FR3122925A1 - Dispositif de détection et de caractérisation d’une singularité de traitement laser d’une surface et un procédé associé - Google Patents

Dispositif de détection et de caractérisation d’une singularité de traitement laser d’une surface et un procédé associé Download PDF

Info

Publication number
FR3122925A1
FR3122925A1 FR2105119A FR2105119A FR3122925A1 FR 3122925 A1 FR3122925 A1 FR 3122925A1 FR 2105119 A FR2105119 A FR 2105119A FR 2105119 A FR2105119 A FR 2105119A FR 3122925 A1 FR3122925 A1 FR 3122925A1
Authority
FR
France
Prior art keywords
singularity
image
laser
images
training
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
FR2105119A
Other languages
English (en)
Other versions
FR3122925B1 (fr
Inventor
Sara KIRCHNER
Benjamin Martin
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.)
IRT Saint Exupery
Original Assignee
IRT Saint Exupery
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 IRT Saint Exupery filed Critical IRT Saint Exupery
Priority to FR2105119A priority Critical patent/FR3122925B1/fr
Publication of FR3122925A1 publication Critical patent/FR3122925A1/fr
Application granted granted Critical
Publication of FR3122925B1 publication Critical patent/FR3122925B1/fr
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws
    • G01N2021/8874—Taking dimensions of defect into account
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8883—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges involving the calculation of gauges, generating models
    • 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
    • G06T2207/10141—Special mode during image acquisition
    • G06T2207/10152—Varying illumination
    • 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
    • G06T2207/30156—Vehicle coating

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biochemistry (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Laser Beam Processing (AREA)
  • Image Analysis (AREA)

Abstract

L’invention concerne un procédé de contrôle de la qualité d’un traitement d’une surface (110) d’une pièce (120) par texturation laser, comprenant des étapes de : acquisition d’une image (155) de la surface traitée ;analyse de l’image acquise par un algorithme d’apprentissage automatique, de type apprentissage profond, préalablement entraîné sur une base de données d’images, dites d’entraînement, comprenant des images d’une pluralité de surfaces traitées par laser, une pluralité d’images d’entraînement comprenant au moins une singularité de traitement laser, chaque singularité de traitement laser présente dans une image d’entraînement étant annotée, l’analyse fournissant un résultat d’analyse comprenant un score représentatif d’une détection d’au moins une singularité de traitement présente dans l’image acquise ;dans le cas d’une détection d’une singularité (159) sur la pièce traitée, classement de la singularité en fonction du résultat d’analyse et génération d’une alerte en fonction du classement de la singularité. figure pour l’abrégé : figure 1

Description

Dispositif de détection et de caractérisation d’une singularité de traitement laser d’une surface et un procédé associé
DOMAINE TECHNIQUE DE L’INVENTION
Le domaine de l’invention est celui du contrôle d’un traitement d’une surface.
Plus précisément, l’invention concerne un dispositif de détection et de caractérisation d’une singularité de traitement laser d’une surface et un procédé associé.
L’invention trouve notamment des applications dans le contrôle en temps réel de la qualité d’un traitement par texturation laser d’une surface métallique effectuée préalablement à un collage.
ÉTAT DE LA TECHNIQUE
Il est connu de l’art antérieur des techniques de contrôle non destructif de l’état d’une surface texturée par laser avant d’effectuer une opération de collage de la surface texturée. Ces contrôles, généralement effectués pendant le traitement de texturation de manière visuelle par un opérateur chevronné, sont importants afin d’éviter des endommagements ou rupture de liaisons collées qui peuvent survenir par la suite si la surface est incorrectement texturée.
Dans un but d’automatisation et d’amélioration du contrôle qualité, il a été développé des techniques de contrôle après traitement de la surface.
Ces techniques de contrôle basées sur une analyse d’image de la surface traitée restent toutefois compliquées à mettre en œuvre, du fait de la taille des pièces industrielles qui, selon les applications, peuvent être importantes – par exemple pour des opérations aéronautiques ou spatiales, les pièces à contrôler peuvent faire plusieurs mètres de haut et de diamètre – et du fait de la durée limitée disponible après traitement par texturation laser pour effectuer les opérations de collage.
Il est par conséquent difficile d’effectuer un contrôle minutieux et exhaustif des surfaces traitées avant d’engager l’opération de collage de la surface traitée avec une autre pièce. Un risque notable d’endommagement ou de rupture des liaisons collées reste par conséquent présent.
Aucun des systèmes actuels ne permet de répondre simultanément à tous les besoins requis, à savoir de proposer une technique de contrôle totalement automatisable, fiable et reproductible, permettant d’effectuer un contrôle exhaustif de la surface traitée en un temps limité, tout en permettant une caractérisation fine des singularités constatées, en type et en taille.
La présente invention vise à remédier à tout ou partie des inconvénients de l’état de la technique cités ci-dessus.
À cet effet, l’invention vise un procédé de contrôle de la qualité d’un traitement d’une surface d’une pièce par texturation laser.
Le traitement de texturation laser d’une pièce consiste généralement à graver des sillons sur la pièce avec un laser afin d’augmenter la rugosité de surface de la pièce. Ce traitement est effectué par exemple avant une étape de collage de la pièce traitée avec une deuxième pièce afin de permettre aux liaisons collées de bien se former entre les deux pièces. La rugosité créée lors de la texturation laser permet en effet d’augmenter la surface collée en offrant des aspérités permettant de renforcer les liaisons collées.
Or, des singularités peuvent apparaître au cours du traitement laser, comme une absence de traitement sur une zone de la pièce, une superposition de deux traitements sur une zone de la pièce ou une défocalisation du laser sur une zone de la pièce.
Le contrôle de la qualité de ce traitement, avant toute opération complémentaire, comme un collage, peut être par conséquent primordial afin de minimiser les risques d’endommagement ultérieur.
Selon l’invention, le procédé de contrôle comprend des étapes de :
  • acquisition d’une image de la surface traitée ;
  • analyse de l’image acquise par un algorithme d’apprentissage automatique, de type apprentissage profond, préalablement entraîné sur une base de données d’images, dites d’entraînement, comprenant des images d’une pluralité de surfaces traitées par laser, une pluralité d’images d’entraînement comprenant au moins une singularité de traitement laser, chaque singularité de traitement laser présente dans une image d’entraînement étant annotée, l’analyse fournissant un résultat d’analyse comprenant un score représentatif d’une détection d’au moins une singularité de traitement présente dans l’image acquise ;
  • dans le cas d’une détection d’une singularité sur la pièce traitée, détermination d’une catégorie associée à la singularité détectée à partir du résultat d’analyse et génération d’une alerte en fonction de la catégorie associée à la singularité détectée.
Ainsi, grâce à l’utilisation d’un algorithme d’apprentissage automatique, il est possible d’obtenir un contrôle qualité plus exhaustif et plus précis de la pièce traitée. En effet, l’algorithme d’apprentissage automatique, qui est par exemple un réseau de neurones, permet d’obtenir un résultat d’analyse permettant de détecter automatiquement les singularités de traitement de la pièce. Les singularités sont ensuite catégorisées afin de déterminer s’il s’agit d’un défaut notable nécessitant par exemple un retraitement ou si la singularité est mineure en ne présentant pas de risque particulier pour l’opération complémentaire.
Par exemple, la catégorie peut être choisie parmi :
  • « défaut » ; ou
  • « singularité mineure ».
Il convient en outre de rappeler que la détection et la catégorisation des singularités de traitement peut être difficile à réaliser de manière exhaustive par un opérateur, même chevronné, notamment dans le cadre de pièces traitées de grande dimension. En outre, certaines singularités peuvent être difficiles à détecter à l’œil nu, notamment dans le cas d’une défocalisation du laser où le traitement effectué peut être plus ou moins profond et/ou large par rapport à un traitement laser ayant la bonne focalisation.
Préférentiellement, la majorité des images d’entrainement de la base de données d’images d’entrainement comprennent au moins une singularité de traitement laser.
Dans des modes particuliers de mise en œuvre de l’invention, le résultat d’analyse comprend également une caractérisation d’au moins une singularité détectée dans l’image acquise, chaque singularité de traitement laser présente dans une image d’entraînement étant annotée avec l’un au moins des types parmi :
  • superposition d’au moins deux traitements ;
  • absence de traitement ;
  • défocalisation du laser par rapport à la surface traitée.
Ainsi, la catégorisation peut être affinée pour mieux appréhender les retraitements à effectuer. Par exemple, la catégorie « défaut » peut être affinée par des sous-catégories comme :
  • « défaut par superposition d’au moins deux traitements » ;
  • « défaut par absence de traitement » ; ou
  • « défaut par défocalisation du laser »
Par ailleurs, une singularité détectée peut correspondre à deux types différents, comme superposition de deux traitements dont l’un présente une défocalisation, correspondant à une autre sous-catégorie de la catégorie « défaut » se rajoutant à la liste précédente, intitulée par exemple : « défaut par superposition d’au moins deux traitements, avec défocalisation du laser ».
Il convient de souligner que les noms des catégories et sous-catégories sont données à titre d’exemple illustratif et que des noms similaires peuvent être utilisés.
Dans des modes particuliers de mise en œuvre de l’invention, le résultat d’analyse comprend également une dimension caractéristique de la surface couverte par une singularité détectée dans l’image acquise.
La dimension caractéristique peut être une longueur, une largeur, un diamètre, voire une aire de la surface couverte, ou toute autre valeur permettant de caractériser la taille de la singularité sur la pièce en cours de traitement.
Dans le cas de plusieurs singularités détectées dans l’image, le résultat d’analyse comprend préférentiellement une dimension caractéristique pour chaque singularité détectée.
Préférentiellement, tout ou partie des images d’entraînement présentant au moins une singularité est segmentée, la segmentation délimitant chaque singularité dans l’image correspondante.
En d’autres termes, l’annotation associée à chaque image d’entrainement comprend la segmentation de chaque singularité présente dans l’image d’entrainement.
Il convient de souligner que la segmentation dans les images d’entrainement peut être notamment représentée par une pluralité de points correspondant à des extrémités de segments entourant la singularité. La segmentation peut ainsi prendre une forme quelconque. La segmentation correspond ainsi généralement au contour délimitant la singularité détectée.
Une échelle et une focale de prise de vue peut également être associée à chaque image d’entraînement afin de permettre de convertir une taille en pixels en une taille réelle, par exemple en millimètres.
Dans des modes particuliers de mise en œuvre de l’invention, la singularité est catégorisée comme un défaut lorsqu’une dimension caractéristique associée à ladite singularité est supérieure à un seuil prédéterminé.
Dans des modes particuliers de mise en œuvre de l’invention, le procédé de contrôle comprend une étape de génération d’une cartographie des singularités détectées sur la pièce en cours de traitement.
Dans des modes particuliers de mise en œuvre de l’invention, le procédé de contrôle, effectué en temps réel lors du traitement de la pièce, comprend également une étape d’arrêt du traitement de la pièce en fonction du classement d’une singularité détectée sur la pièce en cours de traitement.
L’arrêt du traitement peut par exemple être provoqué lorsqu’une singularité est catégorisée comme un défaut.
Dans des modes particuliers de mise en œuvre de l’invention, le procédé de contrôle comprend une étape de retraitement d’une singularité détectée.
Préférentiellement, la singularité catégorisée comme un défaut fait l’objet du retraitement.
Dans des modes particuliers de mise en œuvre de l’invention, le procédé de contrôle comprend une étape d’éclairage de la surface traitée concomitamment à l’étape d’acquisition d’une image de la surface traitée, l’intensité de l’éclairage de la surface traitée étant supérieure à une lumière ambiante.
Ainsi, l’image acquise est saturée en lumière, ce qui permet d’éviter des reflets parasites sur la surface traitée, provenant d’une lumière extérieure, comme par exemple la lumière du jour ou une lumière de l’atelier où le traitement est effectué. Les images acquises sont ainsi obtenues avec les mêmes conditions de lumière, permettant par conséquent une grande répétabilité du contrôle qualité.
Dans des modes particuliers de mise en œuvre de l’invention, le procédé de contrôle comprend également une étape de suivi du traitement laser.
Le suivi permet notamment de positionner et d’orienter un dispositif d’acquisition d’images de manière similaire au laser effectuant le traitement de la surface. En d’autres termes, la position et l’orientation du dispositif d’acquisition d’images sont mises à jour en fonction de la position et de l’orientation du laser effectuant le traitement, de telle sorte que l’image acquise corresponde à la partie de la surface qui est traitée par le laser en temps réel.
L’invention vise également un procédé d’apprentissage d’un algorithme d’apprentissage automatique pour la mise en œuvre du procédé de contrôle selon l’un quelconque des modes de mise en œuvre précédents, comprenant une étape d’élaboration de la base de données d’images d’entrainement par la fourniture d’une pluralité d’images comprenant chacune une ou plusieurs singularités de traitement de type parmi :
  • superposition d’au moins deux traitements ;
  • absence de traitement ;
  • défocalisation du laser par rapport à la surface traitée ;
chaque singularité de traitement laser présente dans les images d’entraînement étant annotée avec une segmentation dans l’image et au moins un type parmi :
  • superposition d’au moins deux traitements ;
  • absence de traitement ;
  • défocalisation du laser par rapport à la surface traitée.
Il convient de souligner que la base de données comprend également avantageusement des images d’entrainement de pièces traitées sans singularités afin que l’apprentissage soit plus efficace pour détecter une ou plusieurs singularité(s) dans une image.
Dans des modes particuliers de mise en œuvre de l’invention, le procédé d’apprentissage comprend également une étape de validation de l’apprentissage de l’algorithme d’apprentissage automatique par comparaison d’un résultat d’analyse d’une pluralité d’images dites de validation, distinctes des images d’entraînement, avec l’annotation associée à chaque image de validation.
Enfin, l’invention vise aussi un dispositif de contrôle de la qualité d’un traitement d’une surface d’une pièce par texturation laser, comprenant :
  • un dispositif d’acquisition d’images ;
  • un dispositif de traitement des images acquises comprenant un processeur informatique et une mémoire informatique stockant les instructions d’un procédé de contrôle selon l’un quelconque des modes de mise en œuvre précédents.
BRÈVE DESCRIPTION DES FIGURES
D’autres avantages, buts et caractéristiques particulières de la présente invention ressortiront de la description non limitative qui suit d’au moins un mode de réalisation particulier des dispositifs et procédés objets de la présente invention, en regard des dessins annexés, dans lesquels :
  • [Fig 1] est une vue schématique d’un exemple d’un mode de réalisation du dispositif de contrôle de la qualité selon l’invention ;
  • [Fig 2] est un schéma synoptique du procédé de contrôle mise en œuvre par le dispositif de la figure 1 ;
  • [Fig 3] est un schéma synoptique du procédé d’apprentissage du réseau de neurones mis en œuvre par le procédé de contrôle de la figure 2.
DESCRIPTION DÉTAILLÉE DE L’INVENTION
La présente description est donnée à titre non limitatif, chaque caractéristique d’un mode de réalisation pouvant être combinée à toute autre caractéristique de tout autre mode de réalisation de manière avantageuse.
On note, dès à présent, que les figures ne sont pas à l’échelle.
Exemple d’un mode de réalisation particulier
La est une vue schématique d’un dispositif 100 de contrôle de la qualité, selon l’invention, d’un traitement d’une surface 110 d’une pièce 120 par un laser 135 provenant d’une source laser 130.
Un bras articulé 140 permet de positionner et d’orienter la source laser 130 afin de traiter l’ensemble de la surface 110 de la pièce 120 en la texturant de manière à permettre un collage efficace de la pièce 120 avec une deuxième pièce (non représentée sur la ). Il convient de souligner que le bras 140 est dans le présent exemple non limitatif de l’invention avantageusement robotisé afin que le traitement puisse être effectué automatiquement.
Le dispositif 100 de contrôle comprend avantageusement une caméra 150 permettant d’acquérir au moins une image 155 de la surface 110 en cours de traitement. Plus précisément, la caméra 150 est ici solidarisée au bras articulé 140 de telle sorte que la caméra 150 acquiert en temps réel une zone 160 de la surface 110 en cours de traitement par la source laser 130 pointant sur la zone 160. Un dispositif 156 d’éclairage directionnel peut être avantageusement associé à la caméra 150, pointant dans la même direction que la caméra 150 vers la zone 160. Le dispositif 156 d’éclairage directionnel est ici une boite lumineuse (représentée en coupe sur la ).
Un suivi du traitement peut ainsi être effectué en temps réel afin de détecter dès que possible la présence d’une singularité 159 de traitement dans une image acquise 155 et de pouvoir la catégoriser par exemple en tant que défaut ou en tant que singularité mineure.
Le contrôle de la qualité du traitement est assuré par un procédé 200 de contrôle dont les instructions stockées dans une mémoire informatique 170 sont traitées par un processeur informatique 180 du dispositif 100 de contrôle.
Le procédé 200 de contrôle de la qualité est illustré plus en détails sur la sous la forme d’un schéma synoptique.
Tout d’abord, le procédé 200 de contrôle comprend ici une étape 205 de suivi du traitement en cours sur la pièce. Cette étape 205 de suivi comprend notamment une sous-étape 206 de repositionnement dans l’espace tridimensionnel, en position et en orientation, de la caméra 150 par rapport à la source laser 130. Ce repositionnement permet à la caméra 150 de pointer sur la zone 160 de la surface 110 en cours de traitement.
Il convient de souligner que l’axe de la caméra 150 une fois repositionné peut être par exemple sensiblement parallèle au laser 135, en étant déporté de quelques millimètres par rapport au laser 135. Le repositionnement est ici effectué automatiquement, la caméra 150 étant solidarisée au bras 140.
Dans des variantes de ce mode de réalisation, la caméra est libre par rapport au bras 140, le repositionnement étant effectué en temps réel par rapport à la position du laser 135 et de la zone 160 de la surface 110 dans l’espace tridimensionnel.
Une fois la caméra 150 positionnée, une image 155 de la zone 160 de la surface 110 est acquise par la caméra 150 au cours d’une étape 210 du procédé 200 de contrôle.
Avantageusement, un éclairage de la surface 120 par le dispositif 156 d’éclairage directionnel est effectué concomitamment à l’acquisition de l’image 155. L’éclairage est préférentiellement configuré pour saturer la zone 160 en lumière afin d’éviter des reflets lumineux parasites provenant d’un éclairage ambiant, permettant ainsi une meilleure reproductibilité du procédé 200 de contrôle.
L’image 155 acquise est ensuite analysée au cours d’une étape 220 par l’intermédiaire d’un algorithme d’apprentissage automatique, de type apprentissage profond, qui est ici un réseau de neurones.
Le réseau de neurones a été préalablement configuré lors d’une phase 290 préalable d’apprentissage, au cours de laquelle des images d’entrainement sont soumises au réseau de neurones. Parmi les images d’entraînement, stockées dans une base de données dite d’entrainement, une partie des images correspondent à des images de surfaces présentant au moins une singularité de traitement de type parmi :
  • superposition d’au moins deux traitements ;
  • absence de traitement ;
  • défocalisation du laser par rapport à la surface traitée
Chaque image d’entraînement présentant au moins une singularité est avantageusement annotée avec :
  • la présence ou non d’une singularité ;
  • le ou les type(s) de singularité associé(s) à chacune des singularités présentes dans l’image correspondante ;
  • une segmentation de chaque singularité, représentée par un contour formée d’une pluralité de points correspondant aux extrémités de segments délimitant chaque singularité.
Il convient de souligner que la dimension globale de la singularité peut être un diamètre caractéristique, une largeur ou une longueur associée à la singularité.
Par ailleurs, la base d’entrainement comprend également des images d’entrainement présentant aucune singularité de traitement afin d’améliorer l’apprentissage et par conséquent la détection d’une singularité.
L’apprentissage s’effectue généralement en plusieurs étapes en découpant la base de données d’entrainement en plusieurs parties, l’une pour la configuration des paramètres du réseau de neurones et l’autre pour vérifier que les paramètres configurés permettent d’obtenir une bonne prédiction du résultat.
Afin d’améliorer la robustesse de l’apprentissage, une technique connue sous le nom anglais de «data augmentation» est dans le présent exemple non limitatif de l’invention avantageusement utilisée afin d’augmenter le nombre d’images d’entraînement à partir d’une série d’images de la base de données d’entraînement.
Une attention particulière est également effectuée sur la position des singularités dans les images d’entraînement. Il est en effet préférable que la position des singularités soit aléatoire afin de ne pas introduire de biais d’apprentissage dans la configuration des paramètres du réseau de neurones.
La taille en pixels des images d’entrainement peut également avoir une influence dans l’apprentissage. Il peut par exemple être préférable d’introduire dans la base d’entrainement des images présentant des tailles de singularités différentes afin de mieux détecter les différents types singularités, en taille et en forme.
Le réseau de neurones, une fois entraîné, fournit un résultat d’analyse pour l’image acquise 155. Le résultat d’analyse comprend un score représentatif d’une détection d’au moins une singularité de traitement présente dans l’image acquise. Lorsque le score est supérieur à un seuil prédéterminé, la détection est considérée comme positive.
Le résultat d‘analyse peut également avantageusement comprendre une caractérisation d’au moins une singularité, ou préférentiellement de chaque singularité, détectée dans l’image acquise 155. La caractérisation d’une singularité indique notamment le ou les type(s) associé(s) à la singularité correspondante. Le type de singularité est par exemple choisi parmi :
  • superposition d’au moins deux traitements ;
  • absence de traitement ;
  • défocalisation du laser par rapport à la surface traitée.
Une dimension caractéristique de la surface couverte par une singularité détectée dans l’image acquise 155 peut également être comprise dans le résultat d’analyse fourni par le réseau de neurones.
La dimension caractéristique est par exemple une longueur, une largeur ou un diamètre de la surface couverte par la singularité. Plus précisément, la dimension caractéristique peut ici correspondre à la distance maximale entre deux points délimitant le contour de la singularité détectée.
Une catégorie est ensuite déterminée et associée à chaque singularité détectée au cours d’une étape 230 du procédé 200 de contrôle, à partir du résultat d’analyse fourni par le réseau de neurones.
La catégorie est notamment fonction de la dimension caractéristique associée à la singularité afin de savoir s’il s’agit d’un défaut ou d’une singularité mineure. Un seuil prédéterminé en dimension est ainsi utilisé pour différencier les défauts des singularités mineures.
Une sous-catégorie peut également être associée en fonction du ou des type(s) de singularité associé(s) à ladite singularité.
La ou les singularité(s) détectée(s) dans l’image 155 peut ensuite être ajoutées à une cartographie répertoriant les différentes singularités détectées sur la pièce 120 au cours d’une étape 235 du procédé 200 de contrôle.
Une alerte peut également être générée au cours d’une étape 240 en fonction de la catégorie associée à la singularité, notamment lorsque la catégorie correspond à un défaut.
L’alerte peut entrainer par exemple un arrêt du traitement de la pièce 120 ou un retraitement automatique de la singularité catégorisée comme défaut. Il convient de souligner que le retraitement peut être affiné en fonction de la sous-catégorie liée au type de singularité détectée. Par exemple, le retraitement peut être différent dans le cas d’un défaut pour absence de traitement ou dans le cas d’un défaut correspondant à une défocalisation du laser.
Il convient de souligner que dans le cas où le traitement n’est pas arrêté, le procédé 200 est recommencé en boucle dans le but de balayer l’ensemble de la pièce 120.
La illustre un procédé 300 d’apprentissage du réseau de neurones, correspondant à la phase 290 du procédé 200.
Le procédé 300 d’apprentissage comprend une étape 310 d’élaboration de la base de données d’images d’entrainement par la fourniture d’une pluralité d’images comprenant chacune une ou plusieurs singularités de traitement de type parmi :
  • superposition d’au moins deux traitements ;
  • absence de traitement ;
  • défocalisation du laser par rapport à la surface traitée.
Il convient de souligner que les images d’entraînement présentant des singularités sont avantageusement annotées avec une dimension caractéristique et au moins un type parmi :
  • superposition d’au moins deux traitements ;
  • absence de traitement ;
  • défocalisation du laser par rapport à la surface traitée.
Grâce à ces annotations, le réseau de neurones peut fournir un résultat d’analyse permettant d’effectuer une caractérisation fine de chaque singularité détectée, et par conséquent d’améliorer le classement de chaque singularité détectée.
Le procédé 300 d’apprentissage comprend également une étape 320 de génération des paramètres du réseau de neurones à partir des images d’entrainement. La configuration des paramètres permet d’obtenir un réseau de neurones configuré pour fournir le résultat d’analyse d’une image acquise.
Les paramètres générés sont ensuite validés au cours d’une étape 330 du procédé 300 d’apprentissage en comparant chaque résultat d’analyse obtenu pour une pluralité d’images dites de validation, distinctes des images d’entraînement, avec l’annotation associée à chaque image de validation.
Dans le cas où la validation ne serait pas concluante, le réseau de neurones peut être réentraîné jusqu’à obtenir des paramètres permettant d’obtenir des résultats cohérents.

Claims (10)

  1. Procédé (200) de contrôle de la qualité d’un traitement d’une surface d’une pièce (110) par texturation laser, comprenant des étapes de :
    • acquisition (210) d’une image (155) de la surface traitée ;
    • analyse (220) de l’image acquise par un algorithme d’apprentissage automatique, de type apprentissage profond, préalablement entraîné sur une base de données d’images, dites d’entraînement, comprenant des images d’une pluralité de surfaces traitées par laser, une pluralité d’images d’entraînement comprenant au moins une singularité de traitement laser, chaque singularité de traitement laser présente dans une image d’entraînement étant annotée, l’analyse fournissant un résultat d’analyse comprenant un score représentatif d’une détection d’au moins une singularité de traitement présente dans l’image acquise ;
    • dans le cas d’une détection d’une singularité (159) sur la pièce traitée, détermination (230) d’une catégorie associée à la singularité en fonction du résultat d’analyse et génération (240) d’une alerte en fonction de la catégorie associée à la singularité détectée.
  2. Procédé de contrôle selon la revendication précédente, dans lequel le résultat d’analyse comprend également une caractérisation d’au moins une singularité détectée dans l’image acquise, chaque singularité de traitement laser présente dans les images d’entraînement étant annotée avec l’un au moins des types parmi :
    • superposition d’au moins deux traitements ;
    • absence de traitement ;
    • défocalisation du laser par rapport à la surface traitée.
  3. Procédé de contrôle selon l’une quelconque des revendications précédentes, dans lequel le résultat d’analyse comprend également une dimension caractéristique de la surface couverte par une singularité détectée dans l’image acquise.
  4. Procédé de contrôle selon la revendication 3, dans lequel la singularité est catégorisée comme un défaut lorsqu’une dimension caractéristique associée à ladite singularité est supérieure à un seuil prédéterminé.
  5. Procédé de contrôle selon l’une quelconque des revendications précédentes, le procédé de contrôle comprend une étape de retraitement d’une singularité détectée.
  6. Procédé de contrôle selon l’une quelconque des revendications précédentes, comprenant une étape d’éclairage de la surface traitée concomitamment à l’étape d’acquisition d’une image de la surface traitée, l’intensité de l’éclairage de la surface traitée étant supérieure à une lumière ambiante.
  7. Procédé de contrôle selon l’une quelconque des revendications précédentes, comprenant également une étape de suivi du traitement laser.
  8. Procédé (290) d’apprentissage d’un algorithme d’apprentissage automatique pour la mise en œuvre du procédé de contrôle selon l’une quelconque des revendications 1 à 7, comprenant une étape (310) d’élaboration de la base de données d’images d’entrainement par la fourniture d’une pluralité d’images comprenant chacune une ou plusieurs singularités de traitement de type parmi :
    • superposition d’au moins deux traitements ;
    • absence de traitement ;
    • défocalisation du laser par rapport à la surface traitée ;
    chaque singularité de traitement laser présente dans une image d’entraînement étant annotée avec une segmentation dans l’image et au moins un type parmi :
    • superposition d’au moins deux traitements ;
    • absence de traitement ;
    • défocalisation du laser par rapport à la surface traitée.
  9. Procédé d’apprentissage selon la revendication précédente, comprenant également une étape de validation de l’apprentissage de l’algorithme d’apprentissage automatique par comparaison d’un résultat d’analyse d’une pluralité d’images dites de validation, distinctes des images d’entraînement, avec l’annotation associée à chaque image de validation.
  10. Dispositif (100) de contrôle de la qualité d’un traitement d’une surface d’une pièce par texturation laser, comprenant :
    • un dispositif (150) d’acquisition d’images ;
    • un dispositif de traitement des images acquises comprenant un processeur informatique (180) et une mémoire informatique (170) stockant les instructions d’un procédé de contrôle selon l’une quelconque des revendications 1 à 7.
FR2105119A 2021-05-17 2021-05-17 Dispositif de détection et de caractérisation d’une singularité de traitement laser d’une surface et un procédé associé Active FR3122925B1 (fr)

Priority Applications (1)

Application Number Priority Date Filing Date Title
FR2105119A FR3122925B1 (fr) 2021-05-17 2021-05-17 Dispositif de détection et de caractérisation d’une singularité de traitement laser d’une surface et un procédé associé

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR2105119 2021-05-17
FR2105119A FR3122925B1 (fr) 2021-05-17 2021-05-17 Dispositif de détection et de caractérisation d’une singularité de traitement laser d’une surface et un procédé associé

Publications (2)

Publication Number Publication Date
FR3122925A1 true FR3122925A1 (fr) 2022-11-18
FR3122925B1 FR3122925B1 (fr) 2024-03-01

Family

ID=77710860

Family Applications (1)

Application Number Title Priority Date Filing Date
FR2105119A Active FR3122925B1 (fr) 2021-05-17 2021-05-17 Dispositif de détection et de caractérisation d’une singularité de traitement laser d’une surface et un procédé associé

Country Status (1)

Country Link
FR (1) FR3122925B1 (fr)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024110587A1 (fr) * 2022-11-24 2024-05-30 Irt Antoine De Saint Exupéry Procédé de contrôle en ligne de la qualité d'un traitement d'une surface d'une pièce par texturation laser

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111974629A (zh) * 2020-08-14 2020-11-24 宁波东方电子有限公司 一种可辅助封装的全自动涂胶装置

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111974629A (zh) * 2020-08-14 2020-11-24 宁波东方电子有限公司 一种可辅助封装的全自动涂胶装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024110587A1 (fr) * 2022-11-24 2024-05-30 Irt Antoine De Saint Exupéry Procédé de contrôle en ligne de la qualité d'un traitement d'une surface d'une pièce par texturation laser
FR3142552A1 (fr) * 2022-11-24 2024-05-31 Irt Antoine De Saint Exupéry Procédé de contrôle en ligne de la qualité d’un traitement d’une surface d’une pièce par texturation laser

Also Published As

Publication number Publication date
FR3122925B1 (fr) 2024-03-01

Similar Documents

Publication Publication Date Title
KR102012318B1 (ko) 영상센서를 이용한 용접 품질 전수 검사 장치 및 그 방법
FR2811427A1 (fr) Procede de detection et d'identification de defauts dans un cordon de soudure realise par faisceau laser
US20160321792A1 (en) System and a method for automatic recipe validation and selection
FR2898410A1 (fr) Procede de caracterisation de la tenue en fatigue d'une piece a partir de son profil de surface
FR3112502A1 (fr) Contrôle automatique d’un système d’ébavurage de pièces
FR3122925A1 (fr) Dispositif de détection et de caractérisation d’une singularité de traitement laser d’une surface et un procédé associé
EP4046129B1 (fr) Procédé de fabrication
EP3614306A1 (fr) Procédé de localisation et d'identification de visage et de détermination de pose, à partir d'une vue tridimensionnelle
WO2000042401A2 (fr) Procede et dispositif d'analyse d'un front d'onde a grande dynamique
JP2020085774A (ja) 管ガラス検査方法、学習方法及び管ガラス検査装置
CN114174812B (zh) 用于具有光学检验的工艺监测的方法
WO2012143199A1 (fr) Analyse de l'image numerique de la surface interne d'un pneumatique - traitement des points de fausse mesure
CA2965323A1 (fr) Procede de detection de pixels defectueux.
EP1921442A1 (fr) Procédé et installation de contrôle de la qualité de pieces
JP2021006854A (ja) ベルト検査システムおよびベルト検査プログラム
TWI497623B (zh) 用於自動秘方驗證及選擇之系統及方法
JP2006303487A (ja) ウェーハのエッジビード除去線を検出するための方法
WO2024110587A1 (fr) Procédé de contrôle en ligne de la qualité d'un traitement d'une surface d'une pièce par texturation laser
FR3049709B1 (fr) Procede de detection d'un defaut sur une surface par eclairage multidirectionnel et dispositif associe
JP6402082B2 (ja) 表面撮像装置、表面検査装置、及び表面撮像方法
FR3051559A1 (fr) Procede d'optimisation de la detection de cibles marines et radar mettant en oeuvre un tel procede
EP4042249B1 (fr) Procédé et dispositif de controle de conformite d'une piece
BE1015708A3 (fr) Procede pour mesurer la hauteur de spheres ou d'hemispheres.
FR3107378A1 (fr) Procédé de détection et de classification des défauts des canalisations
FR3126487A1 (fr) Contrôle dimensionnel par projection

Legal Events

Date Code Title Description
PLFP Fee payment

Year of fee payment: 2

PLSC Publication of the preliminary search report

Effective date: 20221118

PLFP Fee payment

Year of fee payment: 3

PLFP Fee payment

Year of fee payment: 4