caractérisation comporte une étape consistant à calculer des paramètres géométriques et photométriques caractéristiques de chaque défaut. Selon un mode de réalisation, le procédé comporte une phase d'identification consistant classer les défauts en catégories. Avantageusement, le procédé comporte une phase de sélection des défauts à prendre en compte par un utilisateur. Selon un mode de réalisation, le procédé comprend une phase de classification du cuir, permettant d'attribuer un niveau de qualité, en fonction de la position, du type et de la surface des défauts sur le cuir. Avantageusement, les paramètres caractéristiques utilisés dans le calcul du rapport de vraisemblance sont la moyenne et l'écart type. Selon un mode de réalisation, le modèle choisi pour représenter les densités de probabilités de l'intensité des pixels est le modèle Gaussien. Selon un mode de réalisation, le procédé comporte de plus une phase consistant à procéder à une analyse géométrique du cuir pour identifier les zones de qualité et les lignes porteuses sens d'élasticité du cuir. Avantageusement, le procédé comporte de plus une phase consistant à déterminer une segmentation du cuir en régions de teintes homogènes en utilisant algorithme de « Division et Fusion » utilisant un Tetra- arbre. Selon un mode de réalisation, le procédé comprend plusieurs passes dans la phase de détection des défauts circulaires, correspondant à des tailles de fenêtre d'analyse différentes. L'invention a également pour objet un dispositif de cartographie permettant de mettre en œuvre le procédé décrit ci-dessus, comportant des moyens de convoyage des cuirs, permettant d'acheminer celles-ci vers un poste d'acquisition comprenant une caméra numérique ainsi que des moyens d'éclairage, caractérisé en ce que les moyens d'éclairage comprennent une source d'éclairage par transmission à travers la partie des moyens de convoyage constituant le support du cuir et une source d'éclairage par réflexion, l'angle de la direction de la source d'éclairage par réflexion par rapport au plan du cuir étant compris entre 15° et 35°. Selon une possibilité, le dispositif comporte des moyens de calcul permettant un traitement d'image logiciel. Selon une autre possibilité, le dispositif comporte des moyens de calcul électroniques dédiés pour réaliser un traitement d'image. L'invention sera mieux comprise à l'aide de la description qui suit, en référence au dessin schématique annexé représentant une forme d'exécution du dispositif selon l'invention et illustrant le procédé selon l'invention. La figure 1 est une vue de coté d'ensemble schématique du dispositif selon l'invention. La figure 2 est une représentation de l'organigramme du traitement de l'image effectué. La figure 3 représente une image du support et du contour d'un cuir. La figure 4 représente une image identifiant les lignes porteuses des sens de prêtant. La figure 5 représente une image identifiant les zones de qualité du cuir. La figure 6 représente de façon schématique le principe de division en parcelle. La figure 7 représente une structure de donnée en Tetra-arbre. La figure 8 illustre l'algorithme du maximum du rapport de vraisemblance généralisé. Les figures 9 à 12 représentent des formes de fenêtre d'analyse pour un algorithme du maximum du rapport de vraisemblance généralisé linéaire. La figure 13 représente l'évolution de la forme de fenêtre d'analyse pour un algorithme du maximum du rapport de vraisemblance généralisé circulaire. La figure 14 représente des voisinages utilisés dans la détermination de la localisation de défauts résolus circulaires. Les figures 15 à 17 représentent les étapes successives de l'algorithme de contour actif statistique polygonal. La figure 18 est une portion d'une image d'un cuir. La figure 19 est une portion d'une image de probabilité, dans le cadre d'un GLRT linéaire, correspondant au traitement de la portion d'image de figure 18. La figure 20 est une portion d'une image de probabilité, dans le cadre d'un GLRT circulaire, correspondant au traitement de la portion d'image de figure 18 avec un masque pour défaut de grande taille. La figure 21 est une portion d'image représentant des voisinages polygonaux V pour des défauts résolus circulaires de grande taille. La figure 22 est une portion d'image représentant des contours de défauts résolus de grande taille obtenus par un algorithme CASP. La figure 25 est une portion d'image binaire des défauts conservés, correspondant à la portion d'image de figure 18. Le dispositif 2 de cartographie des défauts, représenté sur les figures 1 et 2, comprend trois éléments principaux : le module de convoyage 3, le poste d'acquisition de l'image 4 et des moyens de calculs 5 permettant l'exécution du logiciel de traitement de l'image 6. Le module de convoyage 3 comporte un tapis translucide 7 entraîné sur des rouleaux 8, le parcours de ce tapis 7 formant un premier plan 9 incliné à 45° par rapport à la verticale, puis une portion horizontale 12 séparée du premier plan incliné 9 par un rouleau 8 se trouvant au niveau du bord supérieur du plan 9, cette portion horizontale 12 correspondant à la partie du tapis 7 se trouvant au niveau du poste d'acquisition 4, puis un second plan 10 incliné à 45° par rapport à la verticale, symétrique du premier plan 9 par rapport au poste d'acquisition 4, séparé de la portion horizontale 12 par un rouleau 8 se trouvant au niveau du bord supérieur du plan 10. Le tapis 7 forme un support d'entraînement selon un sens de parcours P pour les cuirs 13 qui peuvent être déposées sur le premier plan incliné 9 puis entraînés vers le poste d'acquisition 4 puis vers le plan 10 ou ils peuvent être déchargés du tapis 7. L'inclinaison des plans 9 et 10 facilite le chargement et le déchargement des cuirs 13, permettant de les visualiser dans un espace réduit. Le tapis 7 est siliconé, afin d'éviter le glissement du cuir 13 sur les plans inclinés 9 et 10. Le poste d'acquisition 4 comporte un feuillard articulé 14 situé au dessus de la portion horizontale 12 du tapis 7 permettant de presser le cuir 13 et de la mettre à plat avant l'acquisition d'une image 16 par une caméra numérique 15 située au dessus de la portion horizontale 12 du tapis 7 en aval du feuillard 14 dans le sens de parcours P et dirigée verticalement vers le bas. Une première source d'éclairage par réflexion 17 du cuir 13, est située au dessus de la portion horizontale 12 du tapis 7, en aval de la caméra 15, émettant une lumière diffuse, dirigée selon un angle θ de 25° par rapport au plan du cuir 13. Cette orientation particulière permet de faire ressortir à la fois les défauts de structure et les défauts d'aspect du cuir 13. La source 17 est capotée par un cache 18 de façon à éviter un éclairage direct de la caméra 15 par cette source 17 et une perturbation de l'image 16 obtenue. Une seconde source d'éclairage par transmission 19 disposée sous le tapis 7 translucide, en regard de la caméra 15, permet de supprimer l'ombre portée et d'augmenter le contraste entre le cuir 13 et le tapis 7 dans l'image 16. Dans ce mode de réalisation, la caméra 15 présente une résolution supérieure à 6.000 pixels et d'un objectif de 35 mm. La caméra 15 capture une image du cuir 13 avec une discrétisation de chaque pixel sur 1.024 niveaux de gris. L'image obtenue est ainsi d'excellente qualité, avec une résolution de 0,24 mm par pixel. Des moyens de contrôles non représentés permettent d'asservir l'entraînement du cuir 13 par le tapis 12 sous la caméra 15 et l'acquisition de l'image 16 par la caméra 15. La caméra 15 est une caméra dite à capteur linéaire et comprend une seule rangée de cellules de capteur correspondant chacune à un pixel disposées perpendiculairement au sens de parcours P. Le déplacement dans le temps du cuir 13 par rapport à cette caméra permet d'obtenir une image 16 à deux dimensions. Une fois l'image 16 obtenue, les traitements suivants sont effectués en plusieurs phases par les moyens de calcul 5 exécutant le logiciel de traitement d'image 6 dont un organigramme est représenté sur la figure 2, afin d'obtenir une cartographie des défauts. Au préalable, une phase de pré-traitement est réalisée, permettant de supprimer les artefacts de l'image 16. En particulier, la caméra 15 à capteur linéaire cause des artefacts apparaissant à l'image sous forme de colonnes perpendiculaires au sens de déplacement du cuir, ces colonnes apparaissant du fait de la différence de sensibilité des capteurs de la caméra 15. Le pré traitement consiste à compenser ces différences de sensibilité. Une estimation de la moyenne par colonne de l'image traitée par une même cellule de capteur est calculée, puis l'ensemble des estimations de la moyenne est regroupé en une courbe à partir de laquelle des points de contrôles d'une courbe de Bézier sont calculés. Puis une transformation linéaire des intensités des pixels de chaque colonne est réalisée, de telle façon que la nouvelle moyenne de la colonne soit identique à celle donnée par la courbe de Bézier. Le pré-traiternent permet également un recadrage de l'image pour centrer l'image obtenue sur le cuir. Les phases a à h du traitement, reprises sur la figure 2, permettant la qualification du cuir sont décrites ci-dessous, ces phases sont les suivantes : - a : analyse géométrique, - b : segmentation en régions de teinte homogène, - c : détection des défauts, - d : localisation des défauts, - e : caractérisation des défauts, - f : identification des défauts, - g : sélection par l'utilisateur, - h : classification, les étapes a à e constituant plus particulièrement une cartographie des défauts. Une portion d'image 16 est représentée sur la figure 18. La première phase a du traitement de l'image 16 est une analyse géométrique du cuir 13 permettant de déterminer les zones de qualités et les lignes porteuses 27 du sens de prêtant. Le sens de prêtant correspond au sens d'élasticité maximale du cuir en un point donné. Les zones de qualité sont les suivantes: • Le croupon 23 • Le collet 24 • La culée 25 • Les flancs 26 La première phase a du traitement de l'image se base sur une analyse géométrique du contour du cuir 13. Dans un premier temps, une image représentée sur la figure 7 du contour fermé et unitaire 28 du cuir 13 est obtenue à partir de l'image du support 29 du cuir, représentée sur la figure 6.
Le support est obtenu par seuillage des valeurs des pixels de l'image 16, cette opération étant facilité par l'éclairage par la source 19 qui accentue le contraste entre le cuir 13 et le tapis 7. Différents points caractéristiques du cuir 13 sont ensuite déterminés, et notamment le centre de gravité 30 du cuir 13, les points extrémaux des pattes 32, 33, 34, 35, les points d'échancrures maximales des flancs 36, 37 ainsi que les points minimaux et maximaux de la culée 38, 39 et du collet 40, 42. Des lois géométriques connues dans l'état de la technique permettent de tracer les frontières des zones de qualité 23, 24, 25, 26 ainsi que les lignes porteuses du sens de prêtant 27 comme représentés sur les figures
5 et 6 à partir de points caractéristiques 30, 32, 33, 34, 35, 36, 37, 38, 39,
40,42 décrits ci-dessus. Les résultats de cette phase a d'analyse géométrique sont : - une image 20, dont un exemple est représentée sur la figure 5, qui regroupe les frontières les différentes zones de qualité du cuir. Cette image 20 des zones de qualité est utile pour déterminer la gravité du défaut car celle-ci dépend de son positionnement sur le cuir, et - une image 22, dont un exemple est représenté sur la figure 5 représente les lignes porteuses 27 des sens de prêtant. L'image 22 est générée par exemple pour le placement automatique des pièces de chaussure. Une pièce de chaussure représenté dans un format informatique provenant d'un logiciel de Conception Assistée par Ordinateur ou CAO comprend l'information du sens de prêtant. Il est donc possible de faire coïncider le sens de prêtant du cuir 13 donné par l'image 22 et celui de la pièce de chaussure. La seconde phase b du traitement de l'image 16 est une segmentation en régions de teinte homogène Rt du cuir 13. Cette étape est une étape facultative destinée par exemple à la découpe de pièces pour une chaussure. Dans ce cas, il est souhaitable de ne pas découper une pièce sur deux régions de teintes différentes. Dans un premier temps, un filtrage de l'image origine 16 par un filtre calculant une moyenne sur un masque, de taille 15 par 15 pixels dans ce mode de réalisation, est réalisé. Cette première étape permet d'atténuer le contraste des petits défauts et n'influence pas le résultat à obtenir car le but de cette étape est la détection de régions Rt de surface étendue. Ces régions Rt présentent entre elles un contraste important, la qualité de l'image 16 obtenue amplifiant ce contraste par rapport à la visualisation humaine. Cette phase b met en œuvre dans Une seconde étape un algorithme de « Division et Fusion » utilisant un Tetra-arbre. Cet algorithme se décompose en deux étapes. La première étape dite de division consiste en un découpage récursif de l'image en parcelles p, et la seconde étape dite de fusion est un processus itératif visant à regrouper ces parcelles p en régions RT ayant des propriétés communes, c'est-à-dire, dans ce mode de mise en œuvre, une teinte voisine. Dans la suite de la description de l'algorithme, une région de l'image lors du processus de division sera appelée parcelle p, et un groupement de parcelles effectué lors de la fusion sera appelé région RT. La division consiste en un découpage récursif de l'image 16 en accord avec un critère d'homogénéité des pixels. Si le critère n'est pas satisfait pour une parcelle p de l'image, celle-ci est alors divisée en quatre sous parties de tailles égales et le critère est à nouveau évalué dans chacune d'elle. Ce processus est répété récursivement jusqu'à ce que toutes les parcelles p vérifient le critère donné. Au départ de la division, le critère est évalué sur l'image entière. La division en parcelles p est représentée sur la figure 6, à une étape donnée de l'algorithme. La parcelle pi satisfaisant au critère d'homogénéité n'est pas divisée au contraire, la parcelle p2 doit être divisée car elle ne satisfait pas au critère. La division amène donc à une représentation des parcelles p obtenues sous la forme d'un Tétra-arbre T, représenté sur la figure 9. Chaque nœud n de l'arbre T possède exactement quatre fils, la racine n0 représentant l'image entière, et les feuilles I représentant les parcelles, de forme carrée ou rectangulaire, ne pouvant plus être subdivisées. Lorsque la division de l'image est terminée, la phase de fusion des parcelles ainsi obtenues est effectuée de la façon suivante. Dans un premier temps, chaque parcelle p est affectée à une région Rτ. Au début de cette phase chaque parcelle représente une région RT. Chaque couple de parcelles p est ensuite considéré. Pour chacun des couples, si les parcelles p n'appartiennent pas à la même région RT, le critère de fusion est évalué sur l'union des deux régions RT auxquelles appartiennent ces deux parcelles p. Si celui-ci est satisfait, les deux régions RT sont fusionnées en une seule. Les deux parcelles p considérées sont maintenant rattachées à cette nouvelle région RT. La fusion est terminée lorsque tous les couples ont été traités. L'algorithme utilise comme critère la moyenne de l'intensité des pixels. Dans le mode de réalisation présenté ici, le seuil de division et de fusion identique et égal à 10 niveaux de gris. Ce seuil devra être paramétrable selon le niveau de qualité souhaité par le client. La dimension minimum en abscisse et en ordonnée est fixée à 5 pixels pour chaque parcelle p d'image. Le résultat de cette phase b est une image 44 faisant apparaître les régions de teinte homogène RT. Cette image est conservée pour une utilisation ultérieure. Le traitement comprend ensuite une phase c sur l'image 16 concernant de façon générale la détection des défauts D regroupant deux phases et c2 concernant respectivement : - ci : la détection des défauts de forme linéaires regroupant les défauts résolus linéaires DL ainsi que les régions de texture altérée RA , les défauts linéaires correspondant notamment à des rides, veines ou défauts physiques de forme linéaire tels que des déchirures ou des cicatrices, les régions de texture altérée RA correspondant par exemple à une altération étendue du cuir due à des rides, un réseau de veines, des frisures ou une concentration de défauts résolus et - c2 : la détection des défauts résolus de forme circulaires ou défauts circulaires Dc, correspondant notamment à des défauts de structure tel que les défauts occasionnés par des parasites comme les poux, la teigne, ou la gale, ou d'origine mécanique comme un trou ou des défauts d'aspect comme des taches. Ces deux phases ci et C2 utilisant des variantes d'un même algorithme du rapport de vraisemblance généralisé ou GLRT, celui-ci est détaillé ci-dessous. Le GLRT ou algorithme du rapport de vraisemblance généralisé permet de mettre en évidence les ruptures de grandeurs statistique présentes dans une image et donc de mettre en évidence les défauts D. Une fenêtre d'analyse F parcours l'image 45, comme représenté sur la figure 8. La fenêtre d'analyse F est divisée en deux régions Ri et R2 de tailles différentes Ni et N2, Ni et N2 représentant le nombre de pixels présents dans chaque région. Soit et l2, deux échantillons de pixels contenus dans chacune des deux régions de la fenêtre, I la réunion de ces deux échantillons. Pour une position de la fenêtre d'analyse F, les deux hypothèses suivantes sont considérées : • Ho : la fenêtre F recouvre une zone homogène. Les paramètres caractéristiques de la texture sont donc les mêmes dans les deux régions Ri et R2 et sont symbolisés par μ. • Hi : la fenêtre F est positionnée sur un défaut D situé dans la région R^ Les paramètres caractéristiques de la texture dans les deux régions Ri et R2 sont donc différents et valent μi et μ2. Les deux décisions correspondantes sont donc: « Ho: il n'y a pas de défaut. • H-i: un défaut est présent. La stratégie dite de Neyman-Person permet de construire la règle de décision optimale, car elle donne la meilleure probabilité de détection pour une probabilité de fausse alarme fixée. Cette règle consiste à comparer le rapport de vraisemblance Λ :
E(/|H0) à un seuil t. dont la valeur est directement liée à une probabilité de fausse alarme tolérée. La décision est prise Ηi si Λ est supérieur à t, et la décision Ho est prise dans le cas contraire. En faisant une hypothèse sur les densités de probabilités des intensités des pixels, on peut expliciter le rapport de vraisemblance Λ. On a en effet
car les régions Ri et R2 sont indépendantes. Plusieurs choix sont possibles pour les densités de probabilités. Le plus adapté pour cette problématique est le modèle Gaussien. Dans ce cas les paramètres caractéristiques pris en compte sont la moyenne et l'écart type. Ainsi μi représente les paramètres d'écart type σι et de moyenne mi sur la première région, μ2 représente les paramètres d'écart type σ2 et de moyenne m2 sur la seconde région et μ représente les paramètres d'écart type σ0 et de moyenne mo sur la fenêtre d'analyse F entière. Il est alors possible d'exprimer les probabilités précédentes en fonction du modèle de densité de probabilité gaussien retenu : Les paramètres caractéristiques mo, σ0, mi, σ-i, m2, σ2, sont inconnus et doivent être remplacés par leurs estimée au sens du maximum de vraisemblance rh0, σ0, m{, σ, , rh2, σ2. Dans ce cas, nous obtenons l'expression suivante: log(Λ) = -Nt logσ -N2 logσ2 2 + N0 logâ2 avec : 1 Nl N, ,-=o 1 A -" 2 ι'=0 N0 1=0 Il est possible en utilisant un calcul de ce rapport de vraisemblance Λ pour une fenêtre F centrée successivement sur chacun des pixels de l'image d'obtenir une image de probabilité 45, donnant pour chaque pixel de l'image la valeur du rapport de vraisemblance Λ. Plus cette valeur est élevée, plus la présence d'un défaut D est probable. Cet algorithme est adapté aux images 16 des cuirs 13 car il permet de traiter des images bruitees. En effet, cet algorithme intègre la notion de bruit dans ses calculs, évitant un filtrage de l'image. Le type de bruit retenu suit une loi gaussienne. Dans ce mode de réalisation, l'algorithme du GLRT est utilisé selon deux variantes décrites ci-dessous : le GLRT linéaire et le GLRT circulaire, ces deux variantes se différenciant principalement par la forme de la fenêtre d'analyse choisie. Le GLRT linéaire est utilisé dans la phase Ci de détection des défauts résolus, défauts résolus linéaires DL OU régions de texture altérée RA .Le GLRT circulaire est utilisé dans la phase c2 de détection des défauts résolus circulaires Dc. Le GLRT linéaire se caractérise par la forme intérieure ou « masque » de la fenêtre d'analyse F qui se décompose, comme représenté sur les figures 9 à 12, en une région centrale R-\ en forme de bande passant par le centre de la fenêtre d'analyse F et orientée d'un angle Ai par rapport à l'axe des abscisses, et deux régions R2' et R2" situées de part et d'autre de la région centrale R-t, R2" et R2" et complétant la fenêtre d'analyse F. Les régions R2" et R2" sont regroupées en une seule région R2 pour calculer la vraisemblance L de la région Ri par rapport à la réunion R2 des régions R2' et R2". Pour chaque position de la fenêtre d'analyse F, plusieurs calculs de vraisemblance L sont effectués en faisant varier l'angle A1 formé par la bande et l'axe des abscisses X en conservant pour chaque position la valeur du rapport de vraisemblance Λ la plus élevée. Dans le mode de réalisation représenté, l'angle A1 varie d'un pas angulaire de 15° entre 0° et 180°. La taille de la fenêtre d'analyse F la mieux adaptée aux défauts des cuirs 13 est une taille de 51 par 51 pixels. Une taille plus faible entraîne une détection du grain du cuir 13 comme un défaut. Une taille plus importante donne des probabilités trop faibles et trop étendues pour un défaut car la réunion des régions R2' et R2" est trop importante et peut englober d'autres défauts du voisinage, diminuant ainsi la différence de statistique entre le défaut et son fond. La largeur choisie de la bande formant la région Ri est de 5 pixels et le pas angulaire est de 15°. Les configurations du masque de la fenêtre d'analyse F sont représentées sur les figures 9 à 12 pour un pas angulaire de 45° et une plage angulaire de 0° à 180°. Pour chaque dimension de la fenêtre d'analyse F, une largeur de bande formant la région Ri permet d'obtenir une détection de la totalité des défauts. Ainsi, pour une dimension de fenêtre d'analyse F donnée, il n'est pas nécessaire de faire varier cette épaisseur. L'algorithme du GLRT linéaire fournit comme résultat : - une image de probabilité 45 telle que défini précédemment, et - un plan d'orientation 46 indiquant, pour chaque pixel de l'image originale 16, la valeur de l'angle A1 du masque ayant donné la valeur du rapport de vraisemblance Λ la plus élevée. - un image de dimensionnement en x 47 donnant pour chacun des pixels une valeur constante correspondant à la largeur de la région R-|. - un image de dimensionnement en y 48 donnant pour chacun des pixels une valeur constante correspondant à l'épaisseur de la bande formant la région Ri. Ces deux dernières images 47, 48 n'apportent pas d'informations supplémentaires qu'une seule valeur, mais permettent d'obtenir un format de résultat homogène entre le GLRT linéaire et le GLRT circulaire. Le GLRT circulaire permet de déterminer la présence en chaque pixel de l'image du cuir 13 d'un défaut de type circulaire Dc. La fenêtre d'analyse F doit présenter une forme intérieure ou masque adaptée à la forme du défaut De. La fenêtre F est donc divisée en une région R-i, rectangulaire et concentrique à la fenêtre d'analyse F, de taille et de dimension variable, et une région R2 complétant la fenêtre d'analyse F. Pour chaque position de la fenêtre F, La région Ri est déformée. En effet, la plus grande valeur du rapport de vraisemblance Λ est obtenue pour un défaut Dc donné, lorsque la région Ri est de dimensions correspondantes aux dimensions du défaut circulaire Dc. La région R- se déforme de façon incrémentale selon des évolutions Ex en x et Ey en x représentées sur la figure 15, x et y représentant les dimensions en abscisse et ordonnée de la région Ri. La région Ri est définie par les paramètres suivants : - La dimension minimum de la région Ri en x et y, - La dimension maximum de la région Ri x et y, Le pas entre deux valeurs de dimension en x ou y de la région R- doit être faible lorsque la région Ri est petite car un défaut Dc de quelques pixels doit avoir une région Ri très proche de sa forme réelle pour obtenir un rapport de vraisemblance Λ optimal. En effet, un défaut Dc de petite taille détecté par un masque mal adapté diminue fortement sa probabilité. De plus, il est probable de trouver plusieurs petits défauts dans une région de grande taille. Dans le cas d'un défaut Dc de grande dimension, une dimension de la région Ri mal adaptée influence moins la probabilité car la taille de l'échantillon I est plus importante. Le pas pour la détection de gros défauts peut donc être plus important. Dans le mode de réalisation présenté ici, trois passes sont donc effectuées pour des dimensions de région R-i petite, moyenne, et grande. Pour chaque passe, le pas possède une valeur différente, petite, moyenne, et grande, toutes ces valeurs étant comprises entre 5 et 10 pixels. La taille maximale de la région Ri est de 130 pixels pour la passe des défauts de grande taille. La fenêtre d'analyse F possède des dimensions égales aux dimensions maximales de la région Ri plus 3 pixels dans cet exemple de réalisation. L'algorithme du GLRT circulaire fournit comme résultat : - une image de probabilité 45 telle que définie précédemment. - un plan d'orientation 46 contenant une valeur constante nulle, non traitée par la suite. - un image de dimensionnement en x 47 donnant pour chacun des pixels de l'image 45 une valeur entière de la dimension en x de la région Ri qui a donné la valeur du rapport de vraisemblance Λ la plus élevée. - un image de dimensionnement en y 48 donnant pour chacun des pixels de l'image 45 une valeur entière de la dimension en y de la région Ri qui a donné la valeur du rapport de vraisemblance Λ la plus élevée. La présence d'un plan d'orientation comme résultat de l'algorithme de GLRT circulaire permet d'obtenir un format de résultat homogène entre le GLRT linéaire et le GLRT circulaire. Les phases Ci et c2 formant la phase c de détection des défauts fournissent donc chacune comme résultat comme décrit ci-dessus : - une image de probabilité 45 - un plan d'orientation 46 - un image de dimensionnement en x 47 - un image de dimensionnement en y 48 A titre d'exemple, les figures 19 et 20 représentent deux portions d'image 45 correspondant au traitement de la portion d'image 16 de figure 18 par respectivement un GLRT linéaire et circulaire utilisé dans les phases Ci et C2. La phase d de localisation des défauts à pour but d'obtenir un voisinage polygonal V entourant les défauts circulaires et linéaires en utilisant les données fournies par l'étape de détection. La phase d de localisation regroupe deux phases di et d2 concernant respectivement : - di : la localisation des défauts de forme linéaire regroupant les défauts résolus linéaires DL ainsi que les régions de texture altérée RA, et - d2 : la localisation des défauts résolus de forme circulaires ou défauts circulaires Dc, La phase d2 de localisation des défauts circulaires Dc,est illustrée sur la figure 14, en se limitant à l'axe X, et décrite ci-dessous. Dans un premier temps, l'image de probabilité 45 est seuillée avec le seuil t fixé par l'utilisateur pour obtenir une image binaire regroupant des amas de vraisemblance supérieur au seuil, c'est-à-dire l'ensemble des points de l'image 45 présentant un rapport de vraisemblance Λ supérieure au seuil. Un maximum local M du rapport de vraisemblance Λ par amas est déterminé. Un voisinage V autour de ce maximum local est défini dont les dimensions en x et y sont déterminées en utilisant les valeurs correspondant à la position du maximum dans les images de dimensionnement 47, 48 en x et y. Si une partie de l'amas se trouve à l'extérieur du voisinage V ainsi défini, un second maximum local M du rapport de vraisemblance Λ est recherché dans la partie résiduelle de l'amas, puis entouré lui aussi d'un voisinage V dont les dimensions en x et y sont déterminé en utilisant les valeurs correspondant à la position du second maximum M dans les images de dimensionnement 47, 48 en x et y. Cette approche permet d'isoler les défauts circulaires Dc de taille importante sous forme d'un seul défaut circulaire Dc, et de bien isoler deux défauts De de petite taille proche l'un de l'autre comme représenté sur la figure 16. Le voisinage rectangulaire V englobant centré sur chaque maximum M et ayant pour dimension les valeurs présente dans les plans de dimensionnement x et y est ensuite tracé. La phase di est similaire à la phase d2, toutefois dans ce cas le voisinage polygonal V est constitué initialement par un rectangle dont les dimensions, donnée par les plans de dimensionnement, correspondent aux dimensions de la région Ri de la fenêtre d'analyse F de la phase ci . De plus, ce voisinage rectangulaire V est orienté en utilisant la valeur du plan d'orientation pour le point correspondant au maximum de probabilité. De plus la phase di comprend une étape de fusion permettant de fusionner les voisinages rectangulaires V proches. Cette étape de fusion consiste à faire parcourir le contour d'un voisinage V par une forme circulaire de diamètre fixe, et à fusionner les voisinages V atteints par cette forme avec le voisinage V dont la forme circulaire parcourt le contour. Cette opération est répétée pour chaque voisinage V et permet ainsi de déterminer des voisinages polygonaux V. Si un voisinage polygonal V après l'étape de fusion est de taille supérieure à un seuil fixé par l'utilisateur, ce voisinage constitue une région de texture altérée RA. Dans le cas contraire, ce voisinage V est considéré comme entourant un défaut linéaire résolu D . Les résultats des phases di et d2sont donc : - un ensemble 49 de voisinages polygonaux V entourant les défauts résolus DR, linéaires DL OU circulaires De. - un ensemble 50 de régions de texture altérée RA. La phase e du traitement de l'image consiste en une caractérisation des défauts résolus DR. Cette phase comprend : - une première étape permettant d'obtenir la forme précise du contour C de chaque défaut résolu DR, que ce défaut soit un défaut résolu linéaire D OU circulaire Dc.et - une seconde étape de calcul des paramètres photométriques et géométriques caractéristiques de chaque défaut résolu DR. Dans la première étape, pour obtenir un contour précis C des défauts résolus DR, un algorithme de contour actif statistique polygonal ou CASP est utilisé. Les paramètres d'entrée de cet algorithme sont une image contenant le défaut DR et un contour C initialisé par le voisinage V. Le CASP permet de déformer ce contour C pour obtenir la forme précise du contour C du défaut DR. Afin de réduire le temps de calcul, l'algorithme CASP n'est utilisé dans ce mode de réalisation, que pour les défauts Dc de taille importante. En effet, il n'est pas utile d'obtenir la forme précise d'un défaut De de petite taille. Si ce défaut De est de 4 pixels et que le voisinage rectangulaire V englobant l'entoure parfaitement au sens large, l'approximation du contour par le voisinage rectangulaire V occasionne un perte négligeable de 2 ou 3 pixels soit environ 1mm2 du cuir 13. Le principe du CASP, illustré sur les figures 15 à 17, est de minimiser l'énergie en partant d'un contour initial formé de 4 nœuds K correspondant aux sommets du voisinage rectangulaire V. Les nœuds K sont déplacés soit aléatoirement soit dans un ordre déterminé d'un pas réglable sur l'amplitude des déformations de 1 à 15 pixels, puis l'énergie est calculée. Tant que l'énergie diminue, les nœuds K sont déplacés et l'énergie calculée à nouveau. Si celle-ci devient constante ou qu'elle augmente l'itération précédente fournit la meilleure segmentation possible du contour C du défaut DR. L'énergie calculée dans ce type de contour actif est une fonction des paramètres statistiques de l'image, ici la variance et la moyenne. Dans un premier temps, le CASP est appliqué sur un contour initial composé que de quatre nœuds K. Le CASP détermine un contour C plus proche du défaut mais composé que de 4 nœuds K donc de forme imprécise. 15 nœuds K sont ensuite ajoutés pour que la forme du contour C puisse s'affiner. L'algorithme CASP est réitéré pour obtenir une forme plus précise du contour C. Cette approche en plusieurs étapes permet d'accélérer le temps de calcul car l'ajout de 15 nœuds K dès la première étape pour un contour C initial éloigné du défaut DR réel impliquerait le déplacement de 19 nœuds K sur des distances importantes et donc nécessiterait un temps de calcul bien supérieur. Dans l'approche choisie, l'étape de rapprochement du contour n'est réalisée que sur 4 nœuds K et les 15 noeuds K rajoutés se déplacent que sur des distances faibles. Dans la seconde étape de la phase e, les paramètres calculés pour chaque défaut résolu DR sont : - des paramètres géométriques, notamment la position du centre de gravité du défaut, circularité, surface totale du défaut, surfaces des défauts comprises dans les différentes zones de qualité, périmètre, élongation, étirement, moyenne et variance de l'orientation des défauts linéaires, - des paramètres photométriques, notamment la moyenne, variance et le contraste local, et - des paramètres extraits des algorithmes GLRT ayant mis le défaut en évidence. Le résultat de la phase e est un ensemble 49 des défauts résolus DR, contenant les informations relatives à leur contour C et les paramètres associés. A titre d'exemple, la figure 22 représente une portion d'image comportant des contours C obtenus par algorithme CASP entourant des défauts résolus de grande taille. La phase suivante f est une phase d'identification du défaut. Le but de cette phase est d'attribuer à chaque défaut D une catégorie définie, une zone de qualité et un niveau de visibilité. Dans ce mode de réalisation, les catégories définies sont au nombre de trois : - ride, - veine, et - défauts physiques. Cette dernière catégorie regroupe tous les défauts de structure provoquant une altération de la fleur et les défauts d'aspects. La catégorie d'un défaut est déterminée selon des bornes minimum et maximum d'un jeu de paramètre, constitué des paramètres calculés pour chaque défaut dans la phase précédente. La zone de qualité 23, 24, 25, 26, auquel le défaut appartient est déterminée à partie de la position du défaut sur le support. La visibilité est déterminée grâce au paramètre de contraste défini dans la phase e pour chaque défaut D. Le résultat de cette phase f, est une attribution à chaque défaut d'une catégorie, d'une zone de qualité et d'un niveau de visibilité. La phase g facultative consiste en une sélection par l'utilisateur des défauts D à conserver dans la phase ultérieure. Dans ce mode de réalisation, cette sélection peut être réalisée par l'utilisateur aux moyens de fonctions de tri des défauts sur la base de leur catégorie, de leur visibilité et de leur surface. Le résultat de la phase f est un ensemble 52 de défauts à prendre en compte. La phase h consiste en une classification des défauts présents en catégorie : - ride, - veine, et - défauts physiques, et en position dans une zone de qualité : - croupon 23, - collet 24, - culée 25, et - flancs 26. Le nombre, la surface et le pourcentage de défauts présent sur chaque partie est également calculé. L'utilisateur peut renseigner un tableau définissant les critères de tri définissant le niveau de qualité ou choix du cuir. Par exemple un choix 1 , de meilleure qualité, est défini par un nombre maximum de défaut de chaque catégorie par zone de qualité. A partir de toutes ces données, le système attribut un choix ou niveau de qualité au cuir 13. Le résultat de cette phase g est donc l'attribution d'un niveau de qualité à la peau, ainsi qu'une image des défauts conservés, cette image pouvant être utilisée pour une phase ultérieure de découpe, en tant qu'image binaire 53. A titre d'exemple, la figure 23 représente une portion d'image 53 correspondant à une portion d'image 16 de figure 18. Certaines phases du traitement de l'image 13 sont optionnelles selon l'utilisation recherchée. Par exemple, chez le tanneur, lors d'une cartographie des défauts du cuir 13 au stade wet-blue, la segmentation en régions de teinte homogène Rτ n'est pas à réaliser car la non homogénéité de teinte au niveau wet-blue n'a pas forcément d'influence au stade de cuir fini. De plus, le niveau de qualité souhaité par l'utilisateur ne tient pas forcément compte des régions de teinte homogène RT. La phase b peut donc être supprimée dans ce cas. Selon le type d'article réalisé et le type de peau utilisée, le sens de prêtant n'a pas forcément d'influence. La phase a peut être simplifiée dans ce cas. Il doit être noté que les phases a à h ne se suivent pas nécessairement de façon séquentielle. En particulier, les phases di et d2 de détection des défauts D sont réalisée en plusieurs passes, une passe pour la détection des défauts linéaires, et trois passes pour la détection des défauts circulaire, correspondant à des tailles de fenêtre d'analyse F différentes, en commençant par une taille de fenêtre d'analyse F importante et en diminuant cette taille. Les phases d de localisation et e de détermination du contour C doivent être réalisées entre chaque passe pour permettre de supprimer les défauts D détectés du support de l'image avant de réaliser une seconde passe, afin de ne pas détecter deux fois le même défaut D. Le voisinage rectangulaire V n'est pas utilisable pour supprimer le défaut de l'image, car le défaut DR peut être partiellement à l'extérieur du voisinage V. Ainsi la séquence peut être, pour une image 13 : - phase a, - phase b, - phase c2 de détection des défauts circulaires, pour une passe concernant les défauts de grande taille, - phase d2 de localisation des défauts circulaires Dc, - phase e de caractérisation, permettant d'obtenir un contour précis pour chaque défaut Dc, puis suppression de ce défaut du support dans l'image 13, - phase c, de détection des défauts linéaires, passe unique - phase d, de localisation des défauts linaires, - phase e de caractérisation des défauts, permettant d'obtenir un contact précis pour chaque défaut D2, suppression des défauts linéaires et des zones de texture altérée R-i du support 29 de l'image 13, - phase c2 de détection des défauts circulaires, pour une passe concernant les défauts de taille moyenne, - phase d2, - phase e, puis suppression des défauts Dc de taille moyenne du support 29, - phase c2, pour la passe concernant les défauts Dc de petite taille - phase d2, - phase e, à ce stade, tous les défauts sont Isolés de façon efficace, la cartographie est terminée, phase f , - phase g, phase h. Selon un autre mode de réalisation, le traitement de l'image peut être effectué, en suivant le même procédé, non par un logiciel de traitement d'image 6, mais par une carte électronique dédiée selon une technique connue par ailleurs. Ce second mode de réalisation permet de diminuer le temps de calcul nécessaire pour opérer le traitement. Pour la détection des défauts D au niveau du wet-blue, le dispositif sera complété par l'ajout d'un révélateur chimique, augmentant le contraste des défauts provoquant une détérioration de la fleur. Les écarts d'humidité du cuir au stade du wet-blue génèrent de grosses variations de teintes et près de 20 % des défauts ne sont pas visibles à ce stade par un trieur comme les poils jarreux ou les piqûres de poux. L'ajout d'un révélateur chimique facilite la détection automatique de défauts D de fleur ouverte en améliorant significativement leur contraste. Les pigments bleus ne se fixent que sur les parties ou la fleur est plus ou moins altérée. La coloration disparaît ensuite rapidement d'elle-même, le pH du cuir étant acide à ce stade. La configuration du dispositif 2 est modifiable en fonction du secteur choisi, ce secteur pouvant être la tannerie-mégisserie ou les fabricants de chaussure ou maroquiniers. Ainsi, le poste d'acquisition en tannerie est positionnable en entrée ou en sortie d'essoreuse. Avant essorage, le cuir est humide, son poids est important et la mise à plat n'est pas optimale. Cependant, la teinte est homogène et permet une meilleure identification des défauts D. Après l'essoreuse, le cuir est mis à plat, les plis ont été écrasés et les régions de teintes sont différentes selon l'épaisseur du cuir. La détection est moins performante. Lors d'une utilisation pour la maroquinerie ou la fabrication de chaussures ou en ameublement ou en automobile, le poste d'acquisition 4 peut-être déporté par rapport à la ligne de production, ou s'intégrer au sein même des installations de découpe. Dans ce dernier cas, l'inclinaison des plans du tapis 7 peuvent varier pour une intégration au sein des installations de découpe. L'invention ne se limite pas à la forme d'exécution décrite, elle en embrasse au contraire toutes les variantes. C'est ainsi notamment que l'angle d'éclairage θ des cuirs 13 peut varier.

Claims

REVENDICATIONS 1. Procédé de qualification d'un cuir (13) utilisant une cartographie des défauts (D) du cuir (13), mettant en œuvre un dispositif (2) de cartographie, comportant des moyens d'acquisition d'une image numérique (16) du cuir (13), et un traitement de l'image (16) obtenue comportant au moins une phase (ci, c2) consistant à appliquer sur l'image (16) du cuir (13), après d'éventuelles étapes préalables, un algorithme statistique du rapport de vraisemblance généralisé ou GLRT, permettant de calculer, dans une fenêtre d'analyse (F) centrée sur un pixel donné de l'image (16) et comprenant un masque à au moins deux régions (R-i, R2), le rapport de vraisemblance (Λ) de la présence d'un défaut (D) dans une première région (R-i) par rapport à une seconde région (R ) et d'obtenir ainsi une image de probabilité (45) indiquant pour chaque pixel la valeur de ce rapport de vraisemblance (Λ). 2. Procédé selon la revendication 1, caractérisé en ce qu'il comporte une phase (c- de détection des défauts de type linéaires (DL, RA), et une phase (c2) de détection des défauts de type circulaires (De). 3. Procédé selon la revendication 2, caractérisé en ce que la phase (ci) de détection des défauts linéaires (D , RA) utilise un algorithme statistique du rapport de vraisemblance généralisé ou GLRT dans sa forme linéaire, c'est-à-dire en utilisant une forme de masque pour la fenêtre d'analyse (F) comportant une région centrale (R-i) en forme de bande passant par le centre de la fenêtre d'analyse (F) et orientée d'un angle (A-i) par rapport à l'axe des abscisses, et deux régions latérales (R2') et (R2") situées de part et d'autre de région centrale (Ri), les deux régions latérales (R2') et (R2") complétant la fenêtre d'analyse (F), en réalisant plusieurs calculs du rapport de vraisemblance (Λ) selon plusieurs valeurs de l'angle (A1) et en conservant pour chaque pixel : - la valeur la plus importante du rapport de vraisemblance (Λ) dans une image de probabilité (45) et, - la valeur de l'angle (A1) ayant donné la valeur la plus importante du rapport de vraisemblance (Λ) dans un plan d'orientation (46). 4. Procédé selon l'une des revendications 2 et 3, caractérisé en ce que la phase (c2) de détection des défauts circulaires (De) utilise un algorithme statistique du rapport de vraisemblance généralisé ou GLRT dans sa forme circulaire, c'est-à-dire en utilisant une forme de masque pour la fenêtre d'analyse (F) comportant une région centrale (R-i) concentrique avec la fenêtre d'analyse (F), de forme rectangulaire et une région (R2) complétant la fenêtre d'analyse (F), en réalisant plusieurs calculs du rapport de vraisemblance (Λ) en déformant la région centrale (Ri) pour augmenter sa taille, dans la direction des abscisses et des ordonnées en conservant pour chaque pixel : - la valeur la plus importante du rapport de vraisemblance (Λ) dans une image de probabilité (45), et - les dimensions en abscisse et en ordonnée de la région centrale (R-i) ayant donné la valeur la plus importante du rapport de vraisemblance (Λ) stockées respectivement dans deux images de dimensionnement (47, 48) en abscisse et en ordonnée. 5. Procédé selon l'une des revendications 3 et 4, caractérisé en ce qu'il comporte une phase (d2) de localisation des défauts circulaires (De), comprenant les étapes consistant à : - rechercher des maximaux locaux (M) du rapport de vraisemblance (Λ) dans les amas ou ensembles des points de l'image 45 présentant un rapport de vraisemblance (Λ) supérieure à une valeur seuil (t), - définir un voisinage (V) autour de ce maximum local (M) dont les dimensions en abscisse (x) et en ordonnée (y) sont déterminées en utilisant des valeurs provenant d'une phase de détection (c-t, c2) et - rechercher un second maximum local (M) du rapport de vraisemblance (Λ) dans la partie résiduelle de l'amas, si une partie de l'amas se trouve à l'extérieur du voisinage (V) ainsi défini, - un voisinage (V) étant également défini autour de ce second amas dont les dimensions en abscisse (x) et en ordonnée (y) sont déterminées en utilisant valeurs provenant d'une phase de détection (c-i, C2). 6. Procédé selon la revendication 5, caractérisé en ce que les valeurs provenant d'une phase de détection (ci, c2) permettant de déterminer les dimensions en abscisse (x) et en ordonnée (y) d'un voisinage (V) autour de ce maximum local (M) sont les valeurs correspondant à la position du maximum (M) dans les images de dimensionnement (47, 48). 7. Procédé selon l'une des revendications 3 à 6, caractérisé en ce qu'il comporte une phase (d-i) de localisation des défauts linaires (DL RA), comprenant les étapes consistant à : - rechercher des maximaux locaux (M) du rapport de vraisemblance (Λ) dans les amas ou ensembles des points de l'image 45 présentant un rapport de vraisemblance (Λ) supérieure à une valeur seuil (t), - définir un voisinage (V) autour de ce maximum local (M) dont les dimensions correspondent à celles de la région (Ri) de la phase (di), ce voisinage (V) étant orienté en utilisant la valeur correspondant à la position du maximum (M) dans le plan de d'orientation (46) et, - rechercher un second maximum local (M) du rapport de vraisemblance (Λ) dans la partie résiduelle de l'amas, si une partie de l'amas se trouve à l'extérieur du voisinage (V) ainsi défini, - un voisinage (V) étant également défini autour de ce second amas dont les dimensions correspondent à celles de la région (Ri) de la phase (ci), ce voisinage (V) étant orienté en utilisant la valeur correspondant à la position du maximum (M) dans le plan de d'orientation (46). 8. Procédé selon la revendication 7, caractérisé en ce que la phase (d-i) de localisation des défauts linaires (DL RA) comporte également une étape consistant à fusionner les voisinages V proches, et à isoler les voisinages V de surface supérieure à un seuil donné comme région de texture altérée (RA). 9. Procédé selon l'une des revendications 1 à 8, caractérisé en ce qu'il comporte une phase (e) de caractérisation comprenant une étape consistant à réaliser une détermination de la forme précise du contour (C) des défauts résolus (DR) en utilisant un algorithme de contour actif statistique polygonal ou CASP. 10. Procédé selon la revendication 9, caractérisé en ce que la phase (e) de caractérisation comporte une étape consistant à calculer des paramètres géométriques et photométriques caractéristiques de chaque défaut (D). 11. Procédé selon l'une des revendications 1 à 10, caractérisé en ce qu'il comporte une phase (f) d'identification consistant classer les défauts (D) en catégories. 12. Procédé selon l'une des revendications 1 à 11 , caractérisé en ce qu'il comporte une phase (g) de sélection des défauts (D) à prendre en compte par un utilisateur. 13. Procédé selon l'une des revendications 1 à 12, caractérisé en ce qu'il comprend une phase (h) de classification du cuir, permettant d'attribuer un niveau de qualité, en fonction de la position, du type et de la surface des défauts (D) sur le cuir (13). 14. Procédé selon l'une des revendications 1 à 13, caractérisé en ce que les paramètres caractéristiques utilisés dans le calcul du rapport de vraisemblance (Λ) sont la moyenne (m) et l'écart type (σ). 15. Procédé selon l'une des revendications 1 à 14, caractérisé en ce que le modèle choisi pour représenter les densités de probabilités de l'intensité des pixels est le modèle Gaussien. 16. Procédé selon l'une des revendications 1 à 15, caractérisé en ce qu'il comporte de plus une phase (a) consistant à procéder à une analyse géométrique du cuir (13) pour identifier les zones de qualité (23, 24, 25, 26) et les lignes porteuses (27) sens d'élasticité du cuir. 17. Procédé selon les revendications 1 à 16, caractérisé en ce qu'il comporte de plus une phase (b) consistant à déterminer une segmentation du cuir en régions de teintes homogènes (RT) en utilisant algorithme de « Division et Fusion » utilisant un Tetra-arbre (T). 18. Procédé selon l'une des revendications 2 à 17, caractérisé en ce qu'il comprend plusieurs passes dans la phase (C2) de détection des défauts circulaires, correspondant à des tailles de fenêtre d'analyse (F) différentes. 19. Dispositif de cartographie (2) permettant de mettre en œuvre le procédé selon l'une des revendications 1 à 18 comportant des moyens de convoyage (7, 8) des cuirs (13), permettant d'acheminer celles-ci vers un poste d'acquisition (4) comprenant une caméra numérique (15) ainsi que des moyens d'éclairage, caractérisé en ce que les moyens d'éclairage comprennent une source d'éclairage par transmission (19) à travers la partie des moyens de convoyage constituant le support du cuir (13) et une source d'éclairage par réflexion (17), l'angle (θ) de la direction de la source d'éclairage par réflexion (17) par rapport au plan du cuir (13) étant compris entre 15° et 35°. 20. Dispositif selon la revendication 19, caractérisé en ce qu'il comporte des moyens de calcul (5) permettant un traitement d'image logiciel. 21. Dispositif selon l'une des revendications 19 et 20, caractérisé en ce qu'il comporte des moyens de calcul électroniques dédiés pour réaliser un traitement d'image.
EP04816489A 2003-12-26 2004-12-23 Procede de cartographie des defauts sur un cuir Withdrawn EP1697896A2 (fr)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR0315464A FR2864668B1 (fr) 2003-12-26 2003-12-26 Procede de cartographie des defauts sur un cuir
PCT/FR2004/003377 WO2005069220A2 (fr) 2003-12-26 2004-12-23 Procede de cartographie des defauts sur un cuir

Publications (1)

Publication Number Publication Date
EP1697896A2 true EP1697896A2 (fr) 2006-09-06

Family

ID=34639639

Family Applications (1)

Application Number Title Priority Date Filing Date
EP04816489A Withdrawn EP1697896A2 (fr) 2003-12-26 2004-12-23 Procede de cartographie des defauts sur un cuir

Country Status (3)

Country Link
EP (1) EP1697896A2 (fr)
FR (1) FR2864668B1 (fr)
WO (1) WO2005069220A2 (fr)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107516310A (zh) * 2017-07-13 2017-12-26 法视特（上海）图像科技有限公司 一种口罩视觉污点检查及排废方法

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AT509382B1 (de) 2010-01-18 2011-12-15 Wollsdorf Leder Schmidt & Co Gmbh Prüfeinrichtung zur bestimmung der qualität von leder
WO2012060726A1 (fr) 2010-11-04 2012-05-10 Couro Azul - Indústria E Comércio De Couros, Sa Procédé pour détecter des défauts dans du cuir
CN102249086B (zh) * 2011-03-25 2013-01-30 江苏连港皮革机械有限公司 皮革分拣系统及其使用方法
US10297018B2 (en) * 2017-07-14 2019-05-21 Lear Corporation Method of digitally grading leather break

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE4216469A1 (de) * 1992-05-19 1993-11-25 Diehl Gmbh & Co Einrichtung zum Klassifizieren von Fehlern in Häuten

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See references of WO2005069220A3 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107516310A (zh) * 2017-07-13 2017-12-26 法视特（上海）图像科技有限公司 一种口罩视觉污点检查及排废方法
CN107516310B (zh) * 2017-07-13 2020-11-10 法视特（上海）图像科技有限公司 一种口罩视觉污点检查及排废方法

Also Published As

Publication number Publication date
FR2864668A1 (fr) 2005-07-01
WO2005069220A3 (fr) 2006-10-12
FR2864668B1 (fr) 2006-05-26
WO2005069220A2 (fr) 2005-07-28

Similar Documents

Publication Publication Date Title
CN114359270B (zh) 基于计算机视觉的汽车发动机油路铜套缺陷检测方法
Bennedsen et al. Performance of a system for apple surface defect identification in near-infrared images
Mehra et al. Maturity and disease detection in tomato using computer vision
CN111667455B (zh) 一种刷具多种缺陷的ai检测方法
EP3234913B1 (fr) Procede de detection de defaut sur une surface de pneumatique
CN115082683A (zh) 一种基于图像处理的注塑缺陷检测方法
KR101800058B1 (ko) 웨브-기반의 재료 내의 불균일성의 고속 처리 및 검출
EP1298588A1 (fr) Procédé de traitement d'images pour l'extraction automatique d'éléments sémantiques
CN111179263B (zh) 一种工业图像表面缺陷检测模型、方法、系统及装置
US10726535B2 (en) Automatically generating image datasets for use in image recognition and detection
Bandara et al. Automated fabric defect detection
CN113034476A (zh) 皮革瑕疵检测方法、系统、储存介质及计算机设备
TW202403603A (zh) 用於偵測在晶圓之成像資料集中的異常的電腦實施方法與使用此方法的系統
EP1697896A2 (fr) Procede de cartographie des defauts sur un cuir
WO2015132531A1 (fr) Procede d'analyse d'echantillons sedimentaires avec reconnaissance automatique de nannofossiles
Villar et al. A new approach for wet blue leather defect segmentation
CN112669300A (zh) 瑕疵检测方法及装置、计算机设备和存储介质
Kim et al. Automatic crack detection for concrete infrastructures using image processing and deep learning
WO1995016247A1 (fr) Systeme de surveillance automatique
Rezaei et al. Detecting sunburn in pomegranates using machine vision
Hassoon Classification and Diseases Identification of Mango Based on Artificial Intelligence: A Review
CN114612415A (zh) 基于深度残差网络与多通道图像融合的表面缺陷分类方法
Aleksi et al. Features extraction and texture defect detection of sawn wooden board images
CA2997335C (fr) Generation automatique d'ensembles de donnees image destinee a la reconnaissance et la detection d'image
WO2017005930A1 (fr) Détection d'objets par traitement d'images

Legal Events

Date Code Title Description
PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

17P Request for examination filed

Effective date: 20060703

AK Designated contracting states

Kind code of ref document: A2

Designated state(s): AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HU IE IS IT LI LT LU MC NL PL PT RO SE SI SK TR

AX Request for extension of the european patent

Extension state: AL BA HR LV MK YU

PUAK Availability of information related to the publication of the international search report

Free format text: ORIGINAL CODE: 0009015

RIC1 Information provided on ipc code assigned before grant

Ipc: G01N 33/44 20060101AFI20061025BHEP

Ipc: G06T 7/00 20060101ALI20061025BHEP

RIN1 Information on inventor provided before grant (corrected)

Inventor name: VIGIER, CEDRIC

Inventor name: DARRAGON, JEROME

17Q First examination report despatched

Effective date: 20070117

DAX Request for extension of the european patent (deleted)
GRAP Despatch of communication of intention to grant a patent

Free format text: ORIGINAL CODE: EPIDOSNIGR1

INTG Intention to grant announced

Effective date: 20160713

RAP1 Party data changed (applicant data changed or rights of an application transferred)

Owner name: CENTRE TECHNIQUE CUIR CHAUSSURE MAROQUINERIE

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE APPLICATION IS DEEMED TO BE WITHDRAWN

18D Application deemed to be withdrawn

Effective date: 20161124