FR3119255A1 - Détection d’anomalie dans des pièces mécaniques - Google Patents
Détection d’anomalie dans des pièces mécaniques Download PDFInfo
- Publication number
- FR3119255A1 FR3119255A1 FR2100810A FR2100810A FR3119255A1 FR 3119255 A1 FR3119255 A1 FR 3119255A1 FR 2100810 A FR2100810 A FR 2100810A FR 2100810 A FR2100810 A FR 2100810A FR 3119255 A1 FR3119255 A1 FR 3119255A1
- Authority
- FR
- France
- Prior art keywords
- mechanical part
- images
- image
- phase
- models
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title description 11
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000010200 validation analysis Methods 0.000 claims description 25
- 238000000354 decomposition reaction Methods 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000002829 reductive effect Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 5
- 238000003325 tomography Methods 0.000 claims description 5
- 239000000463 material Substances 0.000 description 13
- 238000012545 processing Methods 0.000 description 10
- 230000009467 reduction Effects 0.000 description 6
- 239000011166 3D woven composite Substances 0.000 description 5
- 238000012937 correction Methods 0.000 description 5
- 238000002790 cross-validation Methods 0.000 description 5
- 238000006073 displacement reaction Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000009659 non-destructive testing Methods 0.000 description 4
- 230000000717 retained effect Effects 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 238000010521 absorption reaction Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000009941 weaving Methods 0.000 description 3
- 239000002131 composite material Substances 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- MGGVALXERJRIRO-UHFFFAOYSA-N 4-[2-(2,3-dihydro-1H-inden-2-ylamino)pyrimidin-5-yl]-2-[2-oxo-2-(2,4,6,7-tetrahydrotriazolo[4,5-c]pyridin-5-yl)ethyl]-1H-pyrazol-5-one Chemical compound C1C(CC2=CC=CC=C12)NC1=NC=C(C=N1)C=1C(=NN(C=1)CC(=O)N1CC2=C(CC1)NN=N2)O MGGVALXERJRIRO-UHFFFAOYSA-N 0.000 description 1
- 229920000049 Carbon (fiber) Polymers 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000009954 braiding Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000004917 carbon fiber Substances 0.000 description 1
- 239000000919 ceramic Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 239000011347 resin Substances 0.000 description 1
- 229920005989 resin Polymers 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 239000004753 textile Substances 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
Procédé de détection d’anomalie dans une pièce mécanique, comportant une phase de création de modèles de la pièce mécanique et une phase d’application des modèles à la pièce mécanique, le procédé étant caractérisé en ce que
la phase de création de modèles de la pièce mécanique comporte une étape (E3) de corrélation d’images volumiques étendue, CIVe, des images volumiques d’une base de données d’images volumiques de pièces mécaniques, avec l’une des images volumiques de la base de données d’images volumiques de pièces mécaniques choisie comme image de référence, de manière à déterminer des données représentatives d’images de résidu de corrélation entre chacune des images volumiques de la base de données d’images volumiques de pièces mécaniques et l’image de référence.
Figure pour l’abrégé : figure 1
Description
La présente invention concerne le contrôle non destructif de pièces mécaniques, en particulier de pièces aéronautiques. Elle concerne plus précisément la détection d’anomalie dans des pièces mécaniques.
Les pièces mécaniques en question sont de préférence des pièces possédant une architecture très structurée qui présente une texture très riche dans des images tomographiques. Il s’agit notamment de pièces réalisées en matériau composite tissé 3D.
État de l’art antérieur
Le contrôle non destructif de pièces mécaniques a pour but d’assurer la qualité des pièces mécaniques.
La technique de tomographie aux rayons X d’une pièce mécanique exploite l'absorption différentielle des rayons X par différents matériaux pour reconstruire, par le calcul, à partir d'une série de radiographies, une image volumique de la pièce étudiée. L'information contenue dans les images de tomographie est précieuse car elle concerne l'ensemble du volume de la pièce et donne accès non seulement à la microstructure de celle-ci mais aussi potentiellement à ses anomalies.
Cependant, le volume de données des images acquises par tomographie est considérable. En conséquence, l’inspection visuelle des images pour la sanction de la pièce par un opérateur humain est longue et difficile et comporte un risque fort de non détection d’anomalie.
La définition précise de la signature de chacune des anomalies est extrêmement difficile. De plus, même si cette opération est réalisée, de nouvelles anomalies peuvent apparaitre dans le futur et elles ne seront pas référencées.
Des méthodes de contrôle non destructif sont exposées par exemple dans WO2017089714A1, FR3050826B1, FR3050274B1 ou WO2015033044A1.
Ces documents proposent des méthodes d’apprentissage du type supervisé. En d’autres termes, les anomalies détectées dans les pièces mécaniques contrôlées sont utilisées pour la construction des modèles numériques.
Cela implique qu’il est nécessaire d’identifier et de décrire tous les types possibles d’anomalies.
L’invention vise à résoudre les problèmes de la technique antérieure en fournissant un procédé de détection d’anomalie dans une pièce mécanique, comportant une phase de création de modèles de la pièce mécanique et une phase d’application des modèles à la pièce mécanique, le procédé étant caractérisé en ce que
la phase de création de modèles de la pièce mécanique comporte une étape de corrélation d’images volumiques étendue, CIVe, des images volumiques d’une base de données d’images volumiques de pièces mécaniques, avec l’une des images volumiques de la base de données d’images volumiques de pièces mécaniques choisie comme image de référence, de manière à déterminer des données représentatives d’images de résidu de corrélation entre chacune des images volumiques de la base de données d’images volumiques de pièces mécaniques et l’image de référence.
Grâce à l’invention, il n’est pas nécessaire de décrire tous les types d’anomalie. Au contraire, l’invention propose de décrire une « normalité » observée dans la base de données, avec une dispersion acceptable, ce qui permet de détecter les écarts à cette normalité, définis comme des anomalies. Cela permet aussi de détecter d’éventuelles nouvelles anomalies non encore référencées.
L’invention permet d’obtenir un espace de représentation unique normalisé pour toute pièce mécanique à contrôler. Cela permet de s’affranchir de la variabilité usuelle et jugée comme acceptable qui est inhérente au matériau, dans un ensemble de pièces représentatives de la production et surtout d’exprimer les différences résiduelles dans l’espace de représentation normalisé commun à toutes les pièces.
Grâce à l’invention, on obtient des mesures quantitatives décrivant l’écart d’une pièce à une normalité observée dans l’ensemble de pièces représentatives de la production.
Le fait de caractériser la normalité permet de réaliser une détection d’anomalie de manière non supervisée.
Les informations obtenues sont une aide à la sanction de la santé matière en production de pièces mécaniques, notamment réalisées en matériau composite tissé 3D, par un traitement automatique.
Selon une caractéristique préférée, la phase de création de modèles de la pièce mécanique comporte aussi une étape de décomposition en pavés des images de résidu de corrélation, pour former un ensemble de pavés par image de résidu de corrélation.
Selon une caractéristique préférée, chaque pavé de chaque image de résidu de corrélation est étiqueté selon que le centre respectif dudit pavé se trouve ou non à l’intérieur d’une indication pour la pièce mécanique correspondant à l’image de résidu de corrélation considérée.
Selon une caractéristique préférée, la phase de création de modèles de la pièce mécanique comporte aussi une étape de segmentation de la base de données d’images volumiques pour former un ensemble de matrices d’apprentissage contenant les pavés correspondant à des images ne contenant aucune indication et un ensemble de matrices de validation contenant les pavés correspondant à des images contenant au moins une indication.
Selon une caractéristique préférée, la phase de création de modèles de la pièce mécanique comporte aussi une étape de décomposition en modes et valeurs propres, SVD, des matrices d’apprentissage et une projection du résultat de la décomposition dans une base réduite.
Selon une caractéristique préférée, la phase de création de modèles de la pièce mécanique comporte aussi une étape de calcul de similarité pour chaque pavé de chaque matrice de validation.
Selon une caractéristique préférée, la phase de création de modèles de la pièce mécanique comporte aussi une étape de détermination d’un ensemble des cartes de prédiction correspondant respectivement aux matrices de validation, à partir de la similarité calculée pour chaque pavé de chaque matrice de validation, et une étape de binarisation des cartes de prédiction pour former des masques de prédiction.
Selon une caractéristique préférée, la phase de création de modèles de la pièce mécanique comporte aussi une étape d’évaluation des performances via zones de recouvrement entre les masques de prédiction et les indications correspondantes.
Selon une caractéristique préférée, la phase de création de modèles de la pièce mécanique comporte aussi une étape d’optimisation de paramètres en fonction du résultat de l’étape d’évaluation des performances.
Selon une caractéristique préférée, la phase d’application des modèles à la pièce mécanique comporte une étape d’acquisition d’image volumique de la pièce mécanique par tomographie, et une étape de corrélation d’images volumiques étendue entre l’image volumique de la pièce mécanique et l’image de référence pour déterminer une image de résidu de corrélation.
Selon une caractéristique préférée, la phase d’application des modèles à la pièce mécanique comporte des étapes de décomposition en pavés de l’image de résidu de corrélation, de projection des pavés déterminés à l’étape de décomposition dans le sous-espace défini par chacun des modèles appris à l’étape de décomposition en modes et valeurs propres des matrices d’apprentissage, de calcul de similarité pour chaque pavé, de détermination d’une carte de prédiction et de binarisation de la carte de prédiction.
L’invention concerne aussi un dispositif de détection d’anomalie dans une pièce mécanique, comportant un module de création de modèles de la pièce mécanique et un module d’application des modèles à la pièce mécanique, le dispositif étant caractérisé en ce que
le module de création de modèles de la pièce mécanique est adapté pour réaliser une corrélation d’images volumiques étendue, CIVe, des images volumiques d’une base de données d’images volumiques de pièces mécaniques, avec l’une des images volumiques de la base de données d’images volumiques de pièces mécaniques choisie comme image de référence, de manière à déterminer des données représentatives d’une image de résidu de corrélation entre chacune des images volumiques de la base de données d’images volumiques de pièces mécaniques et l’image de référence.
Le dispositif présente des avantages analogues à ceux précédemment présentés.
Dans un mode particulier de réalisation, les étapes du procédé selon l’invention sont mises en œuvre par des instructions de programme d’ordinateur.
En conséquence, l’invention vise aussi un programme d’ordinateur sur un support d’informations, ce programme étant susceptible d’être mis en œuvre dans un ordinateur, ce programme comportant des instructions adaptées à la mise en œuvre des étapes d'un procédé tel que décrit ci-dessus.
D’autres caractéristiques et avantages apparaîtront à la lecture de la description suivante d’un mode de réalisation préféré, donné à titre d’exemple non limitatif, décrit en référence aux figures dans lesquelles :
Des parties identiques, similaires ou équivalentes des différentes figures portent les mêmes références numériques de façon à faciliter le passage d’une figure à l’autre.
Les différentes parties représentées sur les figures ne le sont pas nécessairement selon une échelle uniforme, pour rendre les figures plus lisibles.
Les différentes possibilités (variantes et modes de réalisation) doivent être comprises comme n’étant pas exclusives les unes des autres et peuvent se combiner entre elles.
E
xposé
d
étaillé
d
e
m
odes
d
e
r
éalisation
p
articuliers
L’invention concerne le contrôle non destructif de pièces mécaniques, notamment de pièces aéronautiques. Par exemple, il s’agit d’aubes de soufflantes de moteur.
Ces pièces mécaniques possèdent une architecture très structurée qui présente une texture très riche dans des images tomographiques. Par exemple, ces pièces mécaniques sont réalisées en un matériau composite tissé 3D. Ce matériau est composé d’un renfort fibreux tissé et d’une matrice à résine organique ou céramique le dotant de propriétés mécaniques spécifiques (par unité de masse) élevées.
Le renfort est composé par des torons (composés par exemple de fibres de carbone) arrangés selon des motifs de tissage définis, qui décrivent le positionnement relatif des torons concernés de chaîne et de trame.
La non conservation de la topologie et/ou de la géométrie définies par ces motifs est considérée comme une anomalie de tissage. D’autre part, certaines variations minimes du tissage, comme un léger écartement entre deux torons parallèles, peuvent ne pas être considérées comme des anomalies.
La limite d'acceptabilité des écarts à la normalité, au-delà de la variabilité habituelle des écarts entre pièces, est déterminée par des experts.
Il est à noter que dans cette description, tout ce qui s’applique à un tissage s’applique également à un tressage.
Selon un mode de réalisation préféré, représenté à la , le procédé de détection d’anomalie dans une pièce mécanique comporte des étapes E1 à E20.
A l’étape E1, on considère N exemplaires d’une même pièce mécanique, N étant un entier, et on réalise une acquisition d’image tomographique, ou image volumique, de chacune des N pièces mécaniques pour former une base de données de N images tomographiques des pièces mécaniques.
L’acquisition d’images tomographiques est connue en soi. Il s’agit d’une méthode d’imagerie, non destructive, donnant accès aux images volumiques décrivant la microstructure des pièces mécaniques. Cette méthode est basée sur l’interaction des rayons X avec la pièce mécanique observée. Dans le cas présent, cette interaction consiste majoritairement en l’atténuation du rayonnement par absorption, propriété dépendante de la matière traversée. Cette atténuation est mesurée par des projections acquises à différentes angles d’observation de la pièce mécanique.
L’ensemble de ces projections est traité par un algorithme de reconstruction (tomographique) afin d’obtenir une image volumique g(x,t) de la pièce mécanique. L’image volumique de la pièce mécanique est composée par des unités d’information de base nommées voxels, auxquelles est attaché un paramètre scalaire, représenté par un niveau de gris, qui traduit le coefficient d'absorption local. Le paramètre x est la position des voxels dans l’espace 3D et le paramètre t est le numéro de l’image volumique parmi les N images volumiques.
Dans le contexte de la présente invention, celui du contrôle en série, la taille du voxel des images acquises est de l’ordre de la centaine de microns pour des pièces pouvant attendre des tailles de plusieurs dizaines de centimètre.
En particulier pour les matériaux composites tissés 3D, cette résolution d’image n'est que très peu inférieure à la plus petite dimension physique des torons dans la pièce mise en forme (épaisseurs des torons).
Le résultat de l’étape E1 est donc la base de données de l’ensemble des N images volumiques g(x,t), t∈[1,N], dans laquelle chaque image volumique correspond respectivement à une des pièces mécaniques de l’ensemble.
A l’étape E2, la base de données est enrichie par des résultats d’une inspection humaine des pièces mécaniques de l’ensemble des pièces mécaniques.
On considère les images volumiques des N pièces mécaniques.
Toutes ces pièces mécaniques sont inspectées par des opérateurs qualifiés pour réaliser le contrôle de santé matière de chaque pièce. Pour chaque pièce mécanique, une liste d’indications est ainsi créée, détaillant pour chacune son type, sa position, et sa taille. Une indication est la description d’une anomalie.
Les pièces mécaniques sont alors classées en « pièces mécaniques saines » et « pièces mécaniques non saines » en fonction du résultat de l’inspection. Les pièces mécaniques saines sont celles ne présentant aucune indication. Le classement est donc fait sur la base des pièces entières.
Il est à noter que le volume total impacté par les indications ne représente qu'une très faible fraction, par exemple 10-5, du volume total des pièces mécaniques.
Les indications d’une pièce mécaniques sont associées à l’image volumique de cette pièce. En outre, le classement en « pièces mécaniques saines » et « pièces mécaniques non saines » est également associé aux images volumiques, respectivement.
Le résultat de l’étape E2 est la base de données d’images volumiques enrichie par les indications respectives des images volumiques et leur classement respectif en image volumique saine ou image volumique non saine. Ces données sont mémorisées.
Une fois que l’on dispose de la base de données enrichie ainsi constituée, il est possible de passer à la phase de création de modèles numériques. La phase de création de modèles numériques a pour fonction de déterminer des modèles numériques qui sont mémorisés pour être utilisés ultérieurement.
La phase de création de modèles numériques comporte les étapes E3 à E12.
L’étape E3 est une corrélation d’images volumiques étendue, CIVe, des images volumiques de la base de données précédemment constituée. Cette étape a pour but de projeter les données traitées dans un espace de représentation normalisé unique.
La corrélation d’images volumiques, CIV, est une méthode de recalage non-rigide entre paires d’images volumiques, basée sur l’hypothèse de la conservation des niveaux de gris dans la région d’intérêt considérée.
La corrélation d’Images volumiques étendue, CIVe, est par exemple définie dans l’article "Differentiating 3D textile composites: A novel field of application for Digital Volume Correlation », dans Composite Structures (2019), par A. Mendoza, J. Schneider, E. Parra, E. Obert, S. Roux.
La version étendue de la CIV comporte la détermination d’un champ de déplacement continu (un difféomorphisme respectant la topologie) et de champs de correction de niveaux de gris.
La version étendue de la CIV permet de gérer des variations dans les niveaux de gris indépendamment du déplacement. Dans le cas de l’imagerie tomographique, la présence de certains artefacts de reconstruction (comme des anneaux de reconstruction ou du durcissement du faisceau) peut donner lieu à des variations de ce type.
Pour appliquer la corrélation d’images volumique étendue, CIVe, aux images volumiques g(x,t) de la base de données, t∈[1,N], l’une des images volumiques est arbitrairement choisie comme image de référence f(x). On choisit par exemple l’image volumique de la première pièce mécanique saine dans la liste.
Deux maillages conformes à l’image volumique de référence f(x) sont créés. Ils serviront de support respectivement aux champs de déplacement et aux champs de correction de niveaux de gris.
Le maillage utilisé pour la décomposition cinématique a la taille de maille la plus fine et est composé de Ndofdegrés de liberté (« degrees of freedom » en anglais).
On considère les (N-1) paires d’images volumiques (f(x), g(x,t)). La corrélation d’images volumique étendue, CIVe, est appliquée pour les (N-1) paires d’images volumiques ((fx), g(x,t)) afin d’obtenir les champs de déplacement u(x,t), les champs de correction de niveaux de gris qui incluent une correction de contraste w1(x,t) et une correction de brillance w2(x,t), et les images de résidu de corrélation η(x,t) pour chaque image volumique g(x,t), t∈[2,N] (en supposant que l’indice 1 est affecté à l’image de référence).
Soit gc(x,t) une image corrigée, on a :
Soit gc(x,t) une image corrigée, on a :
gc(x,t) = g(x + u(x,t),t)
Dans la suite, on s’intéresse plus particulièrement aux images de résidu de corrélation η(x,t), définies comme :
Le résultat de l’étape E3 de corrélation d’images volumiques étendue, CIVe, des (N-1) images volumiques de la base de données est ainsi un ensemble de (N-1) images de résidu de corrélation η(x,t), chaque image de résidu de corrélation correspondant à une image volumique g(x,t), t∈[2,N].
L’utilisation de la CIVe comme prétraitement de détection d’anomalie permet de créer un espace de représentation unique normalisé basé sur la topologie du matériau.
L’étape suivante E4 est une décomposition en pavés des (N-1) images de résidu de corrélation η(x,t) déterminées à l’étape précédente. Grâce à la constitution de l’espace de représentation unique, un seul pavage est nécessaire. Le pavage est réalisé à partir de l’image volumique de référence f(x).
Le pavage d’une image volumique consiste à la représenter avec une pluralité de sous-volumes élémentaires statistiquement représentatifs de l’image volumique. Ces sous-volumes couvrent entièrement (ou partiellement) l’objet d’intérêt dans l’image.
Pour le cas d’un pavage régulier structuré, les pavés ont tous la même taille, ils sont agencés de manière régulière (suivant les axes de l’image) et sont séparés d’un pas constant (« stride » en anglais). De plus, ils peuvent être orientés selon les directions de l’objet en question (guidés par sa surface).
Ainsi, pour une image quelconque contenant un objet, la première étape pour réaliser le pavage est la segmentation de l’objet par rapport au reste de l’image. Ceci peut se réaliser en identifiant le seuil qui maximise la variance interclasse de l'histogramme des niveaux de gris de l’image (méthode d’Otsu).
Ensuite, un premier pavage complet de l’image volumique est réalisé selon une taille et un espacement définis. Son intersection avec l’objet préalablement segmenté dans l’image est calculée.
De cette manière, seuls les pavés contenant un pourcentage minimum de l’objet sont retenus. Si le pourcentage est trop faible, des pavés pourraient inclure des régions contenant l’extérieur de l’objet (le fond segmenté). De même, si le pourcentage est trop élevé, certaines régions dans les bords de l’objet risqueraient de ne pas être retenues dans des pavés.
Ainsi, le pavage est constitué de pavés avec x qui est ici un vecteur : , et , où Nwidth, Nheightet Ndepthsont les dimensions de pavé et Npavésest un entier égal au nombre de pavés dans la pièce mécanique de l’image volumique de référence f(x).
Les pavés ont une taille de et sont séparés d’une distance entre centres de .
Les pavés sont ensuite orientés afin de mieux s’adapter à la forme de la pièce mécanique. Les orientations sont données par les vecteurs normaux à la surface de la pièce mécanique et les vecteurs interpolés vers le cœur de la pièce mécanique à partir de ces derniers.
Enfin, seuls les pavés strictement inclus dans la pièce mécanique sont retenus.
Le résultat de l’étape E4 est donc un ensemble de pavés ν(x,t,p) par pièce mécanique, formés dans les (N-1) images de résidu de corrélation η(x,t).
L’étape suivante E5 est un étiquetage des pavés ν(x,t,p) formés à l’étape précédente. On considère chacun des pavés formés, et pour un pavé donné, si le centre du pavé ν(x,t,p) se trouve à l’intérieur d’une des indications pour la pièce mécanique considérée (étape E2), il est étiqueté comme « non acceptable », sinon il est étiqueté comme « acceptable ».
Le résultat de l’étape E5 est donc l’ensemble des pavés étiquetés.
L’étape suivante E6 est une segmentation de la base de données d’images volumiques.
La base de données des images volumiques de pièces mécaniques est partitionnée en deux sous-ensembles : un ensemble d’apprentissage et un ensemble de validation.
L’ensemble d’apprentissage est composé uniquement par des images volumiques de pièces mécaniques saines c’est-à-dire ne contenant aucune indication (étape E2). L’ensemble de validation est composé par des images volumiques de pièces mécaniques contenant au moins une indication.
Cette segmentation de la base de données est aussi effectuée sur les pavés. Ainsi, deux sous-ensembles de pavés sont formés : l’ensemble des pavés d’apprentissage et l’ensemble des pavés de validation , avec qui est l’indice des pièces mécaniques saines à utiliser pour l’apprentissage et qui est l’indice des pièces mécaniques à utiliser pour la validation.
Il est à noter que tous les pavés de l’ensemble des pavés d’apprentissage sont étiquetés comme « acceptable », alors que l’ensemble des pavés de validation contient des pavés étiquetés comme « acceptable » et des pavés étiquetés comme « non acceptable » selon la position des pavés par rapport aux indications.
Finalement, ces deux collections de pavés sont « assemblées » respectivement dans deux matrices rectangulaires et avec et . Cela produit matrices pour l’apprentissage et matrices pour la validation. Chacune de ces matrices contient un pavé par colonne, où chaque indice de colonne dénote l’indice de pièce mécanique ou respectivement.
Le résultat de l’étape E6 est donc les matrices d’apprentissage et les matrices de validation.
L’étape suivante E7 est une réduction de modèle. Cette étape combine une décomposition en modes et valeurs propres (SVD) des matrices d’apprentissage et une projection du résultat de la décomposition dans une base réduite.
La décomposition en modes et valeurs propres (SVD) de matrice implique la détermination de matrices carrées dont les colonnes contiennent des vecteurs propres gauches et droits respectivement, et d’une matrice diagonale dont les éléments sont des valeurs propres associées.
La décomposition en modes et valeurs propres (SVD) de matrice est un changement de base. Cette base est choisie par ordre décroissant des valeurs propres, ces dernières indiquant les « représentativités » des modes. De plus, ces modes constituent un repère orthonormé, avec les vecteurs de base orthogonaux entre eux.
La projection du résultat de la décomposition dans une base réduite permet soit d'être exhaustif (la base n’est alors pas réduite), soit de proposer une représentation réduite où l’on ne garde que les composantes les plus représentatives. Cela permet surtout de choisir le bon compromis entre réduire la quantité d'information, et être précis, et ce avec souplesse puisqu’on peut enrichir ou appauvrir à volonté les informations.
L’opération de projection dans une base réduite s’écrit :
avec une matrice de projection où Ntrain.
Cette opération de projection sert à conserver uniquement les premières composantes de la matrice .
L’opération de réduction de modèle s’écrit
Ainsi on détermine une fonction de réduction de modèle qui est calculée pour chaque pavé dans la matrice d’apprentissage avec .
La valeur optimale de la dimension sera définie dans la suite. Le choix de la dimension q permet de contrôler la dimension de l'espace de variations admissibles.
Cette étape représente un protocole d’apprentissage régionalisé par pavé, lequel sera utilisé dans la suite avec la base de validation.
Le résultat de l’étape E7 est donc une fonction de réduction de modèle calculée pour chaque pavé p dans les matrices d’apprentissage.
L’étape suivante E8 est un calcul de similarité pour l’ensemble de validation, déterminé à l’étape E6, en mesurant la distance entre chaque pavé courant et sa projection dans l’ensemble d'apprentissage. Ainsi, en considérant un pavé donné, la similarité s’exprime comme :
où représente la -ème colonne de la matrice de validation , (chaque colonne représente une pièce mécanique).
La métrique choisie est par exemple l’Intercorrélation Normalisée (NCC pour Normalized Cross Correlation en anglais), soit :
avec .
Cette métrique peut être étendue à la ZNCC (d’après l’anglais « Zero Normalized Cross Correlation ») avec :
Alternativement, la mesure de similarité structurelle (SSIM), publiée dans "Image Quality Assessment: from Error Visibility to Structural Similarity » de Z. Wang, A.C. Bovik, H.R. Sheikh, et E.P. Simoncelli, IEEE Transactions on Image Processing (Volume 13 Issue 4, Avril 2004), peut être utilisée en remplacement de la métrique NCC.
Le résultat de l’étape E8 est donc l’ensemble des résultats de calcul de similarité pour les pavés de validation.
L’étape suivante E9 est un assemblage des métriques de similarité déterminées à l’étape précédente. Cette opération est l’inverse de celle du pavage. Il s’agit ici de former une image, ou carte de prédiction, à partir de valeurs ponctuelles par pavé qui sont les similarités de pavés calculées pour chaque pavé à l’étape précédente.
Cela produit des cartes de prédiction , pour . Il faut noter que les pavés en question ont une taille de voxels avec une seule valeur scalaire par pavé (attribuée au centre du pavé). De plus, les pavés sont séparés d’une distance (entre centres) de voxels, ce qui génère des superpositions. L’objectif de cette étape est d’utiliser ces valeurs connues (aux centres des pavés) pour interpoler et obtenir un champ scalaire dans tout le domaine. Il y a autant de cartes de prédiction que de pièces mécaniques dans l’ensemble de validation déterminé à l’étape E6.
Le résultat de l’étape E9 est donc l’ensemble des cartes de prédiction , pour .
L’étape suivante E10 est un traitement des cartes de prédiction y(x,t) déterminées à l’étape précédente pour les convertir en masques de prédiction , pour via une opération de binarisation.
Cette opération peut être réalisée en comparant chaque valeur de prédiction à un seuil global qui peut être déterminé en analysant l’histogramme de la carte de prédiction, en prenant le dernier quartile, ou en choisissant une valeur a priori.
En variante, cette opération peut être réalisée en utilisant un ensemble de seuils déterminés par seuillage local adaptatif, ou par une méthode d’apprentissage telle que l’application d’un séparateur à vaste marge à une classe (SVM à une classe).
Il est à noter que la valeur du seuil τ est optimisée à l’étape E12.
Le résultat de l’étape E10 est donc l’ensemble des masques de prédiction , pour .
L’étape suivante E11 est une évaluation des performances via zones de recouvrement entre les masques de prédiction déterminés à l’étape précédente et les indications correspondantes. Les performances pour sont calculées.
On utilise les images appartenant à l’ensemble de validation déterminé à l’étape E6. Les pavés des images de l’ensemble de validation ont été étiquetés comme « acceptable » ou « non acceptable » en fonction des indications, également à l’étape E6.
Cette étape utilise une métrique qui est par exemple l'indice de Jaccard ou le coefficient d'appariement simple (SMC pour « simple matching coefficient » en anglais).
Le résultat de l’étape E11 est donc l’ensemble des performances pour . Ces performances sont utilisées à l’étape suivante.
L’étape suivante E12 est une optimisation des paramètres à l’aide de procédures de validation croisée, comme la validation croisée en k fois « (k-fold cross validation » en anglais).
Les paramètres qui sont optimisés sont notamment le ou les seuil(s) τ et le nombre de variables à retenir q. Il est aussi possible d’inclure d’autres paramètres comme la taille et l’espacement des pavés, les paramètres concernant l’étape de projection (SVD) ou encore les paramètres concernant l’étape de normalisation (CIV).
La validation croisée permet, à travers une technique d'échantillonnage, d'estimer la fiabilité d'un modèle d'apprentissage.
L'objectif de la validation croisée est de tester la capacité du modèle à prédire de nouvelles données qui n'ont pas été utilisées pour les estimer. Le but est de signaler des problèmes tels que le sur-ajustement ou le biais de sélection, et de donner un aperçu de la façon dont le modèle se généralisera à un ensemble de données indépendant.
La validation croisée en fois consiste à diviser la base de données source en sous-échantillons de taille égale.
Parmi les sous-échantillons, un sous-échantillon est conservé pour l’étape de validation (pour tester le modèle) tandis que les sous-échantillons restants sont utilisés pour l’étape d’apprentissage.
Ensuite un modèle est créé en utilisant les données d’apprentissage et évalué en utilisant les données de validation.
Ce processus est répété fois, chacun des sous-échantillons étant utilisé exactement une fois comme données de validation.
Ainsi, résultats liés à modèles sont obtenus. Ceci permet la sélection du meilleur modèle (ou des meilleurs modèles).
Cette étape conclut la phase de création de modèles numériques, laquelle définit les modèles de normalisation, de projection et de décision, qui ont été déterminés aux étapes E3 d’application de la CIVe pour la normalisation, E7 de réduction de modèle pour la projection et E8-E10 d’obtention de masques de prédiction pour la décision.
Chacun de ces modèles contient notamment les paramètres qui les contrôlent. Par exemple, différentes valeurs de τ définiront différentes versions du modèle de décision.
Le résultat de l’étape E12 est donc l’ensemble des modèles optimisés.
Cet ensemble de modèles optimisés est mémorisé pour être utilisé dans la suite.
La phase de création de modèles, comportant les étapes E3 à E12, est suivie de la phase d’application des modèles pour la détection d’anomalie dans une pièce mécanique. La phase d’application comporte des étapes E13 à E20.
L’étape E13 est l’acquisition d’une image tomographique, ou image volumique, d’un exemplaire de pièce mécanique dans lequel la détection d’anomalie est à effectuer. Cette étape comporte la même opération que celle de l’étape E1, mais concerne une nouvelle pièce.
L’étape suivante E14 est une corrélation d’images volumiques étendue, CIVe, de l’image volumique précédemment acquise à l’étape E13. De manière similaire à l’étape E3, la corrélation d’images volumique étendue, CIVe, est appliquée entre l’image volumique précédemment acquise et l’image de référence f(x).
Le résultat de l’étape E14 est une image de résidu de corrélation η(x) entre l’image de référence f(x) et l’image volumique formée à l’étape précédente.
L’étape suivante E15 est une décomposition en pavés de l’image de résidu de corrélation η(x) déterminée à l’étape précédente, suivant les paramètres de pavage déterminés précédemment.
Le résultat de l’étape E15 est donc un ensemble de pavés avec .
L’étape suivante E16 est une projection des pavés déterminés à l’étape E15 dans le sous-espace défini par chacun des modèles appris à l’étape E7, avec la fonction de réduction de modèle Pqdéterminée pour chaque pavé, en utilisant les paramètres optimisés à l’étape E12.
Le résultat de l’étape E16 est donc un ensemble de pavés projetés dans le sous-espace défini par chacun des modèles appris à l’étape E7.
L’étape suivante E17 est un calcul de similarité pour chaque pavé déterminés à l’étape E16, avec :
Cette opération est analogue à celle de l’étape E8.
Le résultat de l’étape E17 est donc l’ensemble des résultats de calcul de similarité pour les pavés déterminés à l’étape E16.
L’étape suivante E18 est un assemblage des métriques de similarité déterminées à l’étape précédente. Cet assemblage produit une image, ou carte de prédiction, formée à partir des valeurs ponctuelles par pavé qui sont les similarités de pavés calculées pour chaque pavé à l’étape précédente.
Cette opération est analogue à celle de l’étape E9.
Le résultat de l’étape E18 est donc la carte de prédiction.
L’étape suivante E19 est un traitement de la carte de prédiction déterminée à l’étape précédente pour la convertir en un masque de prédiction via une opération de binarisation.
Cette opération est analogue à celle de l’étape E10 et utilise les paramètres optimisés à l’étape E12.
Le résultat de l’étape E19 est donc le masque de prédiction pour l’exemplaire de pièce mécanique à contrôler.
L’étape suivante E20 est la fourniture du masque de prédiction à un système d’interface homme-machine qui affichera l’information contenue dans ce masque de prédiction pour un utilisateur.
Cette information constitue une aide à la sanction de la santé matière en production de pièces aéronautiques (réalisés en matériau composite tissé 3D) par un traitement automatique.
La représente un dispositif de détection d’anomalie dans une pièce mécanique selon un mode de réalisation de l’invention.
Le dispositif de détection d’anomalie comporte un module 1 d’acquisition d’images volumiques de pièces mécaniques. Ce module est connu en soi et ne sera pas détaillé ici. Le module 1 d’acquisition d’images volumiques est utilisé pour réaliser les étapes E1 et E2 pour produire la base de données d’images volumiques enrichie qui est mémorisée.
Le dispositif de détection d’anomalie comporte aussi un module de traitement 2 relié au module 1 d’acquisition d’images volumiques. Le module de traitement 2 est adapté pour réaliser les étapes E3 à E20. Le module de traitement 2 comporte un sous-module de création de modèles de la pièce mécanique et un sous-module d’application des modèles à la pièce mécanique.
Le sous-module de création de modèles de la pièce mécanique est notamment adapté pour réaliser une corrélation d’images volumiques étendue, CIVe, des images volumiques d’une base de données d’images volumiques de pièces mécaniques, avec l’une des images volumiques de la base de données d’images volumiques de pièces mécaniques choisie comme image de référence, de manière à déterminer des données représentatives d’images de résidu de corrélation entre chacune des images volumiques de la base de données d’images volumiques de pièces mécaniques et l’image de référence.
Le module de traitement 2 est implémenté sous la forme d’un ordinateur qui comporte notamment un processeur 100, une mémoire 101, une interface d’entrée 102 et une interface de sortie 103.
Ces différents éléments sont classiquement reliés par un bus 105.
Le processeur 100 exécute un programme d’ordinateur mettant en œuvre le procédé selon l’invention. Ces traitements sont réalisés sous la forme d’instructions de code du programme d’ordinateur qui sont mémorisées par la mémoire 101 avant d’être exécutées par le processeur 100.
L’interface d’entrée 102 est reliée au module 1 d’acquisition d’images volumiques et est destinée à recevoir les données représentant les images volumiques.
L’interface de sortie 103 est reliée à un système d’interface homme-machine 3 et lui délivre les données qui représentent un masque de prédiction pour l’exemplaire de pièce mécanique à contrôler.
Claims (13)
- Procédé de détection d’anomalie dans une pièce mécanique, comportant une phase de création de modèles de la pièce mécanique et une phase d’application des modèles à la pièce mécanique, le procédé étant caractérisé en ce que
la phase de création de modèles de la pièce mécanique comporte une étape (E3) de corrélation d’images volumiques étendue, CIVe, des images volumiques d’une base de données d’images volumiques de pièces mécaniques, avec l’une des images volumiques de la base de données d’images volumiques de pièces mécaniques choisie comme image de référence, de manière à déterminer des données représentatives d’images de résidu de corrélation entre chacune des images volumiques de la base de données d’images volumiques de pièces mécaniques et l’image de référence. - Procédé de détection d’anomalie dans une pièce mécanique selon la revendication 1, dans lequel la phase de création de modèles de la pièce mécanique comporte aussi une étape (E4) de décomposition en pavés des images de résidu de corrélation (η(x,t)), pour former un ensemble de pavés par image de résidu de corrélation.
- Procédé de détection d’anomalie dans une pièce mécanique selon la revendication 2, dans lequel chaque pavé de chaque image de résidu de corrélation est étiqueté selon que le centre respectif dudit chaque pavé se trouve ou non à l’intérieur d’une indication pour la pièce mécanique correspondant à l’image de résidu de corrélation considérée.
- Procédé de détection d’anomalie dans une pièce mécanique selon la revendication 2, dans lequel la phase de création de modèles de la pièce mécanique comporte aussi une étape (E6) de segmentation de la base de données d’images volumiques pour former un ensemble de matrices d’apprentissage contenant les pavés correspondant à des images ne contenant aucune indication et un ensemble de matrices de validation contenant les pavés correspondant à des images contenant au moins une indication.
- Procédé de détection d’anomalie dans une pièce mécanique selon la revendication 4, dans lequel la phase de création de modèles de la pièce mécanique comporte aussi une étape (E7) de décomposition en modes et valeurs propres, SVD, des matrices d’apprentissage et une projection du résultat de la décomposition dans une base réduite.
- Procédé de détection d’anomalie dans une pièce mécanique selon la revendication 4, dans lequel la phase de création de modèles de la pièce mécanique comporte aussi une étape (E8) de calcul de similarité pour chaque pavé de chaque matrice de validation.
- Procédé de détection d’anomalie dans une pièce mécanique selon la revendication 6, dans lequel la phase de création de modèles de la pièce mécanique comporte aussi une étape (E9) de détermination d’un ensemble des cartes de prédiction correspondant respectivement aux matrices de validation, à partir de la similarité calculée pour chaque pavé de chaque matrice de validation, et une étape (E10) de binarisation des cartes de prédiction pour former des masques de prédiction.
- Procédé de détection d’anomalie dans une pièce mécanique selon la revendication 7, dans lequel la phase de création de modèles de la pièce mécanique comporte aussi une étape (E11) d’évaluation des performances via zones de recouvrement entre les masques de prédiction et les indications correspondantes.
- Procédé de détection d’anomalie dans une pièce mécanique selon la revendication 8, dans lequel la phase de création de modèles de la pièce mécanique comporte aussi une étape (E12) d’optimisation de paramètres en fonction du résultat de l’étape d’évaluation des performances.
- Procédé de détection d’anomalie dans une pièce mécanique selon la revendication 9, dans lequel la phase d’application des modèles à la pièce mécanique comporte une étape d’acquisition (E13) d’image volumique de la pièce mécanique par tomographie, et une étape de corrélation d’images volumiques étendue (E14) entre l’image volumique de la pièce mécanique et l’image de référence pour déterminer une image de résidu de corrélation.
- Procédé de détection d’anomalie dans une pièce mécanique selon la revendication 10, dans lequel la phase d’application des modèles à la pièce mécanique comporte des étapes de décomposition (E15) en pavés de l’image de résidu de corrélation, de projection (E16) des pavés déterminés à l’étape de décomposition dans le sous-espace défini par chacun des modèles appris à l’étape (E7) de décomposition en modes et valeurs propres des matrices d’apprentissage, de calcul de similarité (E17) pour chaque pavé, de détermination (E18) d’une carte de prédiction et de binarisation (E19) de la carte de prédiction.
- Dispositif de détection d’anomalie dans une pièce mécanique, comportant un module de création de modèles de la pièce mécanique et un module d’application des modèles à la pièce mécanique, le dispositif étant caractérisé en ce que
le module de création de modèles de la pièce mécanique est adapté pour réaliser une corrélation d’images volumiques étendue, CIVe, des images volumiques d’une base de données d’images volumiques de pièces mécaniques, avec l’une des images volumiques de la base de données d’images volumiques de pièces mécaniques choisie comme image de référence, de manière à déterminer des données représentatives d’une image de résidu de corrélation entre chacune des images volumiques de la base de données d’images volumiques de pièces mécaniques et l’image de référence. - Programme d’ordinateur comportant des instructions pour l’exécution des étapes du procédé selon l’une quelconque des revendications 1 à 11 lorsque ledit programme est exécuté par un ordinateur.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
FR2100810A FR3119255B1 (fr) | 2021-01-28 | 2021-01-28 | Détection d’anomalie dans des pièces mécaniques |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
FR2100810 | 2021-01-28 | ||
FR2100810A FR3119255B1 (fr) | 2021-01-28 | 2021-01-28 | Détection d’anomalie dans des pièces mécaniques |
Publications (2)
Publication Number | Publication Date |
---|---|
FR3119255A1 true FR3119255A1 (fr) | 2022-07-29 |
FR3119255B1 FR3119255B1 (fr) | 2023-06-09 |
Family
ID=75746800
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
FR2100810A Active FR3119255B1 (fr) | 2021-01-28 | 2021-01-28 | Détection d’anomalie dans des pièces mécaniques |
Country Status (1)
Country | Link |
---|---|
FR (1) | FR3119255B1 (fr) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015033044A1 (fr) | 2013-09-06 | 2015-03-12 | Safran | Procede de caracterisation d'une piece en materiau composite tisse |
WO2015092212A1 (fr) * | 2013-12-19 | 2015-06-25 | Snecma | Procede de caracterisation d'une piece |
WO2017089714A1 (fr) | 2015-11-24 | 2017-06-01 | Safran | Procédé de contrôle non destructif d'une pièce pour aéronautique |
FR3050826B1 (fr) | 2016-05-02 | 2018-04-20 | Safran | Procede de controle non-destructif par apprentissage |
FR3050274B1 (fr) | 2016-04-18 | 2019-04-05 | Safran | Procede d'analyse topologique d'une piece composite |
-
2021
- 2021-01-28 FR FR2100810A patent/FR3119255B1/fr active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015033044A1 (fr) | 2013-09-06 | 2015-03-12 | Safran | Procede de caracterisation d'une piece en materiau composite tisse |
WO2015092212A1 (fr) * | 2013-12-19 | 2015-06-25 | Snecma | Procede de caracterisation d'une piece |
WO2017089714A1 (fr) | 2015-11-24 | 2017-06-01 | Safran | Procédé de contrôle non destructif d'une pièce pour aéronautique |
FR3050274B1 (fr) | 2016-04-18 | 2019-04-05 | Safran | Procede d'analyse topologique d'une piece composite |
FR3050826B1 (fr) | 2016-05-02 | 2018-04-20 | Safran | Procede de controle non-destructif par apprentissage |
Non-Patent Citations (4)
Title |
---|
A. MENDOZA, J. SCHNEIDERE. PARRAE. OBERTS. ROUX: "Differentiating 3D textile composites: A novel field of application for Digital Volume Corrélation", COMPOSITE STRUCTURES, 2019 |
ANONYMOUS: "Anomaly detection - Wikipedia", 19 December 2015 (2015-12-19), XP055352903, Retrieved from the Internet <URL:https://en.wikipedia.org/w/index.php?title=Anomaly_detection&oldid=695907482> [retrieved on 20170308] * |
MENDOZA ARTURO ET AL: "Measuring yarn deformations induced by the manufacturing process of woven composites", COMPOSITES PART A: APPLIED SCIENCE AND MANUFACTURING, vol. 120, 16 February 2019 (2019-02-16), pages 127 - 139, XP085642799, ISSN: 1359-835X, DOI: 10.1016/J.COMPOSITESA.2019.02.008 * |
Z. WANGA.C. BOVIKH.R. SHEIKHE.P. SIMONCELLI: "Image Quality Assessment: from Error Visibility to Structural Similarity", IEEE TRANSACTIONS ON IMAGE PROCESSING, vol. 13, April 2004 (2004-04-01), XP011110418, DOI: 10.1109/TIP.2003.819861 |
Also Published As
Publication number | Publication date |
---|---|
FR3119255B1 (fr) | 2023-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Andrew | A quantified study of segmentation techniques on synthetic geological XRM and FIB-SEM images | |
CN110945528B (zh) | 产生可用于检查半导体样品的训练集的方法及其系统 | |
JP2020187735A (ja) | 表面欠陥識別方法及び装置 | |
Campanella et al. | Towards machine learned quality control: A benchmark for sharpness quantification in digital pathology | |
JP2022500744A (ja) | 細胞画像の分析のためのコンピュータ実装方法、コンピュータプログラム製品およびシステム | |
US20230014668A1 (en) | Image diagnostic system, and methods of operating thereof | |
US9799098B2 (en) | Method and apparatus for image processing | |
FR2862788A1 (fr) | Procede et systeme d'analyse de changements temporels d'image | |
CN114092387B (zh) | 生成可用于检查半导体样本的训练数据 | |
EP3549041A1 (fr) | Procede de construction d'une maquette numerique 3d a partir d'un plan 2d | |
FR3050274A1 (fr) | Procede d'analyse topologique d'une piece composite | |
Prakash et al. | Interpretable unsupervised diversity denoising and artefact removal | |
Weissenböck et al. | PorosityAnalyzer: Visual analysis and evaluation of segmentation pipelines to determine the porosity in fiber-reinforced polymers | |
FR3050826A1 (fr) | Procede de controle non-destructif par apprentissage | |
TW202403603A (zh) | 用於偵測在晶圓之成像資料集中的異常的電腦實施方法與使用此方法的系統 | |
Smirnov et al. | Prospects for future studies using deep imaging: analysis of individual Galactic cirrus filaments | |
Bulatov et al. | Classification of airborne 3D point clouds regarding separation of vegetation in complex environments | |
Ivanova et al. | Artificial Intelligence in Automated System for Web-Interfaces Visual Testing. | |
Geurts et al. | Visual comparison of 3D medical image segmentation algorithms based on statistical shape models | |
Jiang et al. | Image-to-image translation for automatic ink removal in whole slide images | |
FR3119255A1 (fr) | Détection d’anomalie dans des pièces mécaniques | |
Brunn et al. | A hybrid concept for 3D building acquisition | |
Chauhan et al. | CobWeb 1.0: machine learning toolbox for tomographic imaging | |
Corbineau et al. | Geometry-texture decomposition/reconstruction using a proximal interior point algorithm | |
Sparkman et al. | A supervised learning approach for prediction of x-ray computed tomography data from ultrasonic testing data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PLFP | Fee payment |
Year of fee payment: 2 |
|
PLSC | Publication of the preliminary search report |
Effective date: 20220729 |
|
PLFP | Fee payment |
Year of fee payment: 3 |
|
PLFP | Fee payment |
Year of fee payment: 4 |