EP4232224A1 - Procédé de détection de défauts lors d'une fabrication additive par laser, dispositif de traitement de données, programme d'ordinateur et support de stockage pour la mise en oeuvre du procédé - Google Patents

Procédé de détection de défauts lors d'une fabrication additive par laser, dispositif de traitement de données, programme d'ordinateur et support de stockage pour la mise en oeuvre du procédé

Info

Publication number
EP4232224A1
EP4232224A1 EP21811115.1A EP21811115A EP4232224A1 EP 4232224 A1 EP4232224 A1 EP 4232224A1 EP 21811115 A EP21811115 A EP 21811115A EP 4232224 A1 EP4232224 A1 EP 4232224A1
Authority
EP
European Patent Office
Prior art keywords
image
neural network
input
during
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.)
Pending
Application number
EP21811115.1A
Other languages
German (de)
English (en)
Inventor
André CHANDELLE
Guillaume REDOULES
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.)
ArianeGroup SAS
Original Assignee
ArianeGroup SAS
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 ArianeGroup SAS filed Critical ArianeGroup SAS
Publication of EP4232224A1 publication Critical patent/EP4232224A1/fr
Pending legal-status Critical Current

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B22—CASTING; POWDER METALLURGY
    • B22F—WORKING METALLIC POWDER; MANUFACTURE OF ARTICLES FROM METALLIC POWDER; MAKING METALLIC POWDER; APPARATUS OR DEVICES SPECIALLY ADAPTED FOR METALLIC POWDER
    • B22F10/00—Additive manufacturing of workpieces or articles from metallic powder
    • B22F10/80—Data acquisition or data processing
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B22—CASTING; POWDER METALLURGY
    • B22F—WORKING METALLIC POWDER; MANUFACTURE OF ARTICLES FROM METALLIC POWDER; MAKING METALLIC POWDER; APPARATUS OR DEVICES SPECIALLY ADAPTED FOR METALLIC POWDER
    • B22F10/00—Additive manufacturing of workpieces or articles from metallic powder
    • B22F10/20—Direct sintering or melting
    • B22F10/28—Powder bed fusion, e.g. selective laser melting [SLM] or electron beam melting [EBM]
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B22—CASTING; POWDER METALLURGY
    • B22F—WORKING METALLIC POWDER; MANUFACTURE OF ARTICLES FROM METALLIC POWDER; MAKING METALLIC POWDER; APPARATUS OR DEVICES SPECIALLY ADAPTED FOR METALLIC POWDER
    • B22F10/00—Additive manufacturing of workpieces or articles from metallic powder
    • B22F10/80—Data acquisition or data processing
    • B22F10/85—Data acquisition or data processing for controlling or regulating additive manufacturing processes
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B22—CASTING; POWDER METALLURGY
    • B22F—WORKING METALLIC POWDER; MANUFACTURE OF ARTICLES FROM METALLIC POWDER; MAKING METALLIC POWDER; APPARATUS OR DEVICES SPECIALLY ADAPTED FOR METALLIC POWDER
    • B22F12/00—Apparatus or devices specially adapted for additive manufacturing; Auxiliary means for additive manufacturing; Combinations of additive manufacturing apparatus or devices with other processing apparatus or devices
    • B22F12/90—Means for process control, e.g. cameras or sensors
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
    • B23K26/00—Working by laser beam, e.g. welding, cutting or boring
    • B23K26/02—Positioning or observing the workpiece, e.g. with respect to the point of impact; Aligning, aiming or focusing the laser beam
    • B23K26/03—Observing, e.g. monitoring, the workpiece
    • B23K26/034—Observing the temperature of the workpiece
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
    • B23K26/00—Working by laser beam, e.g. welding, cutting or boring
    • B23K26/34—Laser welding for purposes other than joining
    • B23K26/342—Build-up welding
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
    • B23K31/00—Processes relevant to this subclass, specially adapted for particular articles or purposes, but not covered by any single one of main groups B23K1/00 - B23K28/00
    • B23K31/12—Processes relevant to this subclass, specially adapted for particular articles or purposes, but not covered by any single one of main groups B23K1/00 - B23K28/00 relating to investigating the properties, e.g. the weldability, of materials
    • B23K31/125—Weld quality monitoring
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
    • B29C64/00—Additive manufacturing, i.e. manufacturing of three-dimensional [3D] objects by additive deposition, additive agglomeration or additive layering, e.g. by 3D printing, stereolithography or selective laser sintering
    • B29C64/10—Processes of additive manufacturing
    • B29C64/141—Processes of additive manufacturing using only solid materials
    • B29C64/153—Processes of additive manufacturing using only solid materials using layers of powder being selectively joined, e.g. by selective laser sintering or melting
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
    • B29C64/00—Additive manufacturing, i.e. manufacturing of three-dimensional [3D] objects by additive deposition, additive agglomeration or additive layering, e.g. by 3D printing, stereolithography or selective laser sintering
    • B29C64/30—Auxiliary operations or equipment
    • B29C64/386—Data acquisition or data processing for additive manufacturing
    • B29C64/393—Data acquisition or data processing for additive manufacturing for controlling or regulating additive manufacturing processes
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B33—ADDITIVE MANUFACTURING TECHNOLOGY
    • B33Y—ADDITIVE MANUFACTURING, i.e. MANUFACTURING OF THREE-DIMENSIONAL [3D] OBJECTS BY ADDITIVE DEPOSITION, ADDITIVE AGGLOMERATION OR ADDITIVE LAYERING, e.g. BY 3D PRINTING, STEREOLITHOGRAPHY OR SELECTIVE LASER SINTERING
    • B33Y50/00—Data acquisition or data processing for additive manufacturing
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/0985—Hyperparameter optimisation; Meta-learning; Learning-to-learn
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B33—ADDITIVE MANUFACTURING TECHNOLOGY
    • B33Y—ADDITIVE MANUFACTURING, i.e. MANUFACTURING OF THREE-DIMENSIONAL [3D] OBJECTS BY ADDITIVE DEPOSITION, ADDITIVE AGGLOMERATION OR ADDITIVE LAYERING, e.g. BY 3D PRINTING, STEREOLITHOGRAPHY OR SELECTIVE LASER SINTERING
    • B33Y10/00—Processes of additive manufacturing
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B33—ADDITIVE MANUFACTURING TECHNOLOGY
    • B33Y—ADDITIVE MANUFACTURING, i.e. MANUFACTURING OF THREE-DIMENSIONAL [3D] OBJECTS BY ADDITIVE DEPOSITION, ADDITIVE AGGLOMERATION OR ADDITIVE LAYERING, e.g. BY 3D PRINTING, STEREOLITHOGRAPHY OR SELECTIVE LASER SINTERING
    • B33Y30/00—Apparatus for additive manufacturing; Details thereof or accessories therefor
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10048—Infrared image
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06T2207/30164—Workpiece; Machine component
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P10/00—Technologies related to metal processing
    • Y02P10/25—Process efficiency

Definitions

  • the invention relates to the field of quality control processes in manufacturing, in the specific case of manufacturing by laser additive manufacturing.
  • Figure 1 schematically shows a manufacturing process by selective melting of powders.
  • This method is implemented using a machine 100 for manufacturing by selective melting of powders (in this case, metal powders).
  • the machine 100 comprises a manufacturing plate 110, on which the part to be manufactured 120 will be manufactured layer by layer, a powder reserve plate 130 and a laser source 140.
  • the plates 110 and 130 include actuators 112 and 132 which can be controlled so as to control the height position of each of the trays.
  • the machine 100 further comprises a controllable mirror 150, and a control unit 160, configured to control the orientation of the mirror and the height of the plates 110 and 130.
  • Manufacturing a part consists of successively manufacturing the part, layer by layer.
  • a scraper 170 deposits a layer of powder
  • the laser beam 142 emitted by the laser source 140 is directed by the mirror 150 so as to selectively scan the layer of deposited powder, so as to merge the powder particles in the zones which must form part of the part (these zones being defined from the 3D digital definition of the part to be manufactured).
  • the temperature can reach 2000°C, melting the upper powder layer but also one or more of the lower layers, thus locally creating a liquid bath.
  • the solidification of the successive layers gradually forms the part.
  • the reserve powder tank 130 rises to allow the scraper 170 to deposit new layers of powder; conversely, the build plate 110 descends by a pitch equivalent to the thickness of a fused layer.
  • a first image is acquired, said first image being the image, acquired in the infrared spectrum, of an upper surface of a layer of powder exposed to laser scanning;
  • said first image is processed using a first convolutional neural network of auto-encoder type, so as to produce a mask of defects indicating the location of defects on the upper surface of said powder layer.
  • step B23 of processing the first image is performed by a relatively simple neural network, for example by the first neural network of the auto-encoder type as defined above .
  • step B23 of processing the first image is performed by a set of neural networks comprising, in addition to said first neural network defined above, one or more additional neural networks , in particular of the autoencoder type.
  • the processing step B23 can be performed during the manufacture of the part(s), or subsequently.
  • a defect mask designates in this document a single image or a set of images (a tensor); the image or each of the images of the mask represents the locations of one or more types of defects detected on the upper surface of the layer of powder. This or these defects can be represented for example, in the image or in each of the images of the mask, by a specific color, a plurality of specific colors, or by a specific range of colors.
  • Each image of the defect mask can for example be an image in gray levels (indicating for each pixel a probability of presence or an importance of the defect at the location of the pixel) or possibly a binary image.
  • the types of defects likely to be represented by the mask of defects are, for example, a lack of fusion, a burnt zone or even contamination of the part due to the presence of an impurity in the powder layer.
  • a color or a range of colors can in an image of the mask of defects correspond to a certain type of defects.
  • different images of the mask respectively represent the locations of different types of defects.
  • the first image is only transmitted to an input of the first neural network. convolutional neurons.
  • a convolutional neural network of the autoencoder type from at least one image acquired in the infrared spectrum of a surface exposed to laser scanning, this image not being transmitted only at this input of the neural network, is capable of processing said at least one image so as to make it possible to very effectively detect the defects occurring during additive manufacturing by laser.
  • such a neural network is capable of efficiently processing the information contained in said first image, and consequently, there is no need subsequently to call on said first image again to obtain the defect mask.
  • the only information used to produce the fault mask is the information provided as input to the first neural network, this information being provided only as input to the first neural network.
  • additional information in addition to that provided as input to the first neural network, is taken into account to calculate the fault mask.
  • the processing performed therefore only takes into account the information provided at the input of the first neural network, including in particular said first image.
  • the surface exposed to laser scanning is naturally here the surface of the layer of powder deposited by the scraper, and which is subjected to the scanning of the laser beam so that the powder is melted in certain predefined regions so as to be incorporated into the part of the part already manufactured.
  • the expression 'laser scanning' designates an operation of scanning or traversing all or part of a surface using a laser beam, the point of impact of which moves on said surface.
  • the efficiency of fault detection by the neural network can be increased by implementing all or part of the following improvements:
  • said first image is an integrated image of the upper surface.
  • integrated image here is meant an image in which for each pixel, an intensity of the pixel represents the cumulative light energy received by the pixel during an acquisition period, in particular an acquisition period of duration greater than 0.1 second .
  • the light intensity is thus integrated as a function of time, and the value obtained is assigned to the pixel considered, thus forming the integrated image.
  • the defect mask is produced directly by a convolutional neural network.
  • the expression 'produced directly by a neural network' means that the defect mask is the (or an) output of the convolutional neural network. It is therefore excluded in this case that the defect mask is obtained by applying to the output data of this neural network a processing involving additional data or information (such as involving other images, etc.), other than those supplied as input to this neural network.
  • the mask of defects is obtained by applying to the output data of the neural network a processing involving again at this stage the data supplied as input to the neural network.
  • the direct production of the output mask by the neural network does not exclude that one or more operations of equalization, formatting, thresholding, be(are) carried out by the network of neurons to produce its output data comprising the defect mask.
  • the defect mask is produced directly by the first neural network.
  • the first neural network is configured to directly output the defect mask.
  • one or more additional images other than the first image indicated above can be used to obtain the defect mask.
  • a second image of the upper surface exposed to the laser rays is also acquired;
  • the second image is an image of said surface, acquired in the infrared spectrum, in which for each pixel, an intensity of the pixel represents the maximum light energy received by the pixel during an acquisition period; and during the processing step B23, the processing performed takes into account the second image as input in addition to the first image.
  • a third image of the upper surface exposed to the laser scanning is also acquired; the third image is an image of said surface, acquired in the visible spectrum; and during the processing step B23, the processing carried out takes into account the third image as input in addition to the first image.
  • the first convolutional neural network can be configured to receive as input the first image and at least one first additional image from among said second image and said third picture.
  • the defect mask is produced directly by the first convolutional neural network.
  • the processing carried out is carried out using a set of neural networks comprising at input, said first convolutional neural network, and at output, an output neural network in particular of auto-encoder type, configured to receive as input the output of the first convolutional neural network and to produce the fault mask from this entry (preferably, directly).
  • the first convolutional neural network is sufficient to process several (at least two) types of images supplied as input.
  • the processing carried out is carried out using a set of neural networks including:
  • said first convolutional neural network and at least one first additional neural network of auto-encoder type configured to receive as input a first additional image from among said second image or said third image;
  • an output neural network in particular of the auto-encoder type configured to receive as input the outputs of the first neural network and of said at least one first additional neural network, and to produce said fault mask as output.
  • the set of neural networks further comprises a second additional neural network of auto-encoder type configured to receive as input a second additional image from among said second image and said third image, and which is other than the first additional image.
  • At least one of the auto-encoder type neural networks and for example in particular said first neural network comprises connections connecting layers of neurons of index y to layers of neurons d index n-y, the total depth of said at least one of the neural networks considered being equal to n.
  • the acquisition step B21 is carried out using a camera or a video camera, during part manufacturing by laser powder fusion.
  • the present disclosure also relates to a process for manufacturing parts by laser powder fusion, in which at least one part is manufactured by laser powder fusion; and during or after the manufacture of said at least one part, defects are detected by implementing the method presented previously.
  • the powders used in this method can be powders of any composition, in particular metal powders.
  • the various stages of the method for detecting defects during additive laser manufacturing are determined by computer program instructions.
  • the present disclosure also covers a computer program comprising instructions which, when the program is executed by at least one processor, cause said at least one processor to execute the steps of the method presented above.
  • This program may use any programming language, and be in the form of source code, object code, or intermediate code between source code and object code, such as in partially compiled form, or in any other desirable form.
  • the information carrier can be any entity or device capable of storing the program.
  • the medium may include a storage medium, such as a ROM, for example a CD ROM or a microelectronic circuit ROM, or even a magnetic recording medium, for example a floppy disk or a disk. hard.
  • the information carrier may be an integrated circuit in which the program is incorporated, the circuit being adapted to execute or to be used in the execution of the method in question.
  • the present disclosure also relates to a data processing device comprising at least one processor as well as a memory in which are recorded instructions which, when these are executed by said at least one processor, cause said at least one processor to execute the steps of one of the methods presented above.
  • the data processing device (or a part thereof) can be integrated into a system for manufacturing parts by melting metallic powders by laser.
  • the present disclosure also includes a system for manufacturing parts by laser powder fusion, comprising a machine for manufacture of parts by fusion of powders by laser and a data processing device as presented previously.
  • Figure 1 (already shown) is a schematic representation of a conventional machine for manufacturing parts by melting metal powders by laser;
  • Figure 2 shows a system for manufacturing parts by melting metal powders by laser according to the present disclosure
  • Figure 3 shows a first neural network used for fault detection in a fault detection method according to the present disclosure
  • FIG. 4 represents a set of neural networks used for fault detection in a fault detection method according to the present disclosure
  • FIG. 5 is a representation of an integrated image calculated during the implementation of a method according to the present disclosure
  • FIG. 6 is a representation of a maximum image calculated during the implementation of a method according to the present disclosure
  • FIG. 7 is a schematic representation of a mask of defects obtained by implementing a method according to the present disclosure.
  • Figure 8 is a flowchart schematically representing the steps of a process for manufacturing parts by selective melting of powders according to the present disclosure.
  • the machine 100 is almost identical to the manufacturing machine 100 shown in connection with Figure 1; for this reason, the identical or substantially identical elements in the two machines bear the same reference in figures 1 and 2.
  • the particularity of the machine 100 of the system 1000, in comparison with the machine 100 of figure 1, is that it further comprises an acquisition device 180.
  • the acquisition device 180 comprises two cameras, capable of acquiring images respectively in the infrared spectrum and in the visible spectrum. The images acquired by these cameras are transmitted to the data processing device 200.
  • the data processing device 200 has the hardware architecture of a computer, as shown schematically in Figure 2.
  • any data processing device comprising at least one memory able to record data and the program which will be presented later, and one or more processors capable of executing this program, can be used.
  • the data processing device can be close to the machine 100, or on the contrary remote, and for example accessible via a network such as the Internet network.
  • the data processing device 200 notably comprises a processor 201, a random access memory 202, a non-volatile flash memory 203, as well as means of communication 204 with other components of the system 1000, including in particular the control unit 160.
  • the non-volatile memory 203 of the data processing device 200 constitutes a recording medium in accordance with the present disclosure, readable by the processor 201 and on which is recorded a computer program in accordance with the present disclosure, comprising instructions for performing the steps of a process for manufacturing parts by laser powder fusion (including in particular the steps of its defect detection subroutine) in accordance with the present disclosure.
  • This program can take different forms. In a first mode of implementation (FIG. 3), it constitutes a first neural network NN1 within the meaning of the present disclosure. In a second, more complex mode of implementation (FIG. 4), it constitutes a set NN2 of useful convoy neural networks.
  • the network NN1 constituting a first convolutional neural network according to the present disclosure is represented schematically in Fig.3.
  • the NN1 neural network is used to detect three types of defects from the input images.
  • the network NN1 is an auto-encoder which successively comprises an encoder E, a decoder D and three normalization layers Fl, F2 and F3.
  • the network NN1 is a Linet type auto-encoder.
  • a U-net type network is an auto-encoder type network that specifically has C connections that directly connect encoder E blocks to decoder D blocks.
  • a block at position i is connected to a block at position n-i, where n is the total number of blocks.
  • the encoder E comprises several successive convolutional blocks E10, E20, E30, E40 and E50 (generally, 3 to 5 convolutional blocks). Each of these convolutional blocks comprises several layers of successive artificial neurons. In each of these blocks, the upstream layers (usually two or three in number) are convolution layers, and the last downstream layer is a downsampling (or 'pooling') layer, which decreases the resolution of the data. processed.
  • a convolution layer here refers to a layer performing a convolution operation, followed by batch normalization processing and then by a ReLU correction step (abbreviation of 'Rectified Linear Unit', 'Unotti Linéaire Rectified').
  • decoder D Similar to encoder E, decoder D also comprises several successive convolutional blocks D10, D20, D30, D40 and D50. Each of these convolutional blocks comprises several layers of successive artificial neurons. In each of these blocks, the downstream layers (usually two or three in number) are convolution layers, and the first upstream layer is an over-sampling layer, which increases the resolution data processed.
  • the encoder E receives at each iteration of index i an input datum D ⁇ N i. This datum is processed by the encoder E which produces an intermediate datum DI NT ERM i as output; this datum DI NT ERM i is transmitted as input to the decoder D. The latter processes this datum and supplies an output datum D Ou ti to each of the normalization layers F1, F2 and F3.
  • Each of these normalization layers applies a Softmax function, or normalized exponential function, to the data D O uT i received from the decoder D and produces a final image as output (respectively Mli, M2i, M3i).
  • the images Mli, M2i and M3i together form the defect mask Mi.
  • each pixel has a value which represents an estimate (or prediction), for the pixel considered (that is to say, at the location corresponding to this pixel at the surface of the layer considered), the probability of the presence of a defect, for the defect associated with the normalization layer considered.
  • the fault mask Mi is therefore produced directly by the first neural network NN1.
  • a thresholding function (also called binarization function) can then be applied to all or part of the mask Mi obtained at the output of the normalization layers, to facilitate the processing or the interpretation of the masks obtained.
  • the thresholding function consists, for each pixel, in comparing the value of the pixel with a predetermined threshold and thus in assigning a binary value 0 or 1 to the pixel, depending on whether the pixel has a value lower or higher than the threshold respectively.
  • the input data DIN i can simply be an integrated image IINT of the powder layer which has been exposed to the laser scan.
  • the data D ⁇ N i can also be a tensor obtained by concatenating two or more images: in particular, the integrated image IINT, and possibly a maximum image IMAX and/or a visible image Ivis-
  • the first neural network NN1 proves sufficient to process the different input images (the integrated image IINT, and the maximum image IMAX and/or the visible image Ivis)-
  • the first neural network NN1 produces the output mask Mi directly as output.
  • FIG.4 A set of NN2 neural networks (simply called 'NN2') constituting a second embodiment is shown schematically in Fig.4.
  • NN2 is a set of neural networks comprising at the input, according to the embodiments, from one to three autoencoder-type neural networks: AEINT, AEMAX, AEVIS, and at the output, a neural network AEOUT, also of auto-encoder type.
  • the AI ⁇ N T network constitutes the first neural network within the meaning of the present disclosure; the optional networks AEMAX, AEVIS form a first and a second additional network.
  • This architecture comprising an output auto-encoder AEOUT downstream of one or more input auto-encoders makes it possible to improve the prediction accuracy of the neural network.
  • the NN2 network When the NN2 network is able to process as input not a single image, but two or more images, its performance is improved compared to an architecture in which the NN2 network can only take into account a single image. entrance.
  • the neural network NN2 only comprises as input a first neural network, preferably the AEINT neural network (and therefore does not include the AEMAX and AE V is networks); the output neural network AE O UT receives as input the output of this first neural network (for example AEINT), and produces the fault mask Mi directly as output.
  • a first neural network preferably the AEINT neural network (and therefore does not include the AEMAX and AE V is networks); the output neural network AE O UT receives as input the output of this first neural network (for example AEINT), and produces the fault mask Mi directly as output.
  • the neural network NN2 includes at least two input neural networks (in the case shown, it includes the three networks AE INT , AEMAX , AE V IS), and as output, the neural network AEOUT-
  • the input of the input neural networks comprises the various images received as input.
  • the fault mask Mi is produced directly by the output neural network AE O UT-
  • NN2 receives three images: an integrated image i, a maximum image IMAX I, and an image acquired in the visible spectrum I V is i-
  • Each of the AE INT , AEMAX, AE V IS and AE O UT neural networks exhibit the same or nearly the same architecture as the NN1 neural network shown in Fig.3. However, in the AE INT , AEMAX, AE V IS networks, the presence of one (or more) standardization layer(s) downstream of the network is optional.
  • the set NN2 comprises a layer of neural networks G used to concatenate the images IINT_OUT i, IMAX_OUT i, IVIS_OUT i, produced as output respectively by the decoders of these different networks.
  • the output neural network AEOUT further comprises at output a normalization layer F.
  • This normalization layer can be arranged in the same way as the normalization layer F presented in relation to Fig.3., with for example several Softmax layers arranged in parallel, so as to produce different output images, each representing the probabilities of presence of defects at each point (or at each pixel); each image representing the default probabilities for one of the defaults sought.
  • these different images constitute an output mask Mi, which is produced directly by the output neural network AEOUT-
  • a new layer of powder is deposited.
  • the powder reserve plate is raised, while the production plate conversely descends by a corresponding height.
  • step B1 a laser scan is performed so as to scan all the points of the layer considered which must be part of the part to be manufactured 120.
  • the laser scan produces a local fusion of the powder, which, in the areas exposed to laser scanning, welds the powder grains to the lower part of the part, already made.
  • the data processing device executes a program so as to carry out a fault detection method B2.
  • This method B2 which is used to detect defects occurring during manufacturing operations in the system 1000, comprises the following steps:
  • each of the cameras of the acquisition device 180 acquires a sequence of images.
  • a first camera operating in the visible spectrum acquires a sequence of images in the visible spectrum
  • a second camera operating in the infrared spectrum acquires a sequence of images in the infrared spectrum.
  • Each of the images represents the entire surface scanned by the laser beam 142 (so alternatively, the acquisition could be limited to an area surrounding the point of impact 144 of the laser beam).
  • the images acquired in infrared come from an optical tomography sensor. This is an infrared S-CMOS sensor with a resolution that can be 2000 pixels by 2000 pixels.
  • the images produced by the sensor, acquired in the near infrared, represent the temperature field at the surface of the layer.
  • the acquired images are successive acquisitions, made throughout the laser scanning of the layer.
  • a first image IINTJ which is an integrated image of the upper surface, integrated during the integrated image acquisition period, during the manufacture of layer n°i.
  • the acquisition period of the integrated image is equal in this mode of implementation to the duration of the laser scanning for layer n°i. It could alternatively be a fixed duration comprising the moment of impact of the laser beam at the point considered.
  • a second image I M AXJ which is an image representing the maximum light energy received by each of the pixels during the maximum value image acquisition period, during the manufacture of layer n°i.
  • the maximum value image acquisition period is equal in this mode of implementation to the duration of the laser scanning. It could alternatively be a fixed duration comprising the moment of impact of the laser beam at the point considered.
  • a third image I V is_i which is an image, acquired in the visible spectrum, of the upper surface of the layer subjected to scanning by laser beam, during the manufacture of layer n°i.
  • This image may possibly be an integrated image IVIS_NTJ, calculated by integration (or averaging) of images I V is_i acquired in the visible spectrum during the duration of the laser scan).
  • the value of each pixel is given by: where e is the value of the intensity of the infrared emission measured by the pixel. This image can be interpreted as a photograph whose exposure time would be equal to the time of the laser scanning of the layer.
  • v max max e(t) layer where t layer is the laser scan period of the layer.
  • This maximum image can be interpreted as the envelope of the intensity of the infrared emission during the laser scanning of a layer. It may be noted that the lines of overlap L between adjacent parallel bands exposed to the laser scan (or 'bands of lasagej, lines which appear in white in the integrated image IINTJ (Fig.5), are barely visible in the maximum image IMAXJ (Fig. 6) Thanks to this property, the use of the maximum image is particularly effective in limiting the number of false positives. Indeed, if only the integrated image is used, the neural network tends to give excessive importance to these overlap lines BL. The information provided by the maximum image therefore seems to help the neural network not to interpret the overlap lines between adjacent laser bands as fault zones, and thus makes it possible to improve the quality of the fault masks produced by the set of neural networks NN2.
  • the output neural network AE O UT produces a defect mask Mi.
  • the set of neural networks NN2 is configured to produce at output a defect mask which is an image Mi.
  • This image Mi has the same dimensions as the images IINT i, IMAX i and I V is i, and indicates the location of the defects in the image.
  • step B23 the data processing carried out in step B23 can be carried out using the neural network NN1 (configured in an appropriate manner according to the number of images to be taken into account as input), instead of the NN2 neural network.
  • Fig.7 is represented a binary mask obtained from the mask Mi, by applying a thresholding function to it. Each pixel can therefore only have the value 0 or 1. Thus, the pixels situated at the locations of the defects are represented in white, whereas the pixels of the zones without defects are in black. It can be noticed that the defects clearly visible in Fig.7 also appear on the right of the integrated image, in Fig.5.
  • the joint use of the three images IINT i, IMAXJ and IvisJ is the combination which makes it possible to obtain the best performances, using the set of neural networks NN2.
  • the first neural network according to the present disclosure (configured and trained accordingly), for example the network NN1, can produce defect masks from only an image acquired in infrared, in particular from the integrated image Ii NT i.
  • an action is decided for the continuation of the manufacturing, on the basis of the mask of defects Mi.
  • the action can also be decided on the basis of the mask of defects Mi of the step in progress, and of one or more fault masks obtained in the previous steps.
  • it may be decided to continue manufacturing (and therefore to start manufacturing the next layer n°i+1 of the part) without modifying anything; to continue manufacturing by modifying one or more of the operating parameters of the manufacturing machine 100; or to interrupt the production of the part.
  • the modified parameters can be the speed of displacement of the point of impact of the laser beam, the power of the laser beam, the thickness of the layer of powder deposited, etc.
  • the learning of the neural network(s) implemented is done in a manner known per se using a learning database.
  • This database comprises input data and output data; these output data are output masks ('ground truth') that it is desired that the neural network or, where appropriate, the set of neural networks produce, when the input data is supplied to it as input.
  • the input data can be images, pairs of images, tuples of images .
  • the input data are triplets of images Ii NT i, IMAXJ and lvisJ calculated by carrying out step B22 of the method.
  • the desired output masks can be masks illustrating the different types of fault that the NN neural network must identify, such as hot spot faults (points where the temperature reaches an excessive value ), lack of fusion, and contamination of the weld pool.
  • These desired defect masks may consist of images (possibly binary images) prepared by specialists in the manufacture of the parts concerned, and representing the manufacturing defects identified by these specialists from triplets of input images IINT i IMAX i and Ivis i-
  • the neural network (or set of neural networks) is trained so that each image of the defect mask is used to assess the presence of a specific defect.
  • the learning database then comprises for each defect a set of input image triplets (IINT i, IMAXJ and lvisJ), with for each triplet an output image (possibly binary) associated.
  • This output image represents, for the triplet of input images to which it corresponds, the best available estimate of a probability of presence of the defect considered, for each of the pixels of the image (and therefore for each corresponding point of the layer subjected to laser scanning).
  • the image obtained at the output of the neural network (at the output of the normalization layer), is a probabilistic image, which represents a probability of the presence of the defect considered, for each pixel.
  • the neural network is trained to assess the presence of multiple defects at once.
  • the neural network is thus trained to predict, by the output image produced, the presence or absence of several types of defects, such as for example a lack of fusion, a hot spot or even contamination of the part due to the presence of an impurity in the powder layer.
  • the training database then comprises, for the considered image of the defect mask, a set of triplets of input images (IINT i, IMAXJ and IvisJ), and for each triplet an associated output image.
  • This output image is then an image in which each pixel is assigned a specific value (or color), associated with a certain type of defect identified at the location of the pixel.
  • this output image can consist of pixels having one of the following values: 0 (no defect), 1 (lack of fusion), 2 (hot spot) or 3 (part contamination).
  • additional images can be added by so-called “augmenting” methods. These images can be produced by applying to the images initially present in a database of examples a rotation, an offset of the image, a left/right, top/bottom inversion, etc.
  • the cost function used may in particular be a binary cross-entropy function.
  • the size of the images can be optimized.
  • the images provided as input to the neural network(s) can be calculated by sub-sampling.
  • the images produced by the optical tomography sensor can have a high resolution (2000 by 2000 pixels or more), but only lower resolution images are used for the implementation of the method, for example example 1000 x 1000 pixels.
  • a search for the best architecture is carried out in order to automatically determine various architecture parameters of the neural network, in particular the following parameters: the dimension of the input data of the neural network (ie the size of the input images IINT, IMAX and Ivis); the depth of each of the AEI NT , AE M AX , AEVIS and AEOUT networks (number of convolutional blocks); the dimension of intermediate data, or in English: 'feature maps' (that is to say the number of neurons per layer) in the different convolutional blocks of the different neural networks; The number of convolution layers of the different convolutional blocks.
  • This search can in particular be carried out using a grid search.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Materials Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • General Physics & Mathematics (AREA)
  • Optics & Photonics (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Mechanical Engineering (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Plasma & Fusion (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Automation & Control Theory (AREA)
  • Analytical Chemistry (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Image Analysis (AREA)
  • Powder Metallurgy (AREA)
  • Laser Beam Processing (AREA)

Abstract

Procédé (B2) de détection de défauts lors d'une fabrication additive par laser, comprenant les étapes suivantes : B21) on acquiert une première image (I INT_i), ladite première image étant l'image, acquise dans le spectre infra-rouge, d'une surface supérieure d'une couche de poudre exposée à un balayage laser; B23) on traite ladite première image à l'aide d'un premier réseau de neurones convolutif (AE1) de type auto-encodeur, de manière à produire un masque de défauts (Mi) indiquant l'emplacement de défauts à la surface supérieure de ladite couche de poudre. Procédé de fabrication de pièces durant lequel la présence de défauts est détectée grâce au procédé précédent. Dispositif de traitement de données, programme d'ordinateur et support de stockage pour la mise en œuvre de ce procédé.

Description

Procédé de détection de défauts lors d'une fabrication additive par laser, dispositif de traitement de données, programme d'ordinateur et support de stockage pour la mise en œuvre du procédé.
Domaine Technique
[1] L'invention concerne le domaine des procédés de contrôle de qualité en fabrication, dans le cas particulier de fabrications par fabrication additive par laser.
Technique antérieure
[2] La figure 1 représente de manière schématique un procédé de fabrication par fusion sélective de poudres.
[3] Ce procédé est mis en oeuvre grâce à une machine 100 de fabrication par fusion sélective de poudres (en l'occurrence, de poudres métalliques). La machine 100 comporte un plateau de fabrication 110, sur lequel la pièce à fabriquer 120 va être fabriquée couche par couche, un plateau de réserve de poudre 130 et une source laser 140. Les plateaux 110 et 130 comportent des actionneurs 112 et 132 qui peuvent être commandés de manière à contrôler la position en hauteur de chacun des plateaux.
[4] La machine 100 comporte en outre un miroir commandable 150, et une unité de commande 160, configurée pour piloter l'orientation du miroir et la hauteur des plateaux 110 et 130.
[5] La fabrication d'une pièce consiste à fabriquer successivement la pièce, couche par couche.
[6] L’alliage qui va constituer la pièce se présente initialement sous forme de poudre. A chaque cycle de fabrication, on réalise les opérations suivantes :
[7] un racleur 170 dépose une couche de poudre ;
[8] le faisceau laser 142 émis par la source laser 140 est dirigé par le miroir 150 de manière à balayer sélectivement la couche de poudre déposée, de manière à fusionner les particules de poudre dans les zones qui doivent faire partie de la pièce (ces zones étant définies à partir de la définition numérique en 3D de la pièce à fabriquer).
[9] Au point d'impact 144 du faisceau laser sur la couche de poudre, la température peut atteindre 2 000 °C, faisant fondre la couche de poudre supérieure mais aussi une ou plusieurs des couches inférieures, créant ainsi localement un bain liquide. La solidification des couches successives forme progressivement la pièce.
[10] Au fur et à mesure que la fabrication progresse, le bac de poudre en réserve 130 monte pour permettre au racleur 170 de déposer de nouvelles couches de poudre ; inversement, le plateau de fabrication 110 descend d'un pas équivalent à l'épaisseur d'une couche fusionnée.
[1 1 ] Lors d'une telle fabrication, des défauts de fabrication peuvent se produire, pour des raisons multiples : défaut de focalisation du faisceau laser, fusion trop importante au point d'impact du faisceau laser, présence d'impuretés dans la poudre...
[12] Il est donc nécessaire, pour assurer la qualité de la pièce fabriquée, de détecter aussi tôt que possible ces défauts de manière à lancer les actions correctrices appropriées.
[13] Traditionnellement, la détection des défauts est réalisée en prenant des photos de la surface de la couche de poudre soumise au balayage par le faisceau laser ; les photos sont alors interprétées par un opérateur spécialiste de la fabrication en cours, chargé de détecter si la fabrication est normale, ou bien si un défaut s'est produit.
[14] Cette méthode de contrôle est naturellement coûteuse et susceptible d'erreurs. Il existe donc un besoin pour une méthode de détection de défauts lors d'une fabrication par fusion sélective par laser, qui soit plus fiable et moins coûteuse.
Exposé de l’invention
[15] Selon un premier aspect de la présente divulgation, il est proposé un procédé de détection de défauts lors d'une fabrication additive par laser permettant de répondre à ce besoin. Ce procédé est mis en oeuvre par ordinateur.
[16] Ce procédé comprend les étapes suivantes :
[17] B21) on acquiert une première image, ladite première image étant l'image, acquise dans le spectre infra-rouge, d'une surface supérieure d'une couche de poudre exposée à un balayage laser;
[18] B23) on traite ladite première image à l'aide d'un premier réseau de neurones convolutif de type auto-encodeur, de manière à produire un masque de défauts indiquant l'emplacement de défauts à la surface supérieure de ladite couche de poudre.
[19] Dans certains modes de mise en oeuvre, l'étape B23 de traitement de la première image est faite par un réseau de neurones relativement simple, par exemple par le premier réseau de neurones de type auto-encodeur tel que défini ci-dessus. Cependant, dans certains modes de mise en oeuvre, l'étape B23 de traitement de la première image est faite par un ensemble de réseaux de neurones comprenant, en plus dudit premier réseau de neurones défini ci-dessus, un ou plusieurs réseaux de neurones additionnels, notamment de type autoencodeur.
[20] L'étape de traitement B23 peut être faite pendant la fabrication de la (ou des) pièce(s), ou postérieurement.
[21] Un masque de défauts désigne dans ce document une image unique ou un ensemble d'images (un tenseur); l'image ou chacune des images du masque représente les emplacements d'un ou plusieurs type de défauts décelés à la surface supérieure de la couche de poudre. Ce ou ces défauts peuvent être représentés par exemple, dans l'image ou dans chacune des images du masque, par une couleur spécifique, une pluralité de couleurs spécifiques, ou par une plage de couleurs spécifique.
[22] Chaque image du masque de défauts peut par exemple être une image en niveaux de gris (indiquant pour chaque pixel une probabilité de présence ou une importance du défaut à l'emplacement du pixel) ou éventuellement une image binaire.
[23] Les types de défauts susceptible d'être représentés par le masque de défauts sont par exemple un manque de fusion, une zone brûlée ou encore une contamination de la pièce due à la présence d'une impureté dans la couche de poudre.
[24] Dans certains modes de réalisation, plusieurs types de défaut sont représentés en une seule image : par exemple, une couleur ou une plage de couleurs peut dans une image du masque de défauts correspondre à un certain type de défauts. [25] Dans certains modes de réalisation, différentes images du masque représentent respectivement les emplacements de différents types de défaut.
[26] Dans certains modes de réalisation, lors du traitement appliqué à ladite première image à l'aide dudit premier réseau de neurones convolutif et produisant le masque de défauts, la première image n'est transmise qu'à une entrée du premier réseau de neurones convolutif.
[27] Il est apparu en effet qu'un réseau de neurones convolutif de type autoencodeur, à partir au moins d'une image acquise dans le spectre infra-rouge d'une surface exposée à un balayage laser, cette image n'étant transmise uniquement qu'à cette entrée du réseau de neurones, est apte à traiter ladite au moins une image de manière à permettre de détecter de manière très efficace les défauts survenant lors d'une fabrication additive par laser.
[28] En d'autres termes, un tel réseau de neurones est apte à traiter efficacement l'information contenue dans ladite première image, et par conséquent, il est inutile par la suite de faire à nouveau appel à ladite première image pour obtenir le masque de défauts.
[29] Dans certains modes de mise en oeuvre, les seules informations utilisées pour produire le masque de défauts sont les informations fournies en entrée au premier réseau de neurones, ces informations n'étant fournies qu'en entrée du premier réseau de neurones. Dans ces modes de mise en oeuvre, il est donc exclu que des informations complémentaires, en plus de celles fournies en entrée au premier réseau de neurones, soient prises en compte pour calculer le masque de défauts. Le traitement réalisé ne prend donc en compte que les informations fournies à l'entrée du premier réseau de neurones, dont notamment ladite première image.
[30] La surface exposée à un balayage laser est naturellement ici la surface de la couche de poudre déposée par le racleur, et qui est soumise au balayage du faisceau laser de telle sorte que la poudre soit fondue dans certaines régions prédéfinies de manière à être incorporée à la partie de pièce déjà fabriquée.
[31] L'expression 'balayage laser' désigne une opération de balayage ou de parcours de tout ou partie d'une surface à l'aide d'un faisceau laser, dont le point d'impact se déplace sur ladite surface. [32] L'efficacité de la détection des défauts par le réseau de neurones peut être augmentée en mettant en oeuvre tout ou partie des perfectionnements suivants :
[33] Dans un mode de mise en oeuvre, ladite première image est une image intégrée de la surface supérieure. Par image intégrée, on désigne ici une image dans laquelle pour chaque pixel, une intensité du pixel représente l'énergie lumineuse cumulée reçue par le pixel pendant une période d'acquisition, notamment une période d'acquisition de durée supérieure à 0,1 seconde. L'intensité lumineuse est ainsi intégrée en fonction du temps, et la valeur obtenue est affectée au pixel considéré, formant ainsi l'image intégrée.
[34] Différentes architectures peuvent être envisagées pour le ou les réseaux de neurones intervenant dans l'étape de traitement.
[35] Dans un mode de mise en oeuvre, à l'étape de traitement B23, le masque de défauts est produit directement par un réseau de neurones convolutif.
[36] L'expression 'produit directement par un réseau de neurones' (dans le cas présent, convolutif) signifie que le masque de défauts est la (ou une) donnée de sortie du réseau de neurones convolutif. Il est donc exclu dans ce cas que le masque de défauts soit obtenu en appliquant à la donnée de sortie de ce réseau de neurones un traitement faisant intervenir des données ou des informations supplémentaires (comme faire intervenir d'autres images, etc.), autres que celles fournies en entrée à ce réseau de neurones.
[37] Il est également exclu dans ce cas que le masque de défauts soit obtenu en appliquant à la donnée de sortie du réseau de neurones un traitement faisant intervenir à nouveau à ce stade les données fournies en entrée au réseau de neurones.
[38] Néanmoins, la production directe du masque de sortie par le réseau de neurones n'exclut pas qu'une ou des opérations d'égalisation, de formatage, de seuillage, soi(en)t réalisée(s) par le réseau de neurones pour produire sa donnée de sortie comprenant le masque de défauts.
[39] Dans certains modes de mise en oeuvre, le masque de défauts est produit directement par le premier réseau de neurones. En d'autres termes, le premier réseau de neurones est configuré pour produire directement en sortie le masque de défauts. [40] Dans certains modes de mise en oeuvre, une ou plusieurs images additionnelles autres que la première image indiquée précédemment peu(ven)t être utilisée(s) pour obtenir le masque de défauts.
[41] Par exemple, dans un mode de mise en oeuvre, lors de l'étape d'acquisition B21, on acquiert en outre une deuxième image de la surface supérieure exposée au rayons laser ; la deuxième image est une image de ladite surface, acquise dans le spectre infra-rouge, dans laquelle pour chaque pixel, une intensité du pixel représente l'énergie lumineuse maximale reçue par le pixel pendant une période d'acquisition ; et lors de l'étape de traitement B23, le traitement réalisé prend en compte en entrée la deuxième image en plus de la première image.
[42] Dans un mode de mise en oeuvre, lors de l'étape d'acquisition B21, on acquiert en outre une troisième image de la surface supérieure exposée au balayage laser ; la troisième image est une image de ladite surface, acquise dans le spectre visible ; et lors de l'étape de traitement B23, le traitement réalisé prend en compte en entrée la troisième image en plus de la première image.
[43] Dans l'un ou l'autre des deux modes de mise en oeuvre précédents, le premier réseau de neurones convolutif peut être configuré pour recevoir en entrée la première image et au moins une première image additionnelle parmi ladite deuxième image et ladite troisième image.
[44] Dans ce cas, de préférence le masque de défauts est produit directement par le premier réseau de neurones convolutif.
[45] Cependant, une architecture plus complexe peut aussi être adoptée.
[46] Ainsi dans un premier ensemble de variantes de l'un des deux modes de mise en oeuvre précédents, lors de l'étape de traitement B23, le traitement réalisé est réalisé à l'aide d'un ensemble de réseaux de neurones comprenant en entrée, ledit premier réseau de neurones convolutif, et en sortie, un réseau de neurones de sortie notamment de type auto-encodeur, configuré pour recevoir en entrée la sortie du premier réseau de neurones convolutif et pour produire le masque de défauts à partir de cette entrée (de préférence, directement).
[47] Avantageusement dans ce premier ensemble de variantes, le premier réseau de neurones convolutif suffit pour traiter plusieurs (au moins deux) types d'images fournies en entrée. [48] Inversement, dans un deuxième ensemble de variantes de l'un des deux modes de mise en oeuvre précédents, lors de l'étape de traitement B23, le traitement réalisé est réalisé à l'aide d'un ensemble de réseaux de neurones comprenant :
- en entrée, ledit premier réseau de neurones convolutif, et au moins un premier réseau de neurones additionnel de type auto-encodeur configuré pour recevoir en entrée une première image additionnelle parmi ladite deuxième image ou ladite troisième image ; et
- en sortie, un réseau de neurones de sortie notamment de type auto-encodeur configuré pour recevoir en entrée les sorties du premier réseau de neurones et dudit au moins un premier réseau de neurones additionnel, et pour produire en sortie ledit masque de défauts.
[49] Dans certaines des variantes du deuxième ensemble de variantes défini ci- dessus, l'ensemble de réseaux de neurones comprend en outre un deuxième réseau de neurones additionnel de type auto-encodeur configuré pour recevoir en entrée une deuxième image additionnelle parmi ladite deuxième image et ladite troisième image, et qui est autre que la première image additionnelle.
[50] Dans un mode de mise en oeuvre, au moins un des réseaux de neurones de type auto-encodeur et par exemple notamment ledit premier réseau de neurones comprend des connexions reliant des couches de neurones d'indice y à des couches de neurones d'indice n-y, la profondeur totale dudit au moins un des réseaux de neurones considéré étant égale à n.
[51] Dans un mode de mise en oeuvre, l'étape d'acquisition B21 est réalisée à l'aide d'un appareil photo ou d'une caméra, pendant une fabrication de pièce par fusion de poudres par laser.
[52] Par extension, la présente divulgation concerne également un procédé de fabrication de pièces par fusion de poudres par laser, dans lequel on fabrique au moins une pièce par fusion de poudres par laser ; et pendant ou après la fabrication de ladite au moins une pièce, on détecte des défauts en mettant en oeuvre le procédé présenté précédemment. Les poudres utilisées dans ce procédé peuvent être des poudres de toute composition, notamment des poudres métalliques. [53] Dans un mode particulier de réalisation, les différentes étapes du procédé de détection de défauts lors d'une fabrication additive par laser sont déterminées par des instructions de programmes d'ordinateurs.
[54] En conséquence, la présente divulgation vise aussi un programme d’ordinateur comprenant des instructions qui, lorsque le programme est exécuté par au moins un processeur, amènent ledit au moins un processeur à exécuter les étapes du procédé présenté précédemment. Ce programme peut utiliser n'importe quel langage de programmation, et être sous la forme de code source, code objet, ou de code intermédiaire entre code source et code objet, tel que dans une forme partiellement compilée, ou dans n'importe quelle autre forme souhaitable.
[55] La présente divulgation vise aussi un support de stockage non-volatile lisible par ordinateur, sur lequel est stocké le programme d’ordinateur présenté précédemment. Le support d’informations peut être n’importe quelle entité ou dispositif capable de stocker le programme. Par exemple, le support peut comporter un moyen de stockage, tel qu’une ROM, par exemple un CD ROM ou une ROM de circuit microélectronique, ou encore un moyen d’enregistrement magnétique, par exemple une disquette (floppy disc) ou un disque dur. Alternativement, le support d’informations peut être un circuit intégré dans lequel le programme est incorporé, le circuit étant adapté pour exécuter ou pour être utilisé dans l’exécution du procédé en question.
[56] Par extension, la présente divulgation vise aussi un dispositif de traitement de données comprenant au moins un processeur ainsi qu'une mémoire dans laquelle sont enregistrées des instructions qui, lorsque celles-ci sont exécutées par ledit au moins un processeur, amènent ledit au moins un processeur à exécuter les étapes de l'un des procédés présentés précédemment.
[57] Le dispositif de traitement de données (ou une partie de celui-ci) peut être intégré à un système de fabrication de pièces par fusion de poudres métalliques par laser.
[58] Par conséquent, la présente divulgation inclut aussi un système de fabrication de pièces par fusion de poudres par laser, comprenant une machine de fabrication de pièces par fusion de poudres par laser et un dispositif de traitement de données tel que présenté précédemment.
Brève description des dessins
[59] [Fig. 1] La figure 1 (déjà présentée) est une représentation schématique d'une machine conventionnelle de fabrication de pièces par fusion de poudres métalliques par laser ;
[Fig. 2] La figure 2 représente un système de fabrication de pièces par fusion de poudres métalliques par laser selon la présente divulgation ;
[Fig. 3] La figure 3 représente un premier réseau de neurones utilisé pour la détection de défauts dans un procédé de détection de défauts selon la présente divulgation ;
[Fig. 4] La figure 4 représente un ensemble de réseaux de neurones utilisé pour la détection de défauts dans un procédé de détection de défauts selon la présente divulgation ;
[Fig. 5] La figure 5 est une représentation d'une image intégrée calculée lors de la mise en oeuvre d'un procédé selon la présente divulgation ;
[Fig. 6] La figure 6 est une représentation d'une image maximale calculée lors de la mise en oeuvre d'un procédé selon la présente divulgation ;
[Fig. 7] La figure 7 est une représentation schématique d'un masque de défauts obtenu en mettant en oeuvre un procédé selon la présente divulgation ; et
[Fig. 8] La figure 8 est un logigramme représentant schématiquement les étapes d'un procédé de fabrication de pièces par fusion sélective de poudres suivant la présente divulgation.
Description de modes de réalisation
[60] A titre d'exemple, des procédés et des systèmes de fabrication par fusion sélective de poudres conformes à la présente divulgation vont maintenant être présentés en relation avec les figures 2 à 8.
[61] Ces procédé de fabrication peuvent être mis en oeuvre à l'aide d'un système 1000 de fabrication de pièces par fusion de poudres métalliques par laser tel que représenté sur la Fig.2, comprenant une machine 100 de fabrication de pièces par fusion de poudres métalliques par laser et un dispositif 200 de traitement de données.
[62] La machine 100 est presque identique à la machine 100 de fabrication présentée en relation avec la figure 1 ; pour cette raison, les éléments identiques ou sensiblement identiques dans les deux machines portent la même référence dans les figures 1 et 2. La particularité de la machine 100 du système 1000, par comparaison avec la machine 100 de la figure 1, est qu'elle comporte en plus un dispositif d'acquisition 180.
[63] Le dispositif d'acquisition 180 comporte deux caméras, susceptibles d'acquérir des images respectivement dans le spectre infrarouge et dans le spectre visible. Les images acquises par ces caméras sont transmises au dispositif de traitement de données 200.
[64] Le dispositif de traitement de données 200 dispose de l'architecture matérielle d'un ordinateur, telle qu'illustrée schématiquement sur la figure 2. De manière générale, tout dispositif de traitement de données comprenant au moins une mémoire apte à enregistrer des données et le programme qui va être présenté plus loin, et un ou plusieurs processeurs aptes à exécuter ce programme, peut être utilisé. Le dispositif de traitement de données peut être proche de la machine 100, ou au contraire distant, et par exemple accessible via un réseau comme le réseau internet.
[65] Dans ce mode de réalisation, le dispositif de traitement de données 200 comprend notamment un processeur 201, une mémoire vive 202, une mémoire flash non volatile 203, ainsi que des moyens de communication 204 avec d'autres composants du système 1000, dont notamment l'unité de commande 160.
[66] La mémoire non-volatile 203 du dispositif de traitement de données 200 constitue un support d'enregistrement conforme à la présente divulgation, lisible par le processeur 201 et sur lequel est enregistré un programme d'ordinateur conforme à la présente divulgation, comportant des instructions pour l'exécution des étapes d'un procédé de fabrication de pièces par fusion de poudres par laser (comprenant notamment les étapes de son sous-programme de détection de défaut) conforme à la présente divulgation. [67] Ce programme peut prendre différentes formes. Dans un premier mode de mise en oeuvre (Fig.3), il constitue un premier réseau de neurones NN1 au sens de la présente divulgation. Dans un deuxième mode de mise en oeuvre, plus complexe (Fig.4), il constitue un ensemble NN2 de réseaux de neurones convoi utifs.
[68] Le réseau NN1 constituant un premier réseau de neurones convolutif selon la présente divulgation est représenté de manière schématique sur la Fig.3.
[69] Dans ce mode de réalisation, le réseau de neurones NN1 est utilisé pour détecter trois types de défauts à partir des images d'entrée.
[70] Le réseau NN1 est un auto-encodeur qui comporte successivement un encodeur E, un décodeur D et trois couches de normalisation Fl, F2 et F3.
[71] Dans ce mode de réalisation, le réseau NN1 est un auto-encodeur de type Linet. Un réseau de type U-net est un réseau de type auto-encodeur qui comporte spécifiquement des connexions C qui connectent directement les blocs de l'encodeur E aux blocs du décodeur D. Généralement, un bloc à une position i est connecté à un bloc à une position n-i, n étant le nombre total de blocs.
[72] L'architecture d'un réseau de type U-net est expliquée notamment dans la publication de Olaf Ronneberger, Philipp Fischer et Thomas Brox: "U-net: Convolutional networks for biomedical image segmentation." (International Conference on Medical image computing and computer-assisted intervention. Springer, Cham, 2015).
[73] L'encodeur E comporte plusieurs blocs convolutifs successifs E10, E20, E30, E40 et E50 (généralement, 3 à 5 blocs convolutifs). Chacun de ces blocs convolutifs comporte plusieurs couches de neurones artificiels successives. Dans chacun de ces blocs, les couches amont (au nombre de deux ou trois habituellement) sont des couches de convolution, et la dernière couche en aval est une couche de sous-échantillonnage (ou 'pooling'), qui diminue la résolution des données traitées.
[74] Une couche de convolution désigne ici une couche réalisant une opération de convolution, suivie par un traitement de normalisation par lot ('batch normalisation') puis par une étape de correction ReLU (abréviation de 'Rectified Linear Unit', 'Unité Linéaire Rectifiée'). [75] De manière similaire à l'encodeur E, le décodeur D comporte également plusieurs blocs convolutifs successifs D10, D20, D30, D40 et D50. Chacun de ces blocs convolutifs comporte plusieurs couches de neurones artificiels successives. Dans chacun de ces blocs, les couches aval (au nombre de deux ou trois habituellement) sont des couches de convolution, et la première couche en amont est une couche de sur-échantillonnage (ou 'up-sampling'), qui augmente la résolution des données traitées.
[76] Naturellement, pour le premier réseau de neurones d'autres architectures que celle du réseau NN1 peuvent être utilisées tout en restant dans le cadre de la présente divulgation.
[77] En entrée, l'encodeur E reçoit à chaque itération d'indice i une donnée d'entrée DÏN i. Cette donnée est traitée par l'encodeur E qui produit en sortie une donnée intermédiaire DINTERM i ; cette donnée DINTERM i est transmise en entrée au décodeur D. Celui-ci traite cette donnée et fournit une donnée de sortie DOut i à chacune des couches de normalisation Fl, F2 et F3.
[78] Chacune de ces couches de normalisation applique une fonction Softmax, ou fonction exponentielle normalisée, à la donnée DOuT i reçue du décodeur D et produit en sortie une image finale (respectivement Mli, M2i, M3i). Les images Mli, M2i et M3i forment ensemble le masque de défauts Mi. Dans ces images, chaque pixel a une valeur qui représente une estimation (ou prédiction), pour le pixel considéré (c'est-à-dire, à l'emplacement correspondant à ce pixel à la surface de la couche considérée), de la probabilité de présence d'un défaut, pour le défaut associé à la couche de normalisation considérée.
[79] Dans ce mode de réalisation, le masque de défauts Mi est donc produit directement par le premier réseau de neurones NN1.
[80] De manière optionnelle, une fonction de seuillage (appelée aussi fonction de binarisation) peut être alors appliquée à tout ou partie du masque Mi obtenu en sortie des couches de normalisation, pour faciliter le traitement ou l'interprétation des masques obtenus. La fonction de seuillage consiste, pour chaque pixel, à comparer la valeur du pixel à un seuil prédéterminé et ainsi à affecter une valeur binaire 0 ou 1 au pixel, selon que le pixel a respectivement une valeur inférieure ou supérieure au seuil. [81] La donnée d'entrée DIN i peut être simplement une image intégrée IINT de la couche de poudre qui a été exposée au balayage laser.
[82] Cependant, la donnée DÏN i peut être aussi un tenseur obtenu en concaténant deux images ou plus : notamment, l'image intégrée IINT, et éventuellement une image maximale IMAX et/ou une image visible Ivis-
[83] La prise en compte en entrée de deux images ou davantage permet d'améliorer la performance du réseau de neurones NN1, c'est-à-dire l'exactitude des masques de défauts prédits par celui-ci. Avantageusement dans ce mode de réalisation, le premier réseau de neurones NN1 s'avère suffisant pour traiter les différentes images d'entrée (l'image intégrée IINT, et l'image maximale IMAX et/ou l'image visible Ivis)-
[84] Dans un mode de réalisation préférentiel, comme cela apparaît sur la Fig.3, à partir de ces données d'entrée, le premier réseau de neurones NN1 produit directement en sortie le masque de sortie Mi.
[85] Un ensemble de réseaux de neurones NN2 (appelé plus simplement 'NN2') constituant un deuxième mode de réalisation est représenté de manière schématique sur la Fig.4.
[86] NN2 est un ensemble de réseaux de neurones comprenant en entrée, selon les modes de réalisation, de un à trois réseaux de neurones de type autoencodeur : AEINT, AEMAX, AEVIS, et en sortie, un réseau de neurones AEOUT, également de type auto-encodeur. Le réseau AIÏNT constitue le premier réseau de neurones au sens de la présente divulgation ; les réseaux optionnels AEMAX, AEVIS forment un premier et un deuxième réseau additionnel. Cette architecture comprenant un auto-encodeur de sortie AEOUT en aval d'un ou plusieurs autoencodeurs d'entrée permet d'améliorer la précision de prédiction du réseau de neurones.
[87] Lorsque le réseau NN2 est à même de traiter en entrée non pas une seule image, mais deux images ou plus, sa performance est améliorée par rapport à une architecture dans laquelle le réseau NN2 ne peut prendre en compte qu'une seule image en entrée.
[88] Pour prendre en compte en entrée deux images ou plus, dans un mode de réalisation le réseau de neurones NN2 ne comporte en entrée qu'un premier réseau de neurones, de préférence le réseau de neurones AEINT (et ne comporte donc pas les réseaux AEMAX et AEVis) ; le réseau de neurones de sortie AEOUT reçoit en entrée la sortie de ce premier réseau de neurones (par exemple AEINT), et produit directement en sortie le masque de défauts Mi.
[89] Dans d'autres modes de réalisation, comme on le voit sur la Fig.4, le réseau de neurones NN2 comporte au moins deux réseaux de neurones en entrée (dans le cas représenté, il comporte les trois réseaux AEINT, AEMAX, AEVIS), et en sortie, le réseau de neurones AEOUT- L'entrée des réseaux de neurones d'entrée comprend les différentes images reçues en entrée.
[90] La sortie des différents réseaux de neurones d'entrée est transférée au réseau de neurones de sortie AEOUT, pour produire le masque de sortie Mi.
[91] De préférence, le masque de défauts Mi est produit directement par le réseau de neurones de sortie AEOUT-
[92] Dans le cas présent (Fig.5), à chaque itération (d'indice i), NN2 reçoit trois images : une image intégrée i, une image maximale IMAX I, et une image acquise dans le spectre visible IVis i-
[93] Chacun des réseaux de neurones AEINT, AEMAX, AEVIS et AEOUT présente la même ou à peu près la même architecture que le réseau de neurones NN1 représenté sur la Fig.3. Cependant, dans les réseaux AEINT, AEMAX, AEVIS , la présence d'une (ou plusieurs) couche(s) de normalisation en aval du réseau est optionnelle.
[94] Pour fusionner les données produites par les trois réseaux d'entrée AEINT, AEMAX et AEvis, l'ensemble NN2 comporte une couche de réseaux de neurones G servant à concaténer les images IINT_OUT i, IMAX_OUT i, IVIS_OUT i, produites en sortie respectivement par les décodeurs de ces différents réseaux.
[95] Enfin, dans l'ensemble de réseaux de neurones NN2, le réseau de neurones de sortie AEOUT comporte en outre en sortie une couche de normalisation F. Cette couche de normalisation peut être agencée de la même manière que la couche de normalisation F présentée en relation avec la Fig.3., avec par exemple plusieurs couches Softmax disposées en parallèle, de manière à produire en sortie différentes images, chacune représentant les probabilités de présence de défauts en chaque point (ou en chaque pixel) ; chaque image représentant les probabilités de défaut pour l'un des défauts cherchés.
[96] Ainsi dans ce mode de réalisation, ces différentes images constituent un masque de sortie Mi, qui est produit directement par le réseau de neurones de sortie AEOUT-
Fabrication d'une pièce
[97] La fabrication d'une pièce se fait en réalisant de manière itérative, pour chaque couche de la pièce, les différentes étapes indiquées par la Fig.8.
[98] Lors d'une itération d'indice i, la fabrication d'une couche n°i de la pièce est faite en exécutant les opérations suivantes :
[99] Dans une première étape A, on dépose à l'aide du radeur 170 une nouvelle couche de poudre. Dans ce but, le plateau de réserve de poudre est réhaussé, alors que le plateau de fabrication inversement descend d'une hauteur correspondante.
[100] Ensuite (étape Bl), on réalise un balayage laser de manière à balayer tous les points de la couche considérée qui doivent faire partie de la pièce à fabriquer 120. Le balayage laser produit une fusion locale de la poudre, ce qui, dans les zones exposées au balayage laser, soude les grains de poudre à la partie inférieure de la pièce, déjà constituée.
[101] En parallèle, le dispositif de traitement de données exécute un programme de manière à réaliser un procédé de détection de défauts B2.
[102] Ce procédé B2, qui sert à détecter les défauts survenant lors des opérations de fabrication dans le système 1000, comporte les étapes suivantes :
[103] B21) on acquiert en parallèle différentes séquences ou suites d'images de la surface balayée par le faisceau laser. Plus précisément, pendant toute la durée du balayage laser Bl, chacune des caméras du dispositif d'acquisition 180 acquiert une séquence d'images. Dans le mode de mise en oeuvre présenté, une première caméra opérant dans le spectre visible acquiert une séquence d'images dans le spectre visible, et une deuxième caméra opérant dans le spectre infrarouge acquiert une séquence d'images dans le spectre infrarouge. Chacune des images représente toute la surface balayée par le faisceau laser 142 (De manière alternative, l'acquisition pourrait être limitée à une zone entourant le point d'impact 144 du faisceau laser).
[104] Les images acquises en infra-rouge sont issues d'un capteur de tomographie optique. Il s'agit en l'occurrence d'un capteur S-CMOS infrarouge d'une résolution qui peut être de 2000 pixels par 2000 pixels. Les images produites par le capteur, acquises dans l'infrarouge proche, représentent le champ de température à la surface de la couche.
[105] Les images acquises sont des acquisitions successives, faites tout au long du balayage laser de la couche.
[106] B22) on applique un traitement préalable aux séquences d'images acquises, à l'aide du dispositif de traitement de données 200 : à partir des images acquises, le dispositif de traitement de données 200 calcule trois images :
• Une première image IINTJ qui est une image intégrée de la surface supérieure, intégrée pendant la période d'acquisition d'image intégrée, lors de la fabrication de la couche n°i. La période d'acquisition de l'image intégrée est égale dans ce mode de mise en oeuvre à la durée du balayage laser pour la couche n°i. Elle pourrait de manière alternative être une durée fixe comprenant le moment d'impact du faisceau laser au point considéré.
• Une deuxième image IMAXJ qui est une image représentant l'énergie lumineuse maximale reçue par chacun des pixels pendant la période d'acquisition d'image de valeurs maximales, lors de la fabrication de la couche n°i. La période d'acquisition d'image de valeurs maximales est égale dans ce mode de mise en oeuvre à la durée du balayage laser. Elle pourrait de manière alternative être une durée fixe comprenant le moment d'impact du faisceau laser au point considéré.
• Une troisième image IVis_i qui est une image, acquise dans le spectre visible, de la surface supérieure de la couche soumise au balayage par faisceau laser, lors de la fabrication de la couche n°i. (Cette image peut éventuellement être une image intégrée IVISJNTJ, calculée par intégration (ou moyennage) d'images IVis_i acquises dans le spectre visible pendant la durée du balayage laser). Par ce traitement, on acquiert ainsi au sein du dispositif de traitement de données 200 les trois images IiNT i, IMAXJ et IVis_i ■
Les images i et IMAXJ sont illustrées respectivement par les figures 5 et 6.
[107] Ainsi, dans la première mage IINTJ, qui est l'image intégrée (un exemple est représenté sur la Fig.5), la valeur de chaque pixel est donnée par : où e est la valeur de l'intensité de l'émission infrarouge mesurée par le pixel. Cette image peut être interprétée comme une photographie dont le temps d'exposition serait égal au temps du balayage laser de la couche.
[108] Dans la deuxième image IMAXJ, qui est l'image maximale (un exemple est représenté sur la Fig.6), la valeur de chaque pixel est donnée par :
[109] vmax = max e(t) layer où t layer est la période de balayage laser de la couche.
[110] Cette image maximale peut être interprétée comme l'enveloppe de l'intensité de l'émission infrarouge durant le balayage laser d'une couche. On peut remarquer que les lignes de recouvrement L entre bandes parallèles adjacentes exposées au balayage laser (ou 'bandes de lasagej, lignes qui apparaissent en blanc dans l'image intégrée IINTJ (Fig.5), sont peu visibles dans l'image maximale IMAXJ (Fig.6). Grâce à cette propriété, l'utilisation de l'image maximale est particulièrement efficace pour limiter le nombre de faux positifs. En effet, si l'on utilise uniquement l'image intégrée, le réseau de neurones à tendance à donner une importance excessive à ces lignes de recouvrement BL. L'information apportée par l'image maximale semble donc aider le réseau de neurones à ne pas interpréter les lignes de recouvrement entre bandes de lasage adjacentes comme des zones de défauts, et permet ainsi d'améliorer la qualité des masques de défaut produits par l'ensemble de réseaux de neurones NN2.
[111] B23) on traite les trois images J, IMAXJ et IvisJ à l'aide de l'ensemble de réseaux de neurones NN2.
[112] Ces images sont fournies en entrée à NN2 : A l'itération n°i de l'algorithme, les réseaux AEINT, AEMAX, AEVIS reçoivent en entrée respectivement l'image intégrée IINTJ, l'image maximale IMAX et l'image visible IvisJ- A partir de celles- ci, les réseaux AEINT, AEMAX, AEVIS produisent respectivement des images de sortie IlNT_OUT i, IMAX_OUT i et IviS_OUT i-
[113] Ces images de sortie sont alors concaténées par la couche de concaténation G, ce qui forme un tenseur de rang 3. Ce tenseur est fourni en entrée au réseau de neurones de sortie AEOUT-
[114] En sortie, le réseau de neurones de sortie AEOUT produit un masque de défauts Mi. Dans ce mode de réalisation, l'ensemble de réseaux de neurones NN2 est configuré pour produire en sortie un masque de défauts qui est une image Mi. Cette image Mi est de mêmes dimensions que les images IINT i, IMAX i et IVis i, et indique l'emplacement des défauts dans l'image.
[115] De manière alternative, le traitement de données réalisé à l'étape B23 peut être réalisé à l'aide du réseau de neurones NN1 (configuré de manière adaptée en fonction du nombre d'images à prendre en compte en entrée), à la place du réseau de neurones NN2.
[116] Sur la Fig.7 est représenté un masque binaire obtenu à partir du masque Mi, en appliquant une fonction de seuillage à celui-ci. Chaque pixel ne peut donc avoir que la valeur 0 ou 1. Ainsi, les pixels situés aux emplacements des défauts sont représentés en blanc, alors que les pixels des zones sans défaut sont en noir. On peut remarquer que les défauts clairement visibles sur la Fig.7 apparaissent également sur la droite de l'image intégrée, sur la Fig.5.
[117] L'utilisation conjointe des trois images IINT i, IMAXJ et IvisJ est la combinaison qui permet d'obtenir les meilleures performances, à l'aide de l'ensemble de réseaux de neurones NN2. Cependant, le premier réseau de neurones selon la présente divulgation (configuré et entraîné en conséquence), par exemple le réseau NN1, peut produire des masques de défauts à partir seulement d'une image acquise en infra-rouge, notamment à partir de l'image intégrée IiNT i.
[118] B24) on décide d'une action pour la suite de la fabrication, sur la base du masque de défauts Mi. L'action peut aussi être décidée sur la base du masque de défauts Mi de l'étape en cours, et d'un ou plusieurs masques de défauts obtenus aux étapes précédentes. En fonction de la gravité du ou des défauts, il peut être décidé de poursuivre la fabrication (et donc de lancer la fabrication de la couche suivante n°i+l de la pièce) sans rien modifier ; de poursuivre la fabrication en modifiant un ou plusieurs des paramètres de fonctionnement de la machine de fabrication 100 ; ou encore d'interrompre la fabrication de la pièce. Dans le deuxième cas, les paramètres modifiés peuvent être la vitesse de déplacement du point d'impact du faisceau laser, la puissance du faisceau laser, l'épaisseur de la couche de poudre déposée, etc.
[119] Sur la base de la décision qui a été prise, une commande est déterminée et transmise à l'unité de commande 160 pour la suite de la fabrication.
Entraînement du ou des réseau(x) de neurones
[120] L'apprentissage du ou des réseau(x) de neurones mis en oeuvre se fait de manière connue en soi à l'aide d'une base de données d'apprentissage. Cette base de données comporte des données d'entrée et des données de sortie ; ces données de sortie sont des masques de sortie ('ground truth') que l'on souhaite que le réseau de neurones ou le cas échéant l'ensemble de réseaux de neurones produise, lorsque les données d'entrée lui sont fournies en entrée.
[121] Selon le nombre d'images que le réseau de neurones ou l'ensemble de réseaux de neurones peut recevoir en entrée, les données d'entrée peuvent être des images, des paires d'images, des n-uplets d'images. Par exemple, pour l'entraînement de NN2, les données d'entrée sont des triplets d'images IiNT i, IMAXJ et lvisJ calculés en réalisant l'étape B22 du procédé.
[122] Les explications qui suivant sont données dans le cas où le réseau de neurones ou l'ensemble de réseau de neurones est configuré pour recevoir un triplet d'images en entrée ; mais on comprend bien que la présente divulgation est applicable bien entendu quel que soit le nombre d'images reçues en entrée par le réseau de neurones ou l'ensemble de réseau de neurones. [123] Les masques de sortie souhaités ('ground truth') peuvent être des masques illustrant les différents types de défaut que le réseau de neurones NN doit identifier, comme par exemple des défauts de points chauds (points où la température atteint une valeur excessive), de manque de fusion, et de contamination du bain de fusion. Ces masques de défauts souhaités peuvent être constitués d'images (éventuellement, des images binaires) préparées par des spécialistes de la fabrication des pièces concernées, et représentant les défauts de fabrication identifiés par ces spécialistes à partir de triplets d'images d'entrée IINT i IMAX i et Ivis i-
[124] Dans un mode de réalisation, le réseau de neurones (ou l'ensemble de réseaux de neurones) est entraîné pour que chaque image du masque de défauts serve à évaluer la présence d'un défaut spécifique.
[125] Dans ce cas, la base de données d'apprentissage comporte alors pour chaque défaut un ensemble de triplets d'images d'entrées (IINT i, IMAXJ et lvisJ), avec pour chaque triplet une image de sortie (éventuellement binaire) associée. Cette image de sortie représente, pour le triplet d'images d'entrées auquel elle correspond, la meilleure estimation disponible d'une probabilité de présence du défaut considéré, pour chacun des pixels de l'image (et donc pour chaque point correspondant de la couche soumise au balayage laser).
[126] Dans ce cas, après apprentissage, l'image obtenue en sortie du réseau de neurones (en sortie de la couche de normalisation), est une image probabiliste, qui représente une probabilité de présence du défaut considéré, pour chaque pixel.
[127] Dans un autre mode de réalisation, au moins pour une image du masque de défauts, le réseau de neurones est entraîné pour évaluer la présence de plusieurs défauts à la fois. Le réseau de neurones est ainsi entraîné pour prédire, par l'image de sortie produite, la présence ou l'absence de plusieurs types de défauts, comme par exemple un manque de fusion, un point chaud ou encore une contamination de la pièce due à la présence d'une impureté dans la couche de poudre.
[128] Dans ce cas, la base de données d'apprentissage comporte alors, pour l'image considérée du masque de défauts, un ensemble de triplets d'images d'entrées (IINT i, IMAXJ et IvisJ), et pour chaque triplet une image de sortie associée. Cette image de sortie est alors une image dans laquelle à chaque pixel est attribué une valeur (ou couleur) spécifique, associée à un certain type de défaut identifié à l'endroit du pixel. Par exemple, cette image de sortie peut être constituée de pixels ayant l'une des valeurs suivantes : 0 (pas de défaut), 1 (manque de fusion), 2 (point chaud) ou 3 (contamination de la pièce).
[129] Pour enrichir la base de données d'apprentissage, des images additionnelles peuvent être ajoutées par des méthodes dites « d'augmentation ». Ces images peuvent être produites en appliquant aux images initialement présentes dans une base de données d'exemples une rotation, un décalage de l'image, une inversion gauche/droite, haut/bas, etc.
[130] La fonction de coût utilisée peut être notamment une fonction d'entropie croisée binaire ('binary cross-entropy' en Anglais).
[131] L'apprentissage peut être réalisé de manière globale (en Anglais : 'end-to-end learning') dans toutes les architectures proposées : que ce soit avec l'architecture simple comprenant seulement le premier réseau de neurones NN1, ou avec l'architecture complexe de l'ensemble de réseaux de neurones NN2.
[132] Par ailleurs, la dimension des images peut être optimisée. Les images fournies en entrée au(x) réseau(x) de neurones peuvent être calculées par sous- échantillonnage. Par exemple, les images produites par le capteur de tomographie optique peuvent avoir une résolution élevée (2000 par 2000 pixels ou davantage), mais l'on n'utilise pour la mise en oeuvre de la méthode que des images de résolution plus faible, par exemple 1000 x 1000 pixels.
[133] Dans le cas où les images fournies en entrée au(x) réseau(x) de neurones ont une résolution élevée et pour éviter un tel sous-échantillonnage, une autre technique envisageable consiste à diviser les images en entrée (acquises initialement en 'haute résolution') en sous-images de plus faible résolution, chacune ayant une résolution compatible avec les capacités de traitement des réseaux de neurones utilisés. Les différentes sous-images sont alors traitées par le(s) réseau(x) de neurones, de manière à obtenir les masques de sortie respectifs correspondants. Ces masques de sortie, qui sont à la même dimension ou résolution que les sous-images, sont alors recombinés, ce qui permet d'obtenir un masque de sortie en haute résolution, de même résolution que les images acquises initialement. Par exemple, des images d'entrée de résolution 2000 x 2000 pixels peuvent être divisées en 16 sous-images de dimension 500 x 500 pixels. Pour obtenir les masques de sortie des images initiales de résolution 2000 x 2000 pixels, on assemble alors les masques de sortie produits respectivement à partir des différentes sous-images.
[134] Lors de l'entrainement du réseau, une recherche de la meilleure architecture est réalisée afin de déterminer automatiquement différents paramètres d'architecture du réseau de neurones, notamment les paramètres suivants : la dimension des données d'entrée du réseau de neurones (i.e. la taille des images d'entrée IINT, IMAX et Ivis) ; la profondeur de chacun des réseaux AEINT, AEMAX, AEVIS et AEOUT (nombre de blocs convolutifs) ; la dimension des données intermédiaires, ou en Anglais : 'feature maps' (c'est-à-dire le nombre de neurones par couche) dans les différents blocs convolutifs des différents réseaux de neurones ; Le nombre de couches de convolution des différents blocs convolutifs. Cette recherche peut notamment être réalisée grâce à une analyse par grille (grid search).
[135] Quoique la présente invention ait été décrite en se référant à des exemples de réalisation spécifiques, il est évident que des différentes modifications et changements peuvent être effectués sur ces exemples sans sortir de la portée générale de l’invention telle que définie par les revendications. En outre, des caractéristiques individuelles des différents modes de réalisation évoqués peuvent être combinées dans des modes de réalisation additionnels. Par exemple, le procédé peut être mis en oeuvre en fournissant en entrée à un ensemble de réseaux de neurones seulement l'image IINT i, ou encore seulement les images IINT i et IMAXJ, au lieu des trois images IINT i, IMAXJ et IvisJ- Par conséquent, la description et les dessins doivent être considérés dans un sens illustratif plutôt que restrictif.

Claims

REVENDICATIONS
[Revendication 1] Procédé (B2) de détection de défauts lors d'une fabrication additive par laser, comprenant les étapes suivantes :
B21) on acquiert une première image (I iNT_i), ladite première image étant une image, acquise dans le spectre infra-rouge, d'une surface supérieure d'une couche de poudre exposée à un balayage laser ;
B23) on traite ladite première image à l'aide d'un premier réseau de neurones convolutif (NN1,NN2) de type auto-encodeur, de manière à produire un masque de défauts (Mi) indiquant un emplacement de défauts à la surface supérieure de ladite couche de poudre.
[Revendication 2] Procédé de détection de défauts selon la revendication 1, dans lequel ladite première image est une image intégrée (IINT i) de la surface supérieure, dans laquelle pour chaque pixel, une intensité du pixel représente l'énergie lumineuse cumulée reçue par le pixel pendant une période d'acquisition, notamment une période d'acquisition de durée supérieure à 0,1 seconde.
[Revendication 3] Procédé de détection de défauts selon la revendication 1 ou 2, dans lequel lors de l'étape d'acquisition B21, on acquiert en outre une deuxième image de la surface supérieure exposée au balayage laser ; la deuxième image est une image (IMAXJ) de ladite surface, acquise dans le spectre infra-rouge, dans laquelle pour chaque pixel, une intensité du pixel représente l'énergie lumineuse maximale reçue par le pixel pendant une période d'acquisition ; et lors de l'étape de traitement B23, le traitement réalisé prend en compte en entrée la deuxième image (IMAXJ) en plus de la première image (IINT i)-
[Revendication 4] Procédé de détection de défauts selon l'une quelconque des revendications 1 à 3, dans lequel lors de l'étape d'acquisition (B21), on acquiert en outre une troisième image de la surface supérieure exposée au balayage laser ; La troisième image est une image (IvisJ) de ladite surface, acquise dans le spectre visible ; et lors de l'étape de traitement (B23), le traitement réalisé prend en compte en entrée la troisième image (IvisJ) en plus de la première image (IINT !)■
[Revendication 5] Procédé de détection de défauts selon la revendication 3 ou 4, dans lequel ledit premier réseau de neurones convolutif (AEINT) est configuré pour recevoir en entrée la première image et au moins une première image additionnelle (IMAX, IVIS) parmi ladite deuxième image et ladite troisième image.
[Revendication 6] Procédé de détection de défauts selon la revendication 5, dans lequel le masque de défauts (Mi) est produit directement par le premier réseau de neurones convolutif (NN1).
[Revendication 7] Procédé de détection de défauts selon la revendication 5, dans lequel lors de l'étape de traitement (B23), le traitement est réalisé à l'aide d'un ensemble de réseaux de neurones (NN2) comprenant en entrée, ledit premier réseau de neurones convolutif (AEINT), et en sortie, un réseau de neurones de sortie (AE0UT) notamment de type auto-encodeur, configuré pour recevoir en entrée la sortie du premier réseau de neurones convolutif et pour produire le masque de défauts (Mi) à partir de cette entrée.
[Revendication 8] Procédé de détection de défauts selon la revendication 3 ou 4, dans lequel lors de l'étape de traitement (B23), le traitement est réalisé à l'aide d'un ensemble de réseaux de neurones (NN2) comprenant :
- en entrée, ledit premier réseau de neurones convolutif, et au moins un premier réseau de neurones additionnel de type auto-encodeur (AEMAX, AEVIS) configuré pour recevoir en entrée une première image additionnelle parmi ladite deuxième image et ladite troisième image ; et
- en sortie, un réseau de neurones de sortie (AEOUT) de type auto-encodeur configuré pour recevoir en entrée les sorties du premier réseau de neurones et dudit au moins un premier réseau de neurones additionnel, et pour produire en sortie ledit masque de défauts (Mi).
[Revendication 9] Procédé de détection de défauts selon la revendication 8, dans lequel l'ensemble de réseaux de neurones (NN2) comprend en outre un deuxième réseau de neurones additionnel de type auto-encodeur (AEMAX, AEVIS) configuré pour recevoir en entrée une deuxième image additionnelle parmi ladite deuxième image et ladite troisième image, et qui est autre que la première image additionnelle.
[Revendication 10] Procédé de détection de défauts selon l'une quelconque des revendications 1 à 9, dans lequel ledit premier réseau de neurones (NN1) comprend des connexions reliant des couches de neurones d'indice y à des couches de neurones d'indice n-y, la profondeur totale dudit au moins un réseau de neurones considéré étant égale à n.
[Revendication 11] Procédé de détection de défauts selon l'une quelconque des revendications 1 à 10, dans lequel l'étape d'acquisition (B21) est réalisée à l'aide d'un appareil photo ou d'une caméra, pendant une fabrication de pièce par fusion de poudres par laser.
[Revendication 12] Procédé de détection de défauts selon l'une quelconque des revendications 1 à 11, dans lequel à l'étape de traitement (B23), le masque de défauts (Mi) est produit directement par un réseau de neurones convolutif.
[Revendication 13] Procédé de détection de défauts selon l'une quelconque des revendications 1 à 12, dans lequel lors du traitement appliqué à ladite première image à l'aide dudit premier réseau de neurones convolutif et produisant le masque de défauts (Mi), ladite première image n'est transmise qu'à une entrée du premier réseau de neurones convolutif (NN1,NN2).
[Revendication 14] Procédé de fabrication de pièces par fusion de poudres par laser, dans lequel on fabrique au moins une pièce par fusion de poudres par laser ; et pendant ou après la fabrication de ladite au moins une pièce, on détecte des défauts en mettant en oeuvre le procédé selon l'une quelconque des revendications 1 à 13.
[Revendication 15] Dispositif (200) de traitement de données comprenant au moins un processeur, ainsi qu'une mémoire dans laquelle sont enregistrées des instructions qui, lorsque celles-ci sont exécutées par ledit au moins un processeur, amènent ledit au moins un processeur à exécuter les étapes du procédé selon l'une quelconque des revendications 1 à 13.
[Revendication 16] Système (1000) de fabrication de pièces par fusion de poudres par laser, comprenant une machine (100) de fabrication de pièces par fusion de poudres par laser et un dispositif (200) de traitement de données suivant la revendication 15.
[Revendication 17] Programme d’ordinateur comprenant des instructions qui, lorsque le programme est exécuté par au moins un processeur, amènent ledit au moins un processeur à exécuter les étapes du procédé selon l'une quelconque des revendications 1 à 13.
[Revendication 18] Support de stockage non-volatile lisible par ordinateur, sur lequel est stocké le programme d’ordinateur selon la revendication 17.
EP21811115.1A 2020-10-22 2021-10-22 Procédé de détection de défauts lors d'une fabrication additive par laser, dispositif de traitement de données, programme d'ordinateur et support de stockage pour la mise en oeuvre du procédé Pending EP4232224A1 (fr)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR2010828A FR3115479B1 (fr) 2020-10-22 2020-10-22 Procédé de détection de défauts lors d’une fabrication additive par laser, dispositif de traitement de données, programme d’ordinateur et support de stockage pour la mise en œuvre du procédé.
PCT/FR2021/051864 WO2022084640A1 (fr) 2020-10-22 2021-10-22 Procede de détection de défauts lors d'une fabrication additive par laser, dispositif de traitement de données, programme d'ordinateur et support de stockage pour la mise en œuvre du procédé

Publications (1)

Publication Number Publication Date
EP4232224A1 true EP4232224A1 (fr) 2023-08-30

Family

ID=74553941

Family Applications (1)

Application Number Title Priority Date Filing Date
EP21811115.1A Pending EP4232224A1 (fr) 2020-10-22 2021-10-22 Procédé de détection de défauts lors d'une fabrication additive par laser, dispositif de traitement de données, programme d'ordinateur et support de stockage pour la mise en oeuvre du procédé

Country Status (7)

Country Link
US (1) US20230390824A1 (fr)
EP (1) EP4232224A1 (fr)
JP (1) JP7836812B2 (fr)
CN (1) CN116783020A (fr)
CA (1) CA3196083A1 (fr)
FR (1) FR3115479B1 (fr)
WO (1) WO2022084640A1 (fr)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4193332A1 (fr) * 2020-08-05 2023-06-14 BYK-Chemie GmbH Système et procédé d'évaluation d'une surface revêtue relative à des défauts de surface
CN115880302B (zh) * 2023-03-08 2023-05-23 杭州智源电子有限公司 基于图像分析的仪表盘焊接质量检测方法
US20250319520A1 (en) * 2024-04-16 2025-10-16 Baker Hughes Oilfield Operations Llc Method for additive manufacturing machine and process qualification and verifiction
CN118446972B (zh) * 2024-04-28 2024-10-29 北京海云捷迅科技股份有限公司 金属表面缺陷检测方法、装置以及存储介质
CN120031797B (zh) * 2024-12-31 2025-08-12 四川大学 基于半监督学习的激光定向能沉积内部缺陷监测方法
CN120634999B (zh) * 2025-05-30 2025-11-18 安福得鑫智能设备有限公司 基于工业智能传感器的在线aoi检测系统
CN121563983B (zh) * 2026-01-22 2026-04-07 陕西澳威激光科技有限公司 一种基于图像处理的光纤连接器端面质量评估方法及系统

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102016213609A1 (de) 2016-07-25 2018-01-25 Eos Gmbh Electro Optical Systems Verfahren und Vorrichtung zur Ermittlung der Bauteilqualität
US20180104742A1 (en) 2016-10-18 2018-04-19 General Electric Company Method and system for thermographic inspection of additive manufactured parts
CN114653972A (zh) * 2017-05-10 2022-06-24 莫纳什大学 用于添加制造工艺的质量保证和控制的方法和系统
CN106990114B (zh) * 2017-06-06 2023-10-31 清华大学天津高端装备研究院 增材制造缺陷检测方法及增材制造装置
CN107402220B (zh) * 2017-07-01 2019-07-19 华中科技大学 一种激光选区熔化成形铺粉质量视觉在线检测方法及系统
US10521699B2 (en) * 2017-10-12 2019-12-31 Lawrence Livermore National Security, Llc Multi-scale deep learning system
FR3074596B1 (fr) * 2017-12-01 2019-12-06 Universite De Reims Champagne Ardenne Procede de caracterisation d'echantillons utilisant des reseaux de neurones
WO2019159324A1 (fr) 2018-02-16 2019-08-22 パナソニックＩｐマネジメント株式会社 Procédé de traitement et dispositif de traitement l'utilisant
CN108932721A (zh) * 2018-06-28 2018-12-04 上海电力学院 一种用于巡检机器人的红外图像分割与融合方法
CN109598721B (zh) * 2018-12-10 2021-08-31 广州市易鸿智能装备有限公司 电池极片的缺陷检测方法、装置、检测设备和存储介质
EP3884237A1 (fr) 2019-01-08 2021-09-29 Inkbit, LLC Reconstruction de profondeur dans la fabrication additive
WO2020185169A1 (fr) * 2019-03-13 2020-09-17 Nanyang Technological University Système de surveillance et procédé d'identification d'anomalies dans un processus d'impression 3d

Also Published As

Publication number Publication date
CN116783020A (zh) 2023-09-19
JP2023549660A (ja) 2023-11-29
US20230390824A1 (en) 2023-12-07
CA3196083A1 (fr) 2022-04-28
WO2022084640A1 (fr) 2022-04-28
FR3115479A1 (fr) 2022-04-29
FR3115479B1 (fr) 2023-04-21
JP7836812B2 (ja) 2026-03-27

Similar Documents

Publication Publication Date Title
EP4232224A1 (fr) Procédé de détection de défauts lors d'une fabrication additive par laser, dispositif de traitement de données, programme d'ordinateur et support de stockage pour la mise en oeuvre du procédé
EP0054598B1 (fr) Procédé d'inspection et de tri automatique d'objets présentant des configurations avec des tolérances dimensionnelles fixes et équipement de mise en oeuvre
EP2457379B1 (fr) Procédé d'estimation d'un défaut d'un système de capture d'images et systèmes associés
EP4046129B1 (fr) Procédé de fabrication
WO2010081982A1 (fr) Controle de defauts optiques dans un systeme de capture d'images
EP3571834B1 (fr) Génération adaptative d'une image à grande gamme dynamique d'une scène, à partir d'une pluralité d'images obtenues par lecture non destructive d'un capteur d'image
FR2994307A1 (fr) Procede et dispositif pour la reconstruction d'images a super-resolution
WO2018109372A1 (fr) Procédé de traitement d'image numérique
EP0926625B1 (fr) Procédé de traitement d'image incluant des étapes de filtrage spatio-temporel du bruit et appareil d'imagerie médicale mettant en oeuvre ce procédé
FR3052949A1 (fr) Procede et systeme de prise de vues a l'aide d'un capteur virtuel
EP4111249B1 (fr) Procédé de gestion de blocs de commandes destinés à un système d'imagerie en microscopie, programme d'ordinateur, moyen de stockage et dispositif correspondants domaine technique
EP4185467B1 (fr) Procédé de détection de défauts dans une couche de poudre de fabrication additive déposée sur une zone de travail
EP4229543B1 (fr) Reseau neuronal et procede de traitement d'image, d'extraction et de recombinaison automatique d'informations
EP3555776A1 (fr) Procédé, système et programme d'ordinateur d'aide a la decision pour le choix de pièces à assembler
FR2887347A1 (fr) Procede et dispositif de construction d'une carte de profondeur d'une image numerique
EP0561674B1 (fr) Procédé de correction des défauts d'uniformité des pixels d'un senseur à l'état solide, et dispositif pour la mise en oeuvre du procédé
EP4349002A1 (fr) Procede de traitement de données de pixels, dispositif et programme correspondant
FR3135342A1 (fr) Procédé d’identification d’un joint d’étanchéité torique sur un plan technique et produit programme associé.
EP0826960A1 (fr) Procédé de détection automatique de défauts dans des pièces mécaniques à géométrie complexe
FR3000581A1 (fr) Procede de segmentation d'une image d'un oeil et dispositif associe
FR2973512A1 (fr) Methode et dispositif de detection de colonies d'aiguilles
FR3103600A1 (fr) Procede de determination automatique de parametres d’un reseau de neurones artificiels et microcontroleur pour la mise en œuvre du procede
FR2968454A1 (fr) Procede d'identification et de verification de l'authenticite d'un circuit integre, et circuit integre correspondant
FR2944884A1 (fr) Procede de systeme de correction d'une representation d'une region centrale d'un oeil sur une image photographique dudit oeil prise avec un flash.

Legal Events

Date Code Title Description
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: UNKNOWN

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

Free format text: STATUS: THE INTERNATIONAL PUBLICATION HAS BEEN MADE

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

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

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20230522

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC MK MT NL NO PL PT RO RS SE SI SK SM TR

DAV Request for validation of the european patent (deleted)
DAX Request for extension of the european patent (deleted)