FR3119259A1 - Anomaly detection in mechanical parts - Google Patents

Anomaly detection in mechanical parts Download PDF

Info

Publication number
FR3119259A1
FR3119259A1 FR2100808A FR2100808A FR3119259A1 FR 3119259 A1 FR3119259 A1 FR 3119259A1 FR 2100808 A FR2100808 A FR 2100808A FR 2100808 A FR2100808 A FR 2100808A FR 3119259 A1 FR3119259 A1 FR 3119259A1
Authority
FR
France
Prior art keywords
mechanical part
models
phase
images
mechanical
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
Application number
FR2100808A
Other languages
French (fr)
Other versions
FR3119259B1 (en
Inventor
Arturo Mendoza Quispe
Estelle Marie Laure PARRA
Julien Paul SCHNEIDER-DIE-GROSS
Stéphane Roux
Clément JAILIN
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Centre National de la Recherche Scientifique CNRS
Safran SA
Ecole Normale Superieure de Paris Saclay
Original Assignee
Centre National de la Recherche Scientifique CNRS
Safran SA
Ecole Normale Superieure de Paris Saclay
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Centre National de la Recherche Scientifique CNRS, Safran SA, Ecole Normale Superieure de Paris Saclay filed Critical Centre National de la Recherche Scientifique CNRS
Priority to FR2100808A priority Critical patent/FR3119259B1/en
Publication of FR3119259A1 publication Critical patent/FR3119259A1/en
Application granted granted Critical
Publication of FR3119259B1 publication Critical patent/FR3119259B1/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/64—Three-dimensional objects
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/06—Recognition of objects for industrial automation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/12—Acquisition of 3D measurements of objects

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Multimedia (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 définir des données représentatives de champs de déplacement 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 1Method for detecting anomaly in a mechanical part, comprising a phase of creating models of the mechanical part and a phase of applying the models to the mechanical part, the method being characterized in that the phase of creating models of the mechanical part comprises a step (E3) of correlation of extended volume images, CIVe, of the volume images of a database of volume images of mechanical parts, with one of the volume images of the image database volumes of mechanical parts chosen as reference image, so as to define data representative of displacement fields between each of the volume images of the database of volume images of mechanical parts and the reference image. Figure for abstract: figure 1

Description

Détection d’anomalie dans des pièces mécaniquesAnomaly detection in mechanical parts

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.The present invention relates to the non-destructive testing of mechanical parts, in particular aeronautical parts. It more specifically concerns the detection of anomaly in mechanical parts.

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.The mechanical parts in question are preferably parts having a very structured architecture which presents a very rich texture in tomographic images. These include parts made of 3D woven composite material.

État de l’art antérieurState of the prior art

Le contrôle non destructif de pièces mécaniques a pour but d’assurer la qualité des pièces mécaniques.The purpose of non-destructive testing of mechanical parts is to ensure the quality of mechanical parts.

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.The technique of X-ray tomography of a mechanical part exploits the differential absorption of X-rays by different materials to reconstruct, by calculation, from a series of radiographs, a volumetric image of the part studied. The information contained in the tomography images is valuable because it concerns the entire volume of the part and gives access not only to its microstructure but also potentially to its 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.However, the data volume of images acquired by tomography is considerable. Consequently, the visual inspection of the images for the sanction of the part by a human operator is long and difficult and involves a high risk of non-detection of anomaly.

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.The precise definition of the signature of each of the anomalies is extremely difficult. Moreover, even if this operation is carried out, new anomalies may appear in the future and they will not be referenced.

Des méthodes de contrôle non destructif sont exposées par exemple dans WO2017089714A1, FR3050826B1, FR3050274B1 ou WO2015033044A1.Non-destructive testing methods are disclosed for example in WO2017089714A1, FR3050826B1, FR3050274B1 or 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.These documents propose supervised-type learning methods. In other words, the anomalies detected in the controlled mechanical parts are used for the construction of digital models.

Cela implique qu’il est nécessaire d’identifier et de décrire tous les types possibles d’anomalies.This implies that it is necessary to identify and describe all possible types of 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 queThe invention aims to solve the problems of the prior art by providing a method for detecting an anomaly in a mechanical part, comprising a phase for creating models of the mechanical part and a phase for applying the models to the mechanical part, the method being characterized in that

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 définir des données représentatives de champs de déplacement entre chacune des images volumiques de la base de données d’images volumiques de pièces mécaniques et l’image de référence.the phase of creating models of the mechanical part comprises a stage of correlation of extended volume images, CIVe, of the volume images of a database of volume images of mechanical parts, with one of the volume images of the base volume image data of mechanical parts chosen as reference image, so as to define data representative of displacement fields between each of the volume images of the database of volume images of mechanical parts and the reference image.

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.Thanks to the invention, it is not necessary to describe all the types of anomaly. On the contrary, the invention proposes to describe a “normality” observed in the database, with an acceptable dispersion, which makes it possible to detect deviations from this normality, defined as anomalies. This also makes it possible to detect any new anomalies not yet referenced.

L’invention permet d’obtenir un espace de représentation unique normalisé pour toute pièce mécanique. Cela permet de s’affranchir de la variabilité usuelle et jugée comme acceptable qui est inhérente au matériau, dans un ensemble de pièces jugées représentatives de la production.The invention makes it possible to obtain a single standardized representation space for any mechanical part. This overcomes the usual and acceptable variability that is inherent to the material, in a set of parts deemed representative of production.

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.Thanks to the invention, quantitative measurements are obtained describing the deviation of a part from normality observed in the set of parts representative of production.

L’invention simplifie la détection d’anomalies grâce à la projection de toute pièce mécanique dans cet espace de représentation normalisé.The invention simplifies the detection of anomalies thanks to the projection of any mechanical part in this standardized representation space.

Le fait de caractériser la normalité permet de réaliser une détection d’anomalie de manière non supervisée.The fact of characterizing normality makes it possible to carry out an anomaly detection in an unsupervised way.

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.The information obtained is an aid to the sanction of material health in the production of mechanical parts, in particular made of 3D woven composite material, by automatic processing.

Selon une caractéristique préférée, la phase de création de modèles de la pièce mécanique comporte aussi une étape de formation de zones d’intérêt dans les images volumiques de la base de données d’images volumiques de pièces mécaniques et de détermination de matrices binaires de sélection pour chacune des zones d’intérêt indiquant la présence ou l’absence d’anomalie dans la zone d’intérêt courante de chacune d’un ensemble d’images volumiques de la base de données d’images volumiques de pièces mécaniques, sélectionnées pour un apprentissage.According to a preferred characteristic, the phase of creating models of the mechanical part also includes a step of forming zones of interest in the volume images of the database of volume images of mechanical parts and of determining binary selection matrices for each of the areas of interest indicating the presence or absence of anomaly in the current area of interest of each of a set of volume images from the database of volume images of mechanical parts, selected for a learning.

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 des matrices binaires de sélection pour chacune des zones d’intérêt, pour déterminer une fonction de projection et une matrice contenant des vecteurs propres droits pour chacune des matrices binaires de sélection déterminée pour chacune des zones d’intérêt.According to a preferred characteristic, the phase of creating models of the mechanical part also includes a step of decomposition into modes and eigenvalues of the binary selection matrices for each of the areas of interest, to determine a projection function and a matrix containing right eigenvectors for each of the binary selection matrices determined for each of the areas of interest.

Selon une caractéristique préférée, la phase de création de modèles de la pièce mécanique comporte aussi une étape de réduction des matrices déterminées à l’étape de décomposition en modes et valeurs propres des matrices binaires de projection pour chacune des zones d’intérêt, pour déterminer une matrice réduite pour chacune des valeurs d’un ensemble de nombres de colonnes de matrice à sélectionner et pour chacune des zones d’intérêt.According to a preferred characteristic, the phase of creating models of the mechanical part also includes a step of reducing the matrices determined in the step of decomposition into modes and eigenvalues of the binary projection matrices for each of the zones of interest, to determine a reduced matrix for each of the values of a set of numbers of matrix columns to be selected and for each of the areas of interest.

Selon une caractéristique préférée, la phase de création de modèles de la pièce mécanique comporte aussi une étape d’application d’un séparateur à vaste marge à une classe aux matrices réduites déterminée à l’étape de réduction des matrices.According to a preferred feature, the phase of creating models of the mechanical part also comprises a step of applying a wide-margin separator to a class with reduced matrices determined in the step of reducing the matrices.

Selon une caractéristique préférée, la phase de création de modèles de la pièce mécanique comporte aussi une étape d’évaluation des performances par une matrice de confusion et de génération d’un critère de précision et de taux de fuite pour chacune des matrices réduites déterminée à l’étape de réduction des matrices.According to a preferred characteristic, the phase of creating models of the mechanical part also includes a step of evaluating performance by a confusion matrix and of generating a precision and leak rate criterion for each of the reduced matrices determined at matrix reduction step.

Selon une caractéristique préférée, la phase de création de modèles de la pièce mécanique comporte aussi une étape d’optimisation multi-objectif de paramètres pour sélectionner un ensemble de modèles respectant des contraintes imposées.According to a preferred characteristic, the phase of creating models of the mechanical part also includes a step of multi-objective optimization of parameters to select a set of models respecting the imposed constraints.

Selon une caractéristique préférée, la phase d’application des modèles à la pièce mécanique comporte une étape d’acquisition d’une 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.According to a preferred characteristic, the phase of applying the models to the mechanical part includes a step of acquiring a volume image of the mechanical part by tomography, and a step of correlation of extended volume images between the volume image of the mechanical part and the reference image.

Selon une caractéristique préférée, la phase d’application des modèles à la pièce mécanique comporte des étapes de récupération de matrices de sélection pour chacun des modèles identifiés dans la phase de création de modèles, de récupération des données de chacun des modèles identifiés dans la phase de création de modèles, et de formation d’un vecteur de prédiction de la pièce mécanique par rapport aux modèles identifiés dans la phase de création de modèles.According to a preferred characteristic, the phase of applying the models to the mechanical part comprises steps of recovering selection matrices for each of the models identified in the model creation phase, of recovering data from each of the models identified in the creating models, and forming a prediction vector of the mechanical part with respect to the models identified in the model creation phase.

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 queThe invention also relates to a device for detecting an anomaly in a mechanical part, comprising a module for creating models of the mechanical part and a module for applying the models to the mechanical part, the device being characterized in that

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 définir des données représentatives de champs de déplacement entre chacune des images volumiques de la base de données d’images volumiques de pièces mécaniques et l’image de référence.the module for creating models of the mechanical part is adapted to carry out an extended volume image correlation, CIVe, of the volume images of a database of volume images of mechanical parts, with one of the volume images of the database of volumetric images of mechanical parts chosen as reference image, so as to define data representative of displacement fields between each of the volumetric images of the database of volumetric images of mechanical parts and the reference image .

Le dispositif présente des avantages analogues à ceux précédemment présentés.The device has advantages similar to those previously presented.

Dans un mode particulier de réalisation, les étapes du procédé selon l’invention sont mises en œuvre par des instructions de programme d’ordinateur.In a particular embodiment, the steps of the method according to the invention are implemented by computer program instructions.

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.Consequently, the invention also relates to a computer program on an information medium, this program being capable of being implemented in a computer, this program comprising instructions adapted to the implementation of the steps of a process as described above.

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 :Other characteristics and advantages will appear on reading the following description of a preferred embodiment, given by way of non-limiting example, described with reference to the figures in which:

illustre un procédé de détection d’anomalie dans une pièce mécanique, selon un mode de réalisation de l’invention, illustrates a method for detecting an anomaly in a mechanical part, according to one embodiment of the invention,

illustre une matrice de confusion, construite au cours du procédé représenté à la , illustrates a confusion matrix, constructed during the process shown in ,

illustre un dispositif de détection d’anomalie dans une pièce mécanique, selon un mode de réalisation de l’invention. illustrates an anomaly detection device in a mechanical part, according to one embodiment of the invention.

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.Identical, similar or equivalent parts of the different figures bear the same reference numerals so as to facilitate passage from one figure to another.

Les différentes parties représentées sur les figures ne le sont pas nécessairement selon une échelle uniforme, pour rendre les figures plus lisibles.The different parts shown in the figures are not necessarily shown on a uniform scale, to make the figures more readable.

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.The different possibilities (variants and embodiments) must be understood as not mutually exclusive and can be combined with each other.

EE xposéexposed dd étaillédetailed dd ee mm odesodes dd ee rr éalisationachievement pp articuliersparticular

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.The invention relates to the non-destructive testing of mechanical parts, in particular aeronautical parts. For example, these are engine fan blades.

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.These mechanical parts have a highly structured architecture that presents a very rich texture in tomographic images. For example, these mechanical parts are made of a 3D woven composite material. This material is composed of a woven fibrous reinforcement and an organic or ceramic resin matrix giving it high specific mechanical properties (per unit mass).

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.The reinforcement is composed of strands (composed for example of carbon fibers) arranged according to defined weaving patterns, which describe the relative positioning of the warp and weft strands concerned.

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.Failure to maintain the topology and/or geometry defined by these patterns is considered a weaving anomaly. On the other hand, certain minor variations in the weave, such as a slight gap between two parallel strands, may not be considered as 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.The limit of acceptability of deviations from normality, beyond the usual variability of deviations between parts, is determined by experts.

Il est à noter que dans cette description, tout ce qui s’applique à un tissage s’applique également à un tressage.It should be noted that in this description, everything that applies to a weaving also applies to a braiding.

Selon un mode de réalisation préféré, représenté à la , le procédé de détection d’anomalie dans une pièce mécanique comporte des étapes E1 à E15.According to a preferred embodiment, shown in , the anomaly detection method in a mechanical part comprises steps E1 to E15.

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.At step E1, N copies of the same mechanical part are considered, N being an integer, and a tomographic image, or volume image, is acquired for each of the N mechanical parts to form a database of N tomographic images of mechanical parts.

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.The acquisition of tomographic images is known per se. This is a non-destructive imaging method, giving access to volumetric images describing the microstructure of mechanical parts. This method is based on the interaction of X-rays with the observed mechanical part. In the present case, this interaction mainly consists of the attenuation of the radiation by absorption, a property dependent on the material traversed. This attenuation is measured by projections acquired at different viewing angles of the mechanical part.

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 et le paramètre t est le numéro de l’image volumique parmi les N images volumiques.All of these projections are processed by a reconstruction algorithm (tomographic) in order to obtain a volumetric image g(x,t) of the mechanical part. The volume image of the mechanical part is made up of basic information units called voxels, to which is attached a scalar parameter, represented by a gray level, which translates the local absorption coefficient. The parameter x is the position of the voxels and the parameter t is the volume image number among the N volume images.

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.In the context of the present invention, that of serial control, the size of the voxel of the acquired images is of the order of a hundred microns for parts that can reach sizes of several tens of centimeters.

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).Especially for 3D woven composite materials, this image resolution is only slightly lower than the smallest physical dimension of the strands in the shaped part (thicknesses of the strands).

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.The result of step E1 is therefore the database of the set of N volumetric images g(x,t), t∈[1,N], in which each volumetric image corresponds respectively to one of the mechanical parts of the 'together.

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.At step E2, the database is enriched by the results of a human inspection of the mechanical parts of all the mechanical parts.

On considère les images volumiques des N pièces mécaniques.We consider the volumic images of the N mechanical parts.

Une pluralité de zones de criticité est définie dans les images volumiques. Les zones de criticité ont été définies au préalable par des experts. Elles sont identiques pour toutes les images, adjacentes et couvrent toute la pièce. Certaines zones de criticité sont plus importantes que d’autres, le découpage en zones de criticité permet d’évaluer différemment des parties différentes du volume d’une pièce.A plurality of criticality zones is defined in the volume images. The areas of criticality have been defined beforehand by experts. They are identical for all images, adjacent and cover the whole room. Some criticality zones are more important than others, the division into criticality zones makes it possible to evaluate different parts of the volume of a part differently.

Il est à noter que le contrôle de santé matière est réalisé par zones de criticité.It should be noted that the material health control is carried out by criticality zones.

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.All these mechanical parts are inspected by qualified operators to carry out the material health check of each part. For each mechanical part, a list of indications is thus created, detailing for each its type, its position, and its size. An indication is the description of an anomaly.

Les pièces mécaniques sont alors classées soit en « pièces mécaniques saines » ou soit en « 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.The mechanical parts are then classified either as "sound mechanical parts" or "unsound mechanical parts" depending on the result of the inspection. Healthy mechanical parts are those showing no indication. The classification is therefore made on the basis of whole pieces.

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.It should be noted that the total volume impacted by the indications represents only a very small fraction, for example 10 -5 , of the total volume of the mechanical parts.

De plus, en fonction de la position et de la taille d‘une indication, il est possible qu’elle ne soit pas limitée à une seule zone de criticité d’une pièce mécanique, mais se trouve dans plusieurs zones de criticité de cette pièce.In addition, depending on the position and size of an indication, it is possible that it is not limited to a single criticality zone of a mechanical part, but is found in several criticality zones of this part. .

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.The indications of a mechanical part are associated with the volume image of this part. In addition, the classification into "healthy mechanical parts" and "unhealthy mechanical parts" is also associated with volume images, respectively.

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.The result of step E2 is the database of volume images enriched by the respective indications of the volume images and their respective classification as healthy volume image or non-healthy volume image. These data are stored.

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.Once the enriched database thus constituted is available, it is possible to move on to the phase of creating digital models. The function of the digital model creation phase is to determine digital models which are stored for later use.

La phase de création de modèles numériques comporte les étapes E3 à E9.The digital model creation phase includes steps E3 to E9.

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.Step E3 is an extended volume image correlation, CIVe, of the volume images from the previously constituted database. This step aims to project the processed data into a single standardized representation space.

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.Volume image correlation, CIV, is a non-rigid registration method between pairs of volume images, based on the assumption of conservation of gray levels in the region of interest considered.

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.Extended Volume Image Correlation, CIVe, is for example defined in the article “Differentiating 3D textile composites: A novel field of application for Digital Volume Correlation”, in Composite Structures (2019), by 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.The extended version of the CIV includes the determination of a continuous displacement field (a diffeomorphism respecting the topology) and gray level correction fields.

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.The extended version of the CIV makes it possible to manage variations in the levels of gray independently of the displacement. In the case of tomographic imaging, the presence of certain reconstruction artifacts (such as reconstruction rings or beam hardening) can give rise to such variations.

Il est à noter que dans le cadre de l’invention, les champs de correction de niveaux de gris servent à s’affranchir des niveaux de gris dans les images volumiques et ainsi produire des champs de déplacement plus précis.It should be noted that in the context of the invention, the gray level correction fields are used to overcome the gray levels in the volume images and thus produce more precise displacement fields.

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.To apply extended volume image correlation, CIVe, to volume images g(x,t) in the database, t∈[1,N], one of the volume images is arbitrarily chosen as the reference image f( x). We choose for example the volumic image of the first healthy mechanical part in the list.

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.Two meshes conforming to the reference volume image f(x) are created. They will serve as a support respectively for the displacement fields and the gray level correction fields.

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). Le nombre de degrés de liberté est choisi expérimentalement.The mesh used for the kinematic decomposition has the finest mesh size and is composed of N dof degrees of freedom. The number of degrees of freedom is chosen experimentally.

On considère les N paires d’images volumiques (f(x), g(x,t)). En réalité, la paire d’images volumiques (f(x), f(x)) n’est pas nécessairement considérée, il y a donc (N-1) images paires d’images volumiques à prendre en compte. Cependant, pour simplifier les notations, on garde ici le nombre N. La corrélation d’images volumique étendue, CIVe, est appliquée aux N paires d’images volumiques (f(x), g(x,t)) afin d’obtenir les champs de déplacement u(x,t), les champs de correction de niveaux de gris (x,t), et les images de résidu de corrélation η(x,t) pour chaque image volumique g(x,t), t∈[1,N]. Dans la suite, on s’intéresse plus particulièrement aux champs de déplacement u(x,t).We consider the N pairs of volumic images (f(x), g(x, t)). In reality, the pair of volume images (f(x), f(x)) is not necessarily considered, there are therefore (N-1) pair images of volume images to be taken into account. However, to simplify the notations, the number N is kept here. The extended volume image correlation, CIVe, is applied to the N pairs of volume images (f(x), g(x, t)) in order to obtain displacement fields u(x,t), gray level correction fields (x,t), and the correlation residual images η(x,t) for each volume image g(x,t), t∈[1,N]. In the following, we are more particularly interested in the fields of displacement u(x,t).

Soit gc(x,t) une image corrigée, on a :Let g c (x,t) be a corrected image, we have:

gc(x,t) = g(x + u(x,t),t)g c (x,t) = g(x + u(x,t),t)

Les champs de déplacement sont réunis dans une matrice rectangulaire de sorte que la -ème colonne de la matrice contienne le champ de déplacement correspondant à la -ème image volumique g(x, t).Displacement fields are united in a rectangular matrix so that the -th column of the matrix contains the displacement field corresponding to the -th volume image g(x, t).

La matrice A est pondérée par une incertitude de mesure, exprimée par une matrice de corrélation.Matrix A is weighted by a measurement uncertainty, expressed by a correlation matrix.

Ceci permet l’obtention d’une matrice de déplacement pondérée , avec .This allows obtaining a weighted displacement matrix , with .

Le résultat de l’étape E3 de corrélation d’images volumiques étendue, CIVe, des N images volumiques de la base de données est ainsi la matrice de déplacement pondérée X, contenant des données représentatives des champs de déplacement calculés.The result of the extended volume image correlation step E3, CIVe, of the N volume images of the database is thus the X-weighted displacement matrix, containing data representative of the calculated displacement fields.

L’utilisation de la corrélation d’images volumiques étendue comme prétraitement de détection d’anomalie permet de créer un espace de représentation unique normalisé basé sur la topologie du matériau.Using extended volume image correlation as anomaly detection pre-processing helps to create a single normalized representation space based on material topology.

L’étape suivante E4 est une décomposition de la base de données d’images volumiques.The next step E4 is a decomposition of the volume image database.

Dans une image volumique donnée, le volume impacté par les indications ne représente qu’une très faible proportion de l’image volumique. En d’autres termes, la plupart des pièces mécaniques étiquetées comme « non saines » à l’étape E2 contiennent une grande quantité de tissage sain. On souhaite s’affranchir de l’information contenue dans le tissage sain.In a given volume image, the volume impacted by the indications represents only a very small proportion of the volume image. In other words, most mechanical parts labeled as “unhealthy” in step E2 contain a large amount of healthy weaving. We want to get rid of the information contained in healthy weaving.

Des zones d’intérêt continues sont construites à partir de combinaisons des zones de criticité. Par exemple, seize zones d’intérêt sont construites à partir de six zones de criticité, en considérant les zones de criticité elles-mêmes et différents assemblages continus de plusieurs zones de criticité.Continuous areas of interest are constructed from combinations of criticality areas. For example, sixteen zones of interest are constructed from six criticality zones, considering the criticality zones themselves and different continuous assemblies of several criticality zones.

Dans la suite, lorsqu’une analyse porte sur l’une des zones d’intérêt, les zones de criticité non concernées ne sont pas considérées dans cette analyse.In the following, when an analysis relates to one of the areas of interest, the criticality areas not concerned are not considered in this analysis.

L’utilisation de zones d’intérêt apporte les avantages suivants :
Using areas of interest provides the following benefits:

  • Ré-catégorisation des images volumiques classées comme « non saines » à l’étape E2 en images volumiques « OK » et « NOK » selon l’absence ou la présence d’indication dans la zone d’intérêt concernée, respectivement. Bien évidemment, toutes les images volumiques classées comme saines à l’étape E2 sont considérées « OK » pour toutes les zones d’intérêt.
    Re-categorization of the volume images classified as “not healthy” in step E2 into “OK” and “NOK” volume images according to the absence or presence of indication in the zone of interest concerned, respectively. Of course, all the volume images classified as healthy in step E2 are considered “OK” for all the areas of interest.
  • Sélection des images volumiques à utiliser pour l’apprentissage en fonction de la zone d’intérêt concernée.
    Selection of the volume images to be used for training according to the area of interest concerned.
  • Segmentation de l’espace 3D inspecté par la CIV étendue. En effet, seuls les degrés de liberté contenus dans les différentes zones d’intérêt sont utilisés pour les analyses relatives à cette zone.Segmentation of the 3D space inspected by the extended CIV. Indeed, only the degrees of freedom contained in the different areas of interest are used for the analyzes relating to this area.

La décomposition de la base de données est décrite par le biais de matrices de sélection, qui sont des matrices binaires construites pour chacune des zones d’intérêt.The decomposition of the database is described through selection matrices, which are binary matrices constructed for each of the areas of interest.

Pour une zone d’intérêt donnée, il y a des images volumiques OK et des images volumiques NOK ce qui se traduit dans la matrice de sélection correspondante par des « 1 » et des « 0 ».For a given area of interest, there are OK volume images and NOK volume images, which is reflected in the corresponding selection matrix by “1”s and “0s”.

Ainsi, des matrices de sélection et sont créées, avec :
- qui est le nombre d’images volumiques à utiliser pour l’apprentissage, par zone d’intérêt,
- qui est le nombre de degrés de liberté concernés par la zone d’intérêt, et
- qui est l’indicateur de la zone d’intérêt étudiée.Thus, selection matrices And are created, with:
- which is the number of volume images to use for training, per area of interest,
- which is the number of degrees of freedom involved in the area of interest, and
- which is the indicator of the area of interest studied.

Le résultat de l’étape E4 est donc les matrices de sélection et pour chacune des zones d’intérêt.The result of step E4 is therefore the selection matrices And for each of the areas of interest.

L’étape suivante E5 est une décomposition en modes et valeurs propres (SVD) de la matrice de déplacement pondérée X précédemment construite à l’étape E3. On considère ici le produit matriciel qui est une sélection des données représentatives des champs de déplacement calculés, en les restreignant à une zone d’intérêt et aux images volumiques à utiliser pour l’apprentissage.The following step E5 is a decomposition into modes and eigenvalues (SVD) of the weighted displacement matrix X previously constructed in step E3. We consider here the matrix product which is a selection of the data representative of the calculated displacement fields, by restricting them to an area of interest and to the volume images to be used for learning.

L’application de la décomposition en modes et valeurs propres permet de déterminer une fonction de projection , calculée pour chacune des zones d’intérêt :
The application of the decomposition into modes and eigenvalues makes it possible to determine a projection function , calculated for each of the areas of interest:

où est une matrice contenant les vecteurs propres droits de et décrivant les champs de déplacement trouvés par la CIV étendue dans un « langage commun » identifié pour la zone d’intérêt en question et les pièces mécaniques choisies pour l’apprentissage.Or is a matrix containing the right eigenvectors of and describing the displacement fields found by the extended CIV in a "common language" identified for the area of interest in question and the mechanical parts chosen for training.

Une interprétation géométrique de cette transformation est celle d’une rotation de l’espace de représentation de départ vers un espace de représentation de dimension plus faible, où les différentes dimensions ne sont pas linéairement corrélées.A geometric interpretation of this transformation is that of a rotation from the initial representation space to a lower-dimensional representation space, where the different dimensions are not linearly correlated.

Une autre interprétation de cette transformation est la création d’un « langage commun » où des éléments observés sont exprimés en utilisant des descripteurs communs à la base de données.Another interpretation of this transformation is the creation of a “common language” where observed elements are expressed using descriptors common to the database.

Les descripteurs communs à la base de données sont un « nouveau vocabulaire » donné par les vecteurs propres droits. Grâce à la procédure de projection, les descripteurs communs peuvent être utilisés pour représenter aussi d’autres nouveaux éléments observés.The descriptors common to the database are a “new vocabulary” given by the right eigenvectors. Thanks to the projection procedure, the common descriptors can be used to represent also other new observed elements.

Le résultat de l’étape E5 est donc une fonction de projection pour chacune des zones d’intérêt.The result of step E5 is therefore a projection function for each of the areas of interest.

L’étape suivante E6 est une sélection de variables.The next step E6 is a selection of variables.

On considère une variable entière Nselectcomprise entre 1 et Ntrain.We consider an integer variable N select between 1 and N train .

Une nouvelle matrice de sélection est introduite : avec ses coefficients valant 1 si et sinon valant 0. Dans le cas où , la matrice est la matrice identité. Cette matrice de sélection a pour but de sélectionner les dernières colonnes de la matrice qu’elle affecte.A new selection matrix is introduced: with its coefficients worth 1 if and otherwise equal to 0. In the case where , the matrix is the identity matrix. The purpose of this selection matrix is to select the last columns of the matrix it affects.

Pour chaque zone d’intérêt et pour chaque valeur de la variable , une matrice réduite K est calculée selon :
For each area of interest and for each value of the variable , a reduced matrix K is calculated according to:

La matrice réduite décrit l’ensemble des champs de déplacement trouvés par la CIVe avec un « vocabulaire réduit » identifié pour la zone d’intérêt en question et les pièces mécaniques choisies pour l’apprentissage.The Reduced Matrix describes all the displacement fields found by the CIVe with a “reduced vocabulary” identified for the area of interest in question and the mechanical parts chosen for learning.

Le résultat de l’étape E6 est donc une matrice de sélection pour chacune des zones d’intérêt et pour chaque valeur de la variable .The result of step E6 is therefore a selection matrix for each of the areas of interest and for each value of the variable .

L’étape suivante E7 est l’application d’un séparateur à vaste marge à une classe (en anglais : one-class SVM) aux matrices réduites K déterminées à l’étape précédente.The next step E7 is the application of a one-class wide-margin separator (in English: one-class SVM) to the reduced matrices K determined in the previous step.

De manière générale, cette méthode cherche à trouver une fonction scalaire, non paramétrique, de valeur positive pour les régions à forte densité de points et de valeur négative pour les régions à petites densités.In general, this method seeks to find a scalar, nonparametric function, of positive value for regions with high density of points and of negative value for regions with low densities.

Ainsi, une frontière délimitant la donnée est créée lorsque cette fonction passe par zéro, avec les points normaux à l’intérieur de la frontière et les anomalies à l’extérieur.Thus, a border delimiting the data is created when this function passes through zero, with the normal points inside the boundary and the anomalies outside.

Afin de pouvoir créer une délimitation non linéaire des données, « l’astuce du noyau » (en anglais : kernel trick) est employée.In order to be able to create a nonlinear delimitation of the data, the "kernel trick" is used.

Le principe de cette méthode est de transformer l'espace de représentation d'entrée en un espace de plus grande dimension, où un classifieur linéaire peut être utilisé.The principle of this method is to transform the input representation space into a higher dimensional space, where a linear classifier can be used.

Dans le cas présent, la méthode utilisée est celle de la projection par noyau radial (en anglais : radial basis function), , avec .In the present case, the method used is that of projection by radial kernel (in English: radial basis function), , with .

Ensuite, la fonction est construite grâce à l’identification des « vecteurs de support » (les « support vectors » donnent leur nom à la méthode), lesquels définissent la frontière recherchée.Then the function is constructed by identifying "support vectors" (the “support vectors” give their name to the method), which define the boundary sought.

Il est ainsi possible de créer le classifieur, ou fonction de décision :
It is thus possible to create the classifier, or decision function:

De cette manière, chaque élément reçoit une étiquette soit « normale » ( ) soit « aberrante » ( ).In this way, each element receives a label either "normal" ( ) or “aberrant” ( ).

Pour mieux régler ce classifieur, un paramètre est utilisé comme une borne supérieure sur la fraction des erreurs d'apprentissage et une borne inférieure de la fraction des vecteurs de support.To better tune this classifier, a parameter is used as an upper bound on the fraction of training errors and a lower bound on the fraction of support vectors.

Ceci produit des classifieurs pour différentes valeurs du paramètre .This produces classifiers for different values of the parameter .

En appliquant cette méthode aux résultats des étapes précédentes, on obtient les résultats suivants.By applying this method to the results of the previous steps, we obtain the following results.

Pour chaque zone d’intérêt, pour chaque valeur de et pour chaque valeur du paramètre , le classifieur SVM fournit après entrainement :
For each area of interest, for each value of and for each value of the parameter , the SVM classifier provides after training:

Avec qui est un vecteur contenant les prédictions de chaque pièce mécanique choisie par l’apprentissage, soit comme « OK » ( ) ou comme « NOK » ( ).With which is a vector containing the predictions of each mechanical part chosen by learning, either as "OK" ( ) or as “NOK” ( ).

Le résultat de l’étape E7 est donc un vecteur binaire P pour chaque zone d’intérêt, pour chaque valeur de N select et pour chaque valeur du paramètre ν.The result of step E7 is therefore a binary vector P for each zone of interest, for each value of N select and for each value of the parameter ν.

L’étape suivante E8 est une évaluation des performances par une matrice de confusion.The next step E8 is a performance evaluation by a confusion matrix.

La matrice de confusion sert à mesurer la fiabilité d'un système de classification. Elle permet de voir si le système « confond » les classes (en les étiquetant incorrectement l'une comme l'autre).The confusion matrix is used to measure the reliability of a classification system. It allows to see if the system "confuses" the classes (by labeling them incorrectly one like the other).

Chaque colonne de la matrice de confusion représente les instances d'une classe prédite tandis que chaque ligne représente les instances d'une classe réelle (ou vice versa).Each column of the confusion matrix represents instances of a predicted class while each row represents instances of an actual class (or vice versa).

Pour un problème de classification à deux classes, la matrice de confusion est représentée à la . Pour l’établir, on compare le vecteur P déterminé à l’étape précédente avec les résultats d’observations de l’étape E2 qui classe les pièces mécaniques en pièces saines et pièces non saines.For a two-class classification problem, the confusion matrix is represented in . To establish it, the vector P determined in the previous step is compared with the observation results of step E2 which classifies the mechanical parts into sound parts and non-sound parts.

Les paramètres de la matrice de confusion ont la signification suivante :
-« Détection OK »et «Détection NOK »représentent le nombre de pièces mécaniques correctement détectées comme « OK » et « NOK » respectivement,
-« Fuites »est le nombre de pièces mécaniques faussement prédites comme « OK » alors que leur classification était « NOK », et
-« Fausse alarmes » est le nombre de pièces mécaniques faussement prédites comme « NOK » alors que leur classification était « OK ».The confusion matrix parameters have the following meaning:
-" Detection OK »And "NOK detection »represent the number of mechanical parts correctly detected as “OK” and “NOK” respectively,
-" Leaks »is the number of mechanical parts falsely predicted as "OK" when their classification was "NOK", and
-" False alarms » East the number of mechanical parts falsely predicted as "NOK" when their classification was "OK".

A partir de ces mesures, deux critères sont générés :From these measurements, two criteria are generated:

Précision = (Détection OK + Détection NOK) / (Nombre total des pièces mécaniques)Accuracy = (OK detection + NOK detection) / (Total number of mechanical parts)

Taux de Fuites = Fuites / (Nombre des pièces mécaniques NOK)Leak rate = Leaks / (Number of NOK mechanical parts)

Bien évidemment, il est souhaité que le critère Précision soit maximisé (souhaité = 1) et que le critère Taux de Fuites soit minimisé (souhaité = 0).Of course, it is desired that the Accuracy criterion be maximized (desired = 1) and that the Leakage Rate criterion be minimized (desired = 0).

Le résultat de l’étape E8 est donc la matrice de confusion et les critères Précision et Taux de Fuites, pour chaque zone d’intérêt, pour chaque valeur de Nselectet pour chaque valeur du paramètre ν.The result of step E8 is therefore the confusion matrix and the Precision and Leakage Rate criteria, for each zone of interest, for each value of N select and for each value of the parameter ν.

L’étape suivante E9 est une optimisation multi-objectif de paramètres.The next step E9 is a multi-objective optimization of parameters.

L'optimisation multi-objectif, ou optimisation Pareto, concerne les problèmes d'optimisation impliquant plus d'une fonction objectif à optimiser simultanément.Multi-objective optimization, or Pareto optimization, concerns optimization problems involving more than one objective function to be optimized simultaneously.

Pour un problème d'optimisation multi-objectif avec fonctions objectifs contradictoires, il n'existe pas de solution unique qui optimise simultanément chaque objectif, mais sinon un nombre (éventuellement infini) de solutions optimales de Pareto.For a multi-objective optimization problem with contradictory objective functions, there is no single solution that simultaneously optimizes each objective, but otherwise a (possibly infinite) number of Pareto optimal solutions.

Ainsi, une solution est appelée non dominée (ou Pareto optimale) si aucune des fonctions objectifs ne peut être améliorée en valeur sans dégrader certaines des autres fonctions objectifs.Thus, a solution is called non-dominated (or Pareto optimal) if none of the objective functions can be improved in value without degrading some of the other objective functions.

Sans informations de préférence subjectives supplémentaires, toutes les solutions optimales de Pareto sont considérées comme tout aussi bonnes les unes que les autres.Without additional subjective preference information, all Pareto optimal solutions are considered equally good as each other.

Ainsi, le but de l’optimisation multi-objectifs peut être de trouver le front des solutions non dominées (ou front de Pareto) pour un ensemble de fonctions objectifs.Thus, the goal of multi-objective optimization may be to find the front of non-dominated solutions (or Pareto front) for a set of objective functions.

En appliquant cette méthode aux résultats des étapes précédentes, les paramètres sont optimisés de la manière suivante.By applying this method to the results of the previous steps, the parameters are optimized in the following way.

Pour chaque zone d’intérêt, pour chaque valeur de et pour chaque valeur du paramètre , le modèle de la normalité appris dans cet espace de représentation normalisé unique est différent et conduit à une analyse différente. Cela se traduit par des vecteurs de prédiction P différents, donnant lieu à des valeurs des critères de Précision et Taux de Fuites différentes pour chaque combinaison de paramètres.For each area of interest, for each value of and for each value of the parameter , the model of normality learned in this single normalized representation space is different and leads to a different analysis. This results in different prediction vectors P, giving rise to different values of the Accuracy and Leakage criteria criteria for each combination of parameters.

Un ensemble de valeurs des paramètres à explorer est sélectionné. Par exemple, pour chacune des zones d’intérêt, un nombre prédéterminé de valeurs du paramètre Nselectet un nombre prédéterminé de valeurs du paramètre ν sont sélectionnés.A set of parameter values to explore is selected. For example, for each of the areas of interest, a predetermined number of values of the parameter N select and a predetermined number of values of the parameter ν are selected.

Au total, cette sélection produit un nombre de combinaisons à explorer.In total, this selection produces a number of combinations to explore.

La sélection des modèles optimaux prend en compte les contraintes suivantes :
Seuls les modèles non dominés (front Pareto) pour chaque zone d’intérêt sont retenus.
Seuls les modèles avec un critère Précision supérieur à un seuil de précision donné et un critère Taux de Fuites inférieur à un seuil de taux de fuite donné sont retenus.The selection of the optimal models takes into account the following constraints:
Only the non-dominated models (Pareto front) for each zone of interest are retained.
Only models with a Precision criterion greater than a given precision threshold and a Leakage rate criterion less than a given leakage rate threshold are retained.

Les modèles sont appris en utilisant uniquement les pièces mécaniques sélectionnées pour l’apprentissage (soit uniquement les pièces mécaniques OK), mais leurs performances seront évaluées sur l’ensemble des pièces mécaniques (soit les pièces mécaniques OK et NOK).The models are learned using only the mechanical parts selected for learning (i.e. only the OK mechanical parts), but their performance will be evaluated on all the mechanical parts (i.e. the OK and NOK mechanical parts).

Par exemple, parmi les combinaisons à explorer, seul un sous-ensemble de modèles respecte ces contraintes. Ce sous-ensemble de modèles correspond à un sous-ensemble des combinaisons de valeurs du paramètre Nselectet du paramètre ν, pour chacune des zones d’intérêt.For example, among the combinations to be explored, only a subset of models respects these constraints. This subset of models corresponds to a subset of the combinations of values of the parameter N select and of the parameter ν, for each of the zones of interest.

Le résultat de l’étape E9 est donc un ensemble de modèles respectant les contraintes imposées. Un modèle contient un ensemble de données, incluant notamment une fonction de projection , un classifieur, ou fonction de décision, , chacun étant paramétré par une valeur respective des paramètres Nselect, ν et zone d’intérêt. Cet ensemble de modèles est mémorisé pour être utilisé dans la suite.The result of step E9 is therefore a set of models respecting the imposed constraints. A model contains a set of data, including in particular a projection function , a classifier, or decision function, , each being parameterized by a respective value of the parameters N select , ν and zone of interest. This set of models is stored for later use.

La phase de création de modèles, comportant les étapes E3 à E9, est effectuée une fois pour un type de pièce mécanique. La phase de création de modèles est suivie de la phase d’application des modèles pour la détection d’anomalie dans un exemplaire de pièce mécanique. La phase d’application des modèles est donc réalisée pour chaque nouvel exemplaire de pièce mécanique, en utilisant les modèles définis précédemment lors de la phase de création de modèles. La phase d’application comporte des étapes E10 à E15.The model creation phase, comprising steps E3 to E9, is performed once for a type of mechanical part. The model creation phase is followed by the model application phase for anomaly detection in an example of a mechanical part. The model application phase is therefore carried out for each new example of mechanical part, using the models previously defined during the model creation phase. The application phase includes steps E10 to E15.

L’étape E10 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.Step E10 is the acquisition of a tomographic image, or volumetric image, of an example of a mechanical part in which the anomaly detection is to be performed.

L’étape suivante E11 est une corrélation d’images volumiques étendue, CIVe, de l’image volumique précédemment acquise à l’étape E10. 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).The next step E11 is an extended volume image correlation, CIVe, of the volume image previously acquired in step E10. Similar to step E3, the extended volume image correlation, CIVe, is applied between the previously acquired volume image and the reference image f(x).

Ceci permet l’obtention d’une matrice contenant le champ de déplacement pondéré par l’incertitude de mesure.This allows to obtain a matrix containing the displacement field weighted by the measurement uncertainty.

L’étape suivante E12 est une récupération des matrices de sélection et pour chacun des modèles identifiés à l’étape E9, chacun de ces modèles ayant une zone d’intérêt associée et un paramètre Nselectassocié.The next step E12 is a recovery of the selection matrices And for each of the models identified in step E9, each of these models having an associated zone of interest and an associated N select parameter.

Le résultat de l’étape E12 est donc un ensemble de matrices de sélection et , pour chacun des modèles identifiés à l’étape E9.The result of step E12 is therefore a set of selection matrices And , for each of the models identified in step E9.

L’étape suivante E13 est une récupération de la fonction de projection et du classifieur pour chacun des modèles identifiés à l’étape E9, chacun de ces modèles ayant une zone d’intérêt, un paramètre Nselectet un paramètre ν associés.The next step E13 is a recovery of the projection function and the classifier for each of the models identified in step E9, each of these models having an associated zone of interest, a parameter N select and a parameter ν.

L’étape suivante E14 est le calcul de la prédiction , pour chacun des modèles identifiés à l’étape E9 :
The next step E14 is the calculation of the prediction , for each of the models identified in step E9:

où i représente un indice de modèle.where i represents a model index.

Si , alors la zone d’intérêt de la pièce mécanique est considérée OK, c’est-à-dire sans anomalie, sinon elle est considérée NOK, c’est-à-dire avec anomalie.Whether , then the zone of interest of the mechanical part is considered OK, that is to say without anomaly, otherwise it is considered NOK, that is to say with anomaly.

L’ensemble des prédictions pipour tous les modèles identifiés à l’étape E9 forme un vecteur de prédiction p de la pièce mécanique par rapport aux modèles déterminés dans la phase de création de modèles. Le vecteur de prédiction p permet la détection d’anomalie dans la pièce mécanique.The set of predictions p i for all the models identified in step E9 forms a prediction vector p of the mechanical part with respect to the models determined in the model creation phase. The prediction vector p allows anomaly detection in the mechanical part.

L’étape suivante E15 est la fourniture du vecteur de prédiction p contenant les prédictions pi, à un système d’interface homme-machine qui affichera l’information pour un utilisateur.The next step E15 is the supply of the prediction vector p containing the predictions p i , to a man-machine interface system which will display the information for a user.

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.This information is an aid to the sanction of material health in the production of aeronautical parts (made of 3D woven composite material) by automatic processing.

La représente un dispositif de détection d’anomalie dans une pièce mécanique selon un mode de réalisation de l’invention.There represents an anomaly detection device in a mechanical part according to one embodiment of the 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.The anomaly detection device comprises a module 1 for acquiring volume images of mechanical parts. This module is known per se and will not be detailed here. Volume image acquisition module 1 is used to perform steps E1 and E2 to produce the enriched volume image database that is stored.

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 E15. 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.The anomaly detection device also comprises a processing module 2 connected to the module 1 for acquiring volume images. The processing module 2 is suitable for carrying out the steps E3 to E15. Processing module 2 includes a sub-module for creating models of the mechanical part and a sub-module for applying the models to the mechanical part.

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 définir des données représentatives de champs de déplacement entre chacune des images volumiques de la base de données d’images volumiques de pièces mécaniques et l’image de référence.The sub-module for creating models of the mechanical part is in particular suitable for carrying out an extended volume image correlation, CIVe, of the volume images of a database of volume images of mechanical parts, with one of the images volumes of the database of volume images of mechanical parts chosen as reference image, so as to define data representative of displacement fields between each of the volume images of the database of volume images of mechanical parts and the reference picture.

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.The processing module 2 is implemented in the form of a computer which notably comprises a processor 100, a memory 101, an input interface 102 and an output interface 103.

Ces différents éléments sont classiquement reliés par un bus 105.These different elements are conventionally connected by a 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.The processor 100 executes a computer program implementing the method according to the invention. These processing operations are carried out in the form of computer program code instructions which are stored by the memory 101 before being executed by the processor 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.The input interface 102 is connected to the volume image acquisition module 1 and is intended to receive the data representing the volume images.

L’interface de sortie 103 est reliée à un système d’interface homme-machine 3 et lui délivre les données qui représentent un vecteur de prédictions.The output interface 103 is connected to a man-machine interface system 3 and delivers to it the data which represents a vector of predictions.

Claims (11)

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 définir des données représentatives de champs de déplacement entre chacune des images volumiques de la base de données d’images volumiques de pièces mécaniques et l’image de référence.Method for detecting an anomaly in a mechanical part, comprising a phase of creating models of the mechanical part and a phase of applying the models to the mechanical part, the method being characterized in that
the phase of creating models of the mechanical part comprises a step (E3) of correlation of extended volume images, CIVe, of the volume images of a database of volume images of mechanical parts, with one of the volume images from the database of volumetric images of mechanical parts chosen as reference image, so as to define data representative of displacement fields between each of the volumetric images of the database of volumetric images of mechanical parts and the image reference. 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 formation de zones d’intérêt dans les images volumiques de la base de données d’images volumiques de pièces mécaniques et de détermination de matrices binaires de sélection pour chacune des zones d’intérêt indiquant la présence ou l’absence d’anomalie dans la zone d’intérêt courante de chacune d’un ensemble d’images volumiques de la base de données d’images volumiques de pièces mécaniques, sélectionnées pour un apprentissage.Method for detecting anomaly in a mechanical part according to claim 1, in which the phase of creating models of the mechanical part also includes a step (E4) of forming areas of interest in the volume images of the database volume images of mechanical parts and determination of binary selection matrices for each of the areas of interest indicating the presence or absence of anomaly in the current area of interest of each of a set of volume images of the database of volumetric images of mechanical parts, selected for learning. 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 (E5) de décomposition en modes et valeurs propres des matrices binaires de sélection pour chacune des zones d’intérêt, pour déterminer une fonction de projection et une matrice contenant des vecteurs propres droits pour chacune des matrices binaires de sélection déterminée pour chacune des zones d’intérêt.Method for detecting anomaly in a mechanical part according to claim 2, in which the phase of creation of models of the mechanical part also comprises a step (E5) of decomposition into modes and eigenvalues of the binary selection matrices for each of the zones of interest, to determine a projection function and a matrix containing right eigenvectors for each of the binary selection matrices determined for each of the areas of interest. Procédé de détection d’anomalie dans une pièce mécanique selon la revendication 3, dans lequel la phase de création de modèles de la pièce mécanique comporte aussi une étape (E6) de réduction des matrices déterminées à l’étape (E5) de décomposition en modes et valeurs propres des matrices binaires de projection pour chacune des zones d’intérêt, pour déterminer une matrice réduite pour chacune des valeurs d’un ensemble de nombres de colonnes de matrice à sélectionner et pour chacune des zones d’intérêt.Method for detecting anomaly in a mechanical part according to claim 3, in which the phase of creating models of the mechanical part also includes a step (E6) of reducing the matrices determined in the step (E5) of decomposition into modes and eigenvalues of the binary projection matrices for each of the areas of interest, to determine a reduced matrix for each of the values of a set of numbers of matrix columns to be selected and for each of the areas of interest. 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) d’application d’un séparateur à vaste marge à une classe aux matrices réduites déterminée à l’étape de réduction des matrices (E6).Method for detecting an anomaly in a mechanical part according to claim 4, in which the phase of creating models of the mechanical part also includes a step (E7) of applying a large-margin separator to a class with reduced matrices determined in the matrix reduction step (E6). Procédé de détection d’anomalie dans une pièce mécanique selon la revendication 5, dans lequel la phase de création de modèles de la pièce mécanique comporte aussi une étape (E8) d’évaluation des performances par une matrice de confusion et de génération d’un critère de précision et de taux de fuite pour chacune des matrices réduites déterminée à l’étape de réduction des matrices (E6).Method for detecting an anomaly in a mechanical part according to claim 5, in which the phase of creating models of the mechanical part also includes a step (E8) of evaluating performance by a confusion matrix and generating a precision and leak rate criterion for each of the reduced matrices determined in the step of reducing the matrices (E6). 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) d’optimisation multi-objectif de paramètres pour sélectionner un ensemble de modèles respectant des contraintes imposées.Method for detecting anomaly in a mechanical part according to claim 6, in which the phase of creation of models of the mechanical part also includes a step (E9) of multi-objective optimization of parameters to select a set of models respecting constraints imposed. Procédé de détection d’anomalie dans une pièce mécanique selon la revendication 7, dans lequel la phase d’application des modèles à la pièce mécanique comporte une étape d’acquisition (E10) d’une image volumique de la pièce mécanique par tomographie, et une étape de corrélation d’images volumiques étendue (E11) entre l’image volumique de la pièce mécanique et l’image de référence.Method for detecting anomaly in a mechanical part according to claim 7, in which the phase of applying the models to the mechanical part comprises a step of acquisition (E10) of a volume image of the mechanical part by tomography, and an extended volume image correlation step (E11) between the volume image of the mechanical part and the reference image. Procédé de détection d’anomalie dans une pièce mécanique selon la revendication 8, dans lequel la phase d’application des modèles à la pièce mécanique comporte des étapes de récupération (E12) de matrices de sélection pour chacun des modèles identifiés dans la phase de création de modèles, de récupération(E13) des données de chacun des modèles identifiés dans la phase de création de modèles, et de formation (E14) d’un vecteur de prédiction de la pièce mécanique par rapport aux modèles identifiés dans la phase de création de modèles.Method for detecting anomaly in a mechanical part according to claim 8, in which the phase of applying the models to the mechanical part comprises steps of retrieving (E12) selection matrices for each of the models identified in the creation phase of models, recovery (E13) of the data of each of the models identified in the phase of creation of models, and formation (E14) of a vector of prediction of the mechanical part compared to the models identified in the phase of creation of models. 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 définir des données représentatives de champs de déplacement entre chacune des images volumiques de la base de données d’images volumiques de pièces mécaniques et l’image de référence.Device for detecting anomaly in a mechanical part, comprising a module for creating models of the mechanical part and a module for applying the models to the mechanical part, the device being characterized in that
the module for creating models of the mechanical part is adapted to carry out an extended volume image correlation, CIVe, of the volume images of a database of volume images of mechanical parts, with one of the volume images of the database of volumetric images of mechanical parts chosen as reference image, so as to define data representative of displacement fields between each of the volumetric images of the database of volumetric images of mechanical parts and the reference image . Programme d’ordinateur comportant des instructions pour l’exécution des étapes du procédé selon l’une quelconque des revendications 1 à 9 lorsque ledit programme est exécuté par un ordinateur.Computer program comprising instructions for the execution of the steps of the method according to any one of Claims 1 to 9 when the said program is executed by a computer.
FR2100808A 2021-01-28 2021-01-28 Anomaly detection in mechanical parts Active FR3119259B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
FR2100808A FR3119259B1 (en) 2021-01-28 2021-01-28 Anomaly detection in mechanical parts

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR2100808A FR3119259B1 (en) 2021-01-28 2021-01-28 Anomaly detection in mechanical parts
FR2100808 2021-01-28

Publications (2)

Publication Number Publication Date
FR3119259A1 true FR3119259A1 (en) 2022-07-29
FR3119259B1 FR3119259B1 (en) 2023-04-14

Family

ID=75953967

Family Applications (1)

Application Number Title Priority Date Filing Date
FR2100808A Active FR3119259B1 (en) 2021-01-28 2021-01-28 Anomaly detection in mechanical parts

Country Status (1)

Country Link
FR (1) FR3119259B1 (en)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015033044A1 (en) 2013-09-06 2015-03-12 Safran Method for characterising a part made of a woven composite material
WO2017089714A1 (en) 2015-11-24 2017-06-01 Safran Method of non-destructive checking of a component for aeronautics
FR3050826B1 (en) 2016-05-02 2018-04-20 Safran METHOD OF NON-DESTRUCTIVE CONTROL BY LEARNING
FR3050274B1 (en) 2016-04-18 2019-04-05 Safran METHOD OF TOPOLOGICAL ANALYSIS OF A COMPOSITE PIECE

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015033044A1 (en) 2013-09-06 2015-03-12 Safran Method for characterising a part made of a woven composite material
WO2017089714A1 (en) 2015-11-24 2017-06-01 Safran Method of non-destructive checking of a component for aeronautics
FR3050274B1 (en) 2016-04-18 2019-04-05 Safran METHOD OF TOPOLOGICAL ANALYSIS OF A COMPOSITE PIECE
FR3050826B1 (en) 2016-05-02 2018-04-20 Safran METHOD OF NON-DESTRUCTIVE CONTROL BY LEARNING

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
A. MENDOZAJ. SCHNEIDERE. PARRAE. OBERTS. ROUX: "Differentiating 3D textile composites: A novel field of application for Digital Volume Corrélation", COMPOSITE STRUCTURES, 2019
AMER MENNATALLAH ET AL: "Enhancing one-class support vector machines for unsupervised anomaly detection", PROCEEDINGS OF THE ACM SIGKDD WORKSHOP ON OUTLIER DETECTION AND DESCRIPTION, ODD '13, 1 January 2013 (2013-01-01), New York, New York, USA, pages 8 - 15, XP055848443, ISBN: 978-1-4503-2335-2, DOI: 10.1145/2500853.2500857 *
MENDOZA ARTURO ET AL: "Differentiating 3D textile composites: A novel field of application for Digital Volume Correlation", COMPOSITE STRUCTURES, vol. 208, 6 October 2018 (2018-10-06), GB, pages 735 - 743, XP055843733, ISSN: 0263-8223, DOI: 10.1016/j.compstruct.2018.10.008 *
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 *

Also Published As

Publication number Publication date
FR3119259B1 (en) 2023-04-14

Similar Documents

Publication Publication Date Title
JP7187681B2 (en) Computer-implemented method, computer program product and system for analysis of cell images
JP2020187735A (en) Surface defect identification method and apparatus
Campanella et al. Towards machine learned quality control: A benchmark for sharpness quantification in digital pathology
JP6445127B2 (en) Cargo inspection method and system
JP2019537839A (en) Diagnostic system and method for deep learning models configured for semiconductor applications
JP2022108260A (en) Device, program, and method for anomaly detection and classification
Zipfel et al. Anomaly detection for industrial quality assurance: A comparative evaluation of unsupervised deep learning models
Wong et al. Segmentation of additive manufacturing defects using U-net
Krauze Optical diffraction tomography with finite object support for the minimization of missing cone artifacts
Kolluru et al. Machine learning for segmenting cells in corneal endothelium images
Zhang et al. Explainability for regression CNN in fetal head circumference estimation from ultrasound images
FR3050274A1 (en) METHOD OF TOPOLOGICAL ANALYSIS OF A COMPOSITE PIECE
EP4229548A1 (en) Sequential out of distribution detection for medical imaging
Kharal Explainable artificial intelligence based fault diagnosis and insight harvesting for steel plates manufacturing
FR3050826A1 (en) METHOD OF NON-DESTRUCTIVE CONTROL BY LEARNING
Smirnov et al. Prospects for future studies using deep imaging: analysis of individual Galactic cirrus filaments
CN110785709B (en) Generating high resolution images from low resolution images for semiconductor applications
Geurts et al. Visual comparison of 3D medical image segmentation algorithms based on statistical shape models
FR3119259A1 (en) Anomaly detection in mechanical parts
RU2715024C1 (en) Method of trained recurrent neural network debugging
Kotiyal et al. Diabetic Retinopathy Binary Image Classification Using Pyspark
FR3119255A1 (en) Anomaly detection in mechanical parts
Valle et al. Assessing the reliability of visual explanations of deep models with adversarial perturbations
Rao et al. Breast Cancer Detection on Histopathological Data
US20240135736A1 (en) Clinical support system and associated computer-implemented methods

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