FR3134181A1 - Procede de detection d’un defaut d’etat de surface sur une surface metallique d’un element de vehicule - Google Patents
Procede de detection d’un defaut d’etat de surface sur une surface metallique d’un element de vehicule Download PDFInfo
- Publication number
- FR3134181A1 FR3134181A1 FR2202981A FR2202981A FR3134181A1 FR 3134181 A1 FR3134181 A1 FR 3134181A1 FR 2202981 A FR2202981 A FR 2202981A FR 2202981 A FR2202981 A FR 2202981A FR 3134181 A1 FR3134181 A1 FR 3134181A1
- Authority
- FR
- France
- Prior art keywords
- vehicle element
- images
- neural network
- camera
- metal surface
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000007547 defect Effects 0.000 title claims abstract description 29
- 238000013528 artificial neural network Methods 0.000 claims abstract description 46
- 229910052751 metal Inorganic materials 0.000 claims abstract description 38
- 239000002184 metal Substances 0.000 claims abstract description 38
- 238000004364 calculation method Methods 0.000 claims abstract description 21
- 238000001514 detection method Methods 0.000 claims abstract description 16
- 230000003287 optical effect Effects 0.000 claims description 15
- 230000015654 memory Effects 0.000 claims description 11
- 238000003384 imaging method Methods 0.000 claims description 6
- 239000002245 particle Substances 0.000 description 7
- 239000004020 conductor Substances 0.000 description 5
- 238000007689 inspection Methods 0.000 description 4
- 229910052782 aluminium Inorganic materials 0.000 description 3
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 3
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004146 energy storage Methods 0.000 description 2
- 238000001125 extrusion Methods 0.000 description 2
- 229910001416 lithium ion Inorganic materials 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000003466 welding Methods 0.000 description 2
- 230000003749 cleanliness Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 125000006850 spacer group Chemical group 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G01N21/8806—Specially adapted optical and illumination features
-
- 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
- G01N2021/8883—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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30136—Metal
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Immunology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pathology (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Theoretical Computer Science (AREA)
- Signal Processing (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
L’invention concerne un procédé de détection d’un défaut d’état de surface sur une surface métallique (20) d’un élément de véhicule (14), le procédé étant mis en œuvre par un ensemble (2) comprenant un système de prise de vue (4) et un dispositif informatique (6), le procédé comportant les étapes suivantes : une acquisition d’images de la surface métallique (20) de l’élément de véhicule (14), lesdites images acquises étant transmises au dispositif informatique (6) ;pour chacune des images transmises, un calcul d’une transformée de Fourier rapide de l’image ;pour chacune des images transmises, une génération d’une image modifiée à partir de la transformée de Fourier rapide de l’image calculée, les images modifiées étant fournies en entrée d’un réseau de neurones (26) ; etune détection, par le réseau de neurones (26), d’un défaut d’état de surface sur la surface métallique (20) de l’élément de véhicule. Figure 1
Description
L’invention se rapporte à un procédé de détection d’un défaut d’état de surface sur une surface métallique d’un élément de véhicule. Le défaut d’état de surface est par exemple un défaut de type éclat particulaire ou rayure, sans que cela ne soit limitatif dans le cadre de la présente invention. L’élément de véhicule est typiquement mais non limitativement un refroidisseur de batterie de stockage électrique, notamment un refroidisseur d’une batterie de traction du véhicule (qui est par exemple une batterie lithium-ion). Le procédé est mis en œuvre par un ensemble comprenant un système de prise de vue et un dispositif informatique relié au système de prise de vue.
L’intégrité et la propreté de la surface fonctionnelle du refroidisseur d’une batterie de traction de véhicule sont critiques pour sa performance mécanique et thermique. En effet, il est connu de disposer un matériau conducteur de chaleur entre le refroidisseur d’une part et les modules de stockage d’énergie électrique de la batterie d’autre part. Un tel matériau conducteur de chaleur présente avantageusement des propriétés à la fois élastiques et partiellement plastiques afin de pouvoir remplir toutes les cavités entre le fond des modules de stockage d’énergie électrique et la surface du refroidisseur, ces cavités étant produites par la planéité et la rugosité non nulle des différentes pièces.
Or, lorsque le refroidisseur est en aluminium, il arrive fréquemment que des particules d’aluminium soient projetées sur la surface du refroidisseur pendant une phase de soudage semi-automatique ou de soudage laser effectuée sur le refroidisseur, par exemple afin de fermer des canaux ou de figer des entretoises sur ce dernier. En outre, des rayures peuvent être occasionnées sur la surface du refroidisseur à cause de collisions avec d’autres pièces dures, ce qui crée des rainures et protubérances tout au long de ces rayures. De telles particules ou rayures entraînent un risque pour le fonctionnement du matériau conducteur de chaleur, car le matériau conducteur de chaleur subit habituellement une force de pression élevée après son assemblage sur chaque module de la batterie, et les particules ou rayures risquent de créer une rupture du matériau conducteur de chaleur tant pendant l’assemblage que pendant l’usage normal du véhicule au cours duquel des vibrations peuvent survenir. Si des particules ou des rayures sont présentes sur l’interface mécanique du refroidisseur, par exemple sur l’interface de connexion mécanique, les protubérances créées risquent de générer une trop haute pression mécanique localisée, ce qui risque d’entraîner une fatigue plus rapide du matériau sur ces endroits critiques. La rupture structurelle du matériau est alors plus probable.
Afin de remédier à ce problème, il est connu d’effectuer un contrôle manuel sur la surface du refroidisseur, soit via un simple contrôle visuel, soit par le touché de la main. Si des rayures ou des particules sont présentes sur la surface du refroidisseur, un opérateur retouche alors cette surface à l’aide de papier de verre. Toutefois, une telle solution n’est pas fiable, car soumise à un contrôle humain imparfait et subjectif.
Une autre solution connue est décrite dans le document brevet CN 110431404 A. Ce document décrit un procédé d'inspection des défauts et de surface de tôle grâce à un appareil d'inspection des défauts. L’appareil d'inspection des défauts comporte un système optique et un système de traitement d'image utilisant un dispositif d'éclairage et une caméra. Le procédé d'inspection des défauts comporte une étape d'entrée d'image consistant à acquérir une image originale en capturant une image d'un sujet d'une inspection, et en utilisant une phase de calcul de transformée de Fourier rapide sur l’image acquise ainsi qu’une phase d’application d’autres filtres de traitement d’image pour extraire d’autres caractéristiques de l’image. Toutefois, un inconvénient du procédé décrit dans ce document brevet est que la détection effectuée est assez peu sensible et est en outre susceptible d’engendrer quelques faux négatifs.
Le but de l’invention est de pallier les inconvénients de l’art antérieur en proposant un procédé de détection d’un défaut d’état de surface sur une surface métallique d’un élément de véhicule, qui offre un moyen de détection simple, sensible et fiable, tout en évitant de générer des faux négatifs.
Pour ce faire, l’invention se rapporte ainsi, dans son acceptation la plus large, à un procédé de détection d’un défaut d’état de surface sur une surface métallique d’un élément de véhicule, le procédé étant mis en œuvre par un ensemble comprenant un système de prise de vue et un dispositif informatique relié au système de prise de vue, le système de prise de vue comprenant une caméra configurée pour pouvoir acquérir des images de la surface métallique de l’élément de véhicule, le dispositif informatique comportant des moyens de traitement et des moyens mémoire reliés aux moyens de traitement, les moyens de traitement comprenant un module de calcul de transformée de Fourier rapide, les moyens mémoire stockant un réseau de neurones à apprentissage non supervisé avec propagation avant, le réseau de neurones ayant au préalable été entraîné pour son apprentissage à l’aide de données d’entraînement comportant des images de la surface métallique de l’élément de véhicule dépourvue de tout défaut d’état de surface, le procédé comportant les étapes suivantes :
- une acquisition, par la caméra du système de prise de vue, d’images de la surface métallique de l’élément de véhicule, lesdites images acquises étant transmises par le système de prise de vue au dispositif informatique ;
- pour chacune des images transmises, un calcul, par le module de calcul de transformée de Fourier rapide du dispositif informatique, d’une transformée de Fourier rapide de l’image ;
- pour chacune des images transmises, une génération, par les moyens de traitement du dispositif informatique, d’une image modifiée à partir de la transformée de Fourier rapide de l’image calculée, les images modifiées étant fournies en entrée du réseau de neurones ; et
- une détection, par le réseau de neurones, à partir des images modifiées par calcul de transformée de Fourier rapide, d’un défaut d’état de surface sur la surface métallique de l’élément de véhicule.
Grâce à l’utilisation d’un réseau de neurones à apprentissage non supervisé avec propagation avant pour effectuer la détection, couplé aux étapes de calcul d’une transformée de Fourier rapide et de génération d’une image modifiée pour chacune des images transmises (les images modifiées par calcul de transformée de Fourier rapide étant fournies en entrée du réseau de neurones), la détection effectuée est plus sensible et plus fiable, et ne génère pas de faux négatifs. En effet, les étapes de calcul d’une transformée de Fourier rapide et de génération d’images modifiées permettent de rendre les différences plus notables entre une image d’une surface « normale » et une image d’une surface avec anomalies ou défauts d’état de surface. Ces étapes de calcul et de génération permettent ainsi, même pour de faibles anomalies (difficilement visibles à l’œil nu), d’augmenter le « contraste » et de faire apparaître les défauts superficiels de manière plus évidente dans l’image transformée. Le réseau de neurones peut alors détecter plus facilement de telles différences, ce qui rend la détection plus fiable et plus sensible. En outre, du fait que les étapes de calcul d’une transformée de Fourier rapide et de génération d’images modifiées permettent de montrer les anomalies ou défauts d’état de surface de manière plus notable et différenciée, la résolution des images utilisées peut être plus faible (et l’angle de vision utilisé pour les images plus large). Par conséquent, les éléments optiques (caméra et éventuellement lentille optique) utilisés dans le système de prise de vue peuvent être adaptés, par exemple en choisissant des éléments ayant une distance focale plus faible et une vitesse de balayage de surface plus élevée. Ceci permet de réduire les coûts (en réduisant les exigences de précision relatives à de tels éléments matériels), sans sacrifier la précision de la détection.
Avantageusement, le réseau de neurones à apprentissage non supervisé avec propagation avant est un réseau de neurones auto-encodeur ou auto-associateur. Un tel réseau de neurones présente une couche d’entrée, une couche de sortie, ainsi qu’une ou plusieurs couches cachées reliant les couches d’entrée et de sortie. L'objectif d’un réseau de neurones auto-encodeur ou auto-associateur est de reconstruire ses entrées. Ceci permet de reconstruire une image de la surface métallique de l’élément de véhicule, à partir de l’image modifiée par calcul de transformée de Fourier rapide qui est fournie en entrée du réseau de neurones. Le processus de détection mis en œuvre par un tel réseau de neurones auto-encodeur ou auto-associateur se base sur un modèle qui consiste à reconstruire uniquement les images dans les données d’entraînement qui ne contiennent pas d’images avec des anomalies ou défauts d’état de surface. Dès qu’une image avec une ou plusieurs anomalie(s) d’état de surface entre dans le réseau de neurones, la reconstruction effectuée par ce dernier aboutit alors à une image avec une plus grande différence que l’image originale, à savoir une plus grande erreur de reconstruction. Ce processus permet d’améliorer substantiellement la sensibilité et la fiabilité de la détection.
Selon une autre caractéristique technique particulière de l’invention, l’élément de véhicule est un refroidisseur de batterie de stockage électrique.
L’invention se rapporte également à un ensemble comprenant un système de prise de vue et un dispositif informatique relié au système de prise de vue, le système de prise de vue comprenant une caméra, le dispositif informatique comportant des moyens de traitement et des moyens mémoire reliés aux moyens de traitement, les moyens de traitement comprenant un module de calcul de transformée de Fourier rapide, les moyens mémoire stockant un réseau de neurones à apprentissage non supervisé avec propagation avant, l’ensemble étant configuré pour mettre en œuvre le procédé tel que décrit ci-dessus, la caméra étant configurée pour pouvoir acquérir des images de la surface métallique de l’élément de véhicule.
Selon une caractéristique technique particulière de l’invention, le système de prise de vue comporte en outre une lentille optique, la lentille optique étant fixée sur la caméra de telle sorte qu’elle étend en regard de l’élément de véhicule lorsque l’élément de véhicule est disposé dans le champ de vision de la caméra.
Selon un autre exemple de réalisation de l’invention, le système de prise de vue et le dispositif informatique font partie d’un même ordinateur mono-carte.
Selon une caractéristique technique particulière de l’invention, l’ensemble comporte en outre une structure de support et un plateau, la structure de support étant munie d’une traverse horizontale surélevée par rapport au sol, le plateau étant monté mobile en translation sur la traverse horizontale, le long de celle-ci, et la caméra du système de prise de vue est fixée sur le plateau de telle sorte qu’elle s’étend en regard de l’élément de véhicule lorsque l’élément de véhicule est disposé sous la traverse horizontale de la structure de support. Un tel plateau mobile en translation le long de la traverse horizontale (et solidarisé à la caméra) permet de pouvoir balayer sur toute la largeur de la surface métallique de l’élément de véhicule à photographier. L’élément de véhicule est disposé sous la caméra et peut en outre être mis en mouvement longitudinalement de sorte à ce que la caméra balaie sur toute la longueur de la surface métallique de l’élément.
Selon une autre caractéristique technique particulière de l’invention, l’ensemble comporte en outre un dispositif d’éclairage fixé sur le plateau et configuré de sorte à éclairer l’élément de véhicule lorsque l’élément de véhicule est disposé sous la traverse horizontale de la structure de support.
De préférence, le dispositif d’éclairage est fixé sur le plateau de telle sorte qu’il conserve une position spatiale (relative) constante par rapport à la lentille optique. Ceci permet de conserver un éclairage cohérent durant toute la durée du procédé.
On décrira ci-après, à titre d’exemples non limitatifs, des formes d’exécution de la présente invention, en référence aux figures annexées sur lesquelles :
En se référant à la la présente invention concerne un procédé de détection d’un défaut d’état de surface sur une surface métallique d’un élément de véhicule. Le défaut d’état de surface est par exemple (mais non limitativement) un défaut de type éclat particulaire ou rayure sur la surface métallique. L’élément de véhicule est typiquement un refroidisseur de batterie de stockage électrique, notamment un refroidisseur d’une batterie de traction du véhicule. Le refroidisseur est par exemple constitué d’aluminium. La batterie de traction du véhicule est typiquement une batterie lithium-ion. Sur la est représenté un ensemble 2 configuré pour mettre en œuvre le procédé de détection selon l’invention. L’ensemble 2 comporte un système de prise de vue 4 et un dispositif informatique 6 relié au système de prise de vue 4. De préférence, l’ensemble 2 comporte également une structure de support 8, un plateau 10 et un dispositif d’éclairage 12. Un élément de véhicule 14 du type refroidisseur de batterie électrique est également représenté sur la . L’élément de véhicule 14 comporte une surface métallique 20.
Le système de prise de vue 4 comporte une caméra 16 et une lentille optique 18 fixée sur la caméra 16. La caméra 16 est configurée pour pouvoir acquérir des images de la surface métallique 20 de l’élément de véhicule 14 (la caméra 16 étant dirigée vers le bas dans l’exemple de réalisation de la , l’élément de véhicule 14 étant disposé sous la caméra 16). La lentille optique 18 est fixée sur la caméra 16 de telle sorte qu’elle s’étend en regard de l’élément de véhicule 14 lorsque l’élément de véhicule 14 est disposé dans le champ de vision de la caméra 16 (comme c’est le cas dans la ). La distance focale de la lentille 18 dépend fortement de la taille de la puce optique installée au sein de caméra 16, ainsi que la taille de la texture caractéristique de la surface métallique 20. Par exemple, si la puce optique de la caméra 16 est de taille réduite lorsque la texture caractéristique de la surface métallique 20 est fine, il est nécessaire d’utiliser une distance focale plus petite pour la lentille 18 afin d’obtenir un grossissement suffisant. A l’inverse, si la texture caractéristique de la surface métallique 20 est grande et que la dimension caractéristique de la puce optique de la caméra 16 est grande également, un grossissement moins élevé est requis, donc une distance focale de la lentille 18 plus grande. La caméra 16 peut alors acquérir moins d’images pour une surface de même taille. Dans l’exemple de réalisation particulier illustré sur la , la caméra 16 et la lentille optique 18 sont représentés comme étant distincts du dispositif informatique 6. En variante non représentée, le système de prise de vue 4 et le dispositif informatique 6 font partie d’un même ordinateur mono-carte.
Le dispositif informatique 6 comporte des moyens de traitement 22 et des moyens mémoire 24 reliés aux moyens de traitement 22. Les moyens de traitement 22 sont par exemple constitués d’un ou plusieurs processeur(s) et comportent un module de calcul de transformée de Fourier rapide (un tel module n’étant pas représenté sur les figures pour des raisons de clarté). Les moyens mémoire 24 sont constitués d’une ou plusieurs mémoire(s), volatiles ou non, et stockent un réseau de neurones à apprentissage non supervisé avec propagation avant 26.
Le réseau de neurones à apprentissage non supervisé avec propagation avant 26 est de préférence composé d’une succession de plusieurs couches. De préférence, comme illustré sur la , le réseau de neurones à apprentissage non supervisé avec propagation avant 26 est un réseau de neurones auto-encodeur ou auto-associateur.
Un tel réseau de neurones auto-encodeur ou auto-associateur 26 comporte une couche d’entrée 28, une couche de sortie 32, ainsi que plusieurs couches cachées 30 (en l’occurrence cinq couches cachées 30 dans l’exemple de la ) reliant les couches d’entrée 28 et de sortie 32. Au préalable (autrement dit en usine), le réseau de neurones 26 a été entraîné pour son apprentissage à l’aide de données d’entraînement comportant des images de la surface métallique 20 de l’élément de véhicule 14 dépourvue de tout défaut d’état de surface. Le réseau de neurones auto-encodeur ou auto-associateur a pour objectif de reconstruire ses entrées. Ici des images I1 de la surface métallique 20 de l’élément de véhicule 14, modifiées par calcul de transformée de Fourier rapide, sont fournies en entrée du réseau de neurones 26. Ceci permet de reconstruire en sortie une image I2 de la surface métallique 20 de l’élément de véhicule 14, à partir de l’image I1 modifiée par calcul de transformée de Fourier rapide qui est fournie en entrée du réseau de neurones 26. Dès qu’une image I1 avec une ou plusieurs anomalie(s) d’état de surface entre dans le réseau de neurones 26, la reconstruction effectuée par ce dernier résulte en une image I2 avec une plus grande différence que l’image originale I1, à savoir avec une plus grande erreur de reconstruction. En effet, le modèle de réseau de neurones auto-encodeur ou auto-associateur peut uniquement reconstruire les images dans les données d’entraînement qui ne contiennent pas d’images avec des anomalies ou défauts d’état de surface.
De manière plus détaillée, lorsqu’une image originale I1 entre dans le réseau de neurones 26, les caractéristiques C1 de cette image originale I1 sont obtenues à la sortie d’un premier sous-ensemble d’« encodage » 34 du réseau de neurones 26. Ensuite, ces caractéristiques C1 (qui correspondent à des données compressées) entrent dans un second sous-ensemble de « décodage » 36 du réseau de neurones 26 pour reconstruire l’image originale I1, fournissant ainsi l’image I2 en sortie du réseau de neurones 26.
En revenant à la , la structure de support 8 est munie d’une traverse horizontale 38 surélevée par rapport au sol. Cette traverse horizontale 38 est par exemple portée par deux montants verticaux 40. Le plateau 10 est monté mobile en translation sur la traverse horizontale 38, le long de celle-ci. La caméra 16 est fixée sur le plateau 10 de telle sorte qu’elle s’étend en regard de l’élément de véhicule 14 lorsque ce dernier est disposé sous la traverse horizontale 38 (comme c’est le cas dans la ). La caméra 16 est reliée au dispositif informatique 6 via une liaison filaire ou non filaire 42. Le dispositif informatique 6 peut en outre commander le déplacement du plateau mobile 10, via cette même liaison 42 ou via une autre liaison de données (filaire ou non).
Le dispositif d’éclairage 12 est fixé sur le plateau 10 et est configuré de sorte à éclairer l’élément de véhicule 14 lorsque l’élément de véhicule 14 est disposé sous la traverse horizontale 38 (comme c’est le cas dans la ). De préférence, le dispositif d’éclairage 12 est fixé sur le plateau 10 de telle sorte qu’il conserve une position spatiale (relative) constante par rapport à la lentille optique 18. Ceci permet de conserver un éclairage cohérent durant toute la durée du procédé.
Comme illustré sur la , le procédé de détection comporte une étape initiale 44 au cours de laquelle la caméra 16 du système de prise de vue 4 acquière des images de la surface métallique 20 de l’élément de véhicule 14. Pour ce faire, le plateau 10 sur lequel est fixée la caméra 16 se déplace le long de la traverse horizontale 38, afin de balayer toute la largeur de la surface métallique 20 de l’élément de véhicule 14. Durant l’étape initiale 44, l’élément de véhicule 14 peut également être déplacé le long d’une direction de déplacement perpendiculaire au plan d’illustration de la . Ceci permet alors à la caméra 16 de balayer sur toute la longueur de la surface métallique 20 de l’élément de véhicule 14. A l’issue de l’étape initiale 44, la caméra 16 transmet les images acquises au dispositif informatique 6 via la liaison filaire ou non filaire 42.
Le procédé comporte une étape suivante 46 au cours de laquelle le module de calcul de transformée de Fourier rapide du dispositif informatique 6 calcule une transformée de Fourier rapide de chacune des images transmises.
Le procédé comporte une étape suivante 48 au cours de laquelle les moyens de traitement 22 du dispositif informatique 6 génèrent, pour chacune des images transmises, une image modifiée I1 à partir de la transformée de Fourier rapide de l’image calculée. Même pour un défaut d’état de surface assez faible, tel que par exemple une rayure sur la surface métallique 20 de l’élément de véhicule 14, la transformation de l’image via le calcul d’une transformée de Fourier rapide permet de manifester une différence évidente dans l’image transformée I1 (ce qui facilite la détection ultérieure effectuée par le réseau de neurones 26). Une telle rayure est par exemple créée par une collision d’un objet dur sur la surface métallique 20 de l’élément de véhicule 14. Une telle rayure « anormale » impacte la rugosité de la surface métallique 20 de cet élément 14, et est normalement non parallèle aux rayures d’extrusion (qui sont, elles, des rayures « normales » produites par le processus d’extrusion de l’élément 14, en s’étendant dans le sens de sa longueur, et qui n’impactent pas la rugosité de sa surface 20). Une telle rayure « anormale », qui est très faiblement visible pour les yeux humains, est alors rendue détectable via les étapes 46 de calcul de transformée de Fourier rapide et de génération 48 d’images modifiées I1. Comme illustré sur la , à l’issue de cette étape 48, les images modifiées I1 de la surface métallique 20 de l’élément de véhicule 14 sont fournies en entrée du réseau de neurones 26.
Le procédé comporte une étape suivante 50 au cours de laquelle le réseau de neurones 26 détecte, à partir des images I1 modifiées par calcul de transformée de Fourier rapide, un défaut d’état de surface sur la surface métallique 20 de l’élément de véhicule 14. Pour ce faire, le réseau de neurones 26 reconstruit en sortie une image I2 de la surface métallique 20 de l’élément de véhicule 14, à partir de l’image I1 modifiée par calcul de transformée de Fourier rapide qui est fournie en entrée du réseau de neurones 26. Dès qu’une image I1 avec une ou plusieurs anomalie(s) d’état de surface entre dans le réseau de neurones 26, la reconstruction effectuée par ce dernier résulte en une image I2 avec une plus grande différence que l’image originale I1, à savoir avec une plus grande erreur de reconstruction. Le réseau de neurones 26 peut alors détecter la ou les anomalie(s) d’état de surface dans l’image I2.
Le procédé de détection selon l’invention offre un moyen de détection simple, sensible et fiable, et ne génère pas de faux négatifs.
Claims (7)
- Procédé de détection d’un défaut d’état de surface sur une surface métallique (20) d’un élément de véhicule (14), le procédé étant mis en œuvre par un ensemble (2) comprenant un système de prise de vue (4) et un dispositif informatique (6) relié au système de prise de vue (4), le système de prise de vue (4) comprenant une caméra (16) configurée pour pouvoir acquérir des images de la surface métallique (20) de l’élément de véhicule (14), le dispositif informatique (6) comportant des moyens de traitement (22) et des moyens mémoire (24) reliés aux moyens de traitement (22), les moyens de traitement (22) comprenant un module de calcul de transformée de Fourier rapide, les moyens mémoire (24) stockant un réseau de neurones à apprentissage non supervisé avec propagation avant (26), le réseau de neurones (26) ayant au préalable été entraîné pour son apprentissage à l’aide de données d’entraînement comportant des images de la surface métallique (20) de l’élément de véhicule (14) dépourvue de tout défaut d’état de surface, caractérisé en ce que le procédé comporte les étapes suivantes :
- une acquisition (44), par la caméra (16) du système de prise de vue (4), d’images de la surface métallique (20) de l’élément de véhicule (14), lesdites images acquises étant transmises par le système de prise de vue (4) au dispositif informatique (6) ;
- pour chacune des images transmises, un calcul (46), par le module de calcul de transformée de Fourier rapide du dispositif informatique (6), d’une transformée de Fourier rapide de l’image ;
- pour chacune des images transmises, une génération (48), par les moyens de traitement (22) du dispositif informatique (6), d’une image modifiée à partir de la transformée de Fourier rapide de l’image calculée, les images modifiées étant fournies en entrée du réseau de neurones (26) ; et
- une détection (50), par le réseau de neurones (26), à partir des images modifiées par calcul de transformée de Fourier rapide, d’un défaut d’état de surface sur la surface métallique (20) de l’élément de véhicule (14).
- Procédé selon la revendication 1, caractérisé en ce que le réseau de neurones à apprentissage non supervisé avec propagation avant (26) est un réseau de neurones auto-encodeur ou auto-associateur.
- Procédé selon la revendication 1 ou 2, caractérisé en ce que l’élément de véhicule (14) est un refroidisseur de batterie de stockage électrique.
- Ensemble (2) comprenant un système de prise de vue (4) et un dispositif informatique (6) relié au système de prise de vue (4), le système de prise de vue (4) comprenant une caméra (16), le dispositif informatique (6) comportant des moyens de traitement (22) et des moyens mémoire (24) reliés aux moyens de traitement (22), les moyens de traitement (22) comprenant un module de calcul de transformée de Fourier rapide, les moyens mémoire (24) stockant un réseau de neurones à apprentissage non supervisé avec propagation avant (26), caractérisé en ce que l’ensemble (2) est configuré pour mettre en œuvre le procédé selon l’une quelconque des revendications 1 à 3, la caméra (16) étant configurée pour pouvoir acquérir des images de la surface métallique (20) de l’élément de véhicule (14).
- Ensemble (2) selon la revendication 4, caractérisé en ce que le système de prise de vue (4) comporte en outre une lentille optique (18), la lentille optique (18) étant fixée sur la caméra (16) de telle sorte qu’elle s’étend en regard de l’élément de véhicule (14) lorsque l’élément de véhicule (14) est disposé dans le champ de vision de la caméra (16).
- Ensemble (2) selon la revendication 4 ou 5, caractérisé en ce que le système de prise de vue (4) et le dispositif informatique (6) font partie d’un même ordinateur mono-carte.
- Ensemble (2) selon l’une quelconque des revendications 4 à 6, caractérisé en ce que l’ensemble (2) comporte en outre une structure de support (8) et un plateau (10), la structure de support (8) étant munie d’une traverse horizontale (38) surélevée par rapport au sol, le plateau (10) étant monté mobile en translation sur la traverse horizontale (38), le long de la traverse horizontale (38), et en ce que la caméra (16) du système de prise de vue (4) est fixée sur le plateau (10) de telle sorte qu’elle s’étend en regard de l’élément de véhicule (14) lorsque l’élément de véhicule (14) est disposé sous la traverse horizontale (38) de la structure de support (8).
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR2202981A FR3134181A1 (fr) | 2022-04-01 | 2022-04-01 | Procede de detection d’un defaut d’etat de surface sur une surface metallique d’un element de vehicule |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR2202981A FR3134181A1 (fr) | 2022-04-01 | 2022-04-01 | Procede de detection d’un defaut d’etat de surface sur une surface metallique d’un element de vehicule |
| FR2202981 | 2022-04-01 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| FR3134181A1 true FR3134181A1 (fr) | 2023-10-06 |
Family
ID=82693854
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| FR2202981A Pending FR3134181A1 (fr) | 2022-04-01 | 2022-04-01 | Procede de detection d’un defaut d’etat de surface sur une surface metallique d’un element de vehicule |
Country Status (1)
| Country | Link |
|---|---|
| FR (1) | FR3134181A1 (fr) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004191112A (ja) * | 2002-12-10 | 2004-07-08 | Ricoh Co Ltd | 欠陥検査方法 |
| EP3270095A1 (fr) * | 2016-07-13 | 2018-01-17 | Sightline Innovation Inc. | Système et procédé d'inspection de surface |
| CN110431404A (zh) | 2017-03-21 | 2019-11-08 | 杰富意钢铁株式会社 | 表面缺陷检查方法及表面缺陷检查装置 |
| CN111105405A (zh) * | 2019-12-24 | 2020-05-05 | 刘甜甜 | 基于自适应深度学习的新能源锂电池表面缺陷检测方法 |
| CN114119462A (zh) * | 2021-10-08 | 2022-03-01 | 厦门微亚智能科技有限公司 | 一种基于深度学习的锂电池电芯铝壳蓝膜外观检测算法 |
-
2022
- 2022-04-01 FR FR2202981A patent/FR3134181A1/fr active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004191112A (ja) * | 2002-12-10 | 2004-07-08 | Ricoh Co Ltd | 欠陥検査方法 |
| EP3270095A1 (fr) * | 2016-07-13 | 2018-01-17 | Sightline Innovation Inc. | Système et procédé d'inspection de surface |
| CN110431404A (zh) | 2017-03-21 | 2019-11-08 | 杰富意钢铁株式会社 | 表面缺陷检查方法及表面缺陷检查装置 |
| CN111105405A (zh) * | 2019-12-24 | 2020-05-05 | 刘甜甜 | 基于自适应深度学习的新能源锂电池表面缺陷检测方法 |
| CN114119462A (zh) * | 2021-10-08 | 2022-03-01 | 厦门微亚智能科技有限公司 | 一种基于深度学习的锂电池电芯铝壳蓝膜外观检测算法 |
Non-Patent Citations (2)
| Title |
|---|
| LI CHUANCHANG ET AL: "Defect detection in vehicle mirror nonplanar surfaces with multi-scale atrous single-shot detect mechanism", AIP ADVANCES, AMERICAN INSTITUTE OF PHYSICS, 2 HUNTINGTON QUADRANGLE, MELVILLE, NY 11747, vol. 11, no. 7, 1 July 2021 (2021-07-01), XP012257807, DOI: 10.1063/5.0053851 * |
| REN ZHONGHE ET AL: "State of the Art in Defect Detection Based on Machine Vision", INTERNATIONAL JOURNAL OF PRECISION ENGINEERING AND MANUFACTURING-GREEN TECHNOLOGY, vol. 9, no. 2, 1 March 2022 (2022-03-01), KP, pages 661 - 691, XP055918340, ISSN: 2288-6206, [retrieved on 20221024], DOI: 10.1007/s40684-021-00343-6 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP1771714B1 (fr) | Procédé d'inspection d'un composant optique de l'industrie ophtalmique | |
| EP0342127B1 (fr) | Procédé pour la determination de la qualité optique du verre plat ou de produits en verre plat | |
| FR2688064A1 (fr) | Dispositif de detection de defauts de materiaux fibreux. | |
| FR2697086A1 (fr) | Procédé et dispositif d'inspection de matériau transparent. | |
| FR3065307A1 (fr) | Dispositif de capture d'une empreinte d'une partie corporelle. | |
| FR2640040A1 (fr) | Procede et dispositif de mesure optique | |
| FR2898980A1 (fr) | Dispositif d'examen, dispositif de stratification et procede d'examen | |
| FR2761475A1 (fr) | Procede d'inspection de surface d'une bande en defilement par segmentation d'image en zones suspectes | |
| FR2985692A1 (fr) | Systeme de mesure permettant de controler la section d'un fil de contact pour ligne d'alimentation electrique aerienne ferroviaire | |
| EP0605317A1 (fr) | Procédé et dispositif optiques de classification automatique de pastilles cylindriques de combustible nucléaire | |
| FR3134181A1 (fr) | Procede de detection d’un defaut d’etat de surface sur une surface metallique d’un element de vehicule | |
| CA2643371A1 (fr) | Biodetecteur sans contact | |
| FR3065306A1 (fr) | Procede de detection de fraude | |
| WO2004017020A1 (fr) | Dispositif pour mesurer des variations dans le relief d'un objet | |
| EP1617208A1 (fr) | Machine pour détecter des défauts d'un objet transparent ou translucide | |
| FR2761476A1 (fr) | Procede d'inspection de surface d'une bande en defilement par classification prealable d'irregularite de surface detectee | |
| FR2981161A1 (fr) | Dispositif d'inspection de plaquettes semi-conductrices a champ noir. | |
| FR3032036A1 (fr) | Procedes et dispositifs de detection de la contamination surfacique par des particules evoluant en air libre | |
| EP2673621B1 (fr) | Procede de detection de defaut optique dans un pare-brise | |
| EP0675338A1 (fr) | Procédé et dispositif pour mesurer la qualité optique de la surface d'un objet transparent | |
| EP2616764A1 (fr) | Dispositif et procédé de mesure de la forme d'un miroir ou d'une surface speculaire | |
| EP0756152A1 (fr) | Procédé et dispositif de détection de l'état de surface de pièces à surface réfléchissante, applicable au contrÔle de rugosité de pièces polies | |
| FR3075374A1 (fr) | Systeme d'inspection de vitrage ameliore | |
| FR2538102A1 (fr) | Procede et dispositif de controle de l'arete d'etancheite de bagues d'etancheite a levre | |
| FR2981197A1 (fr) | Dispositif et procede pour l'inspection de produits semi-conducteurs. |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PLFP | Fee payment |
Year of fee payment: 2 |
|
| PLSC | Publication of the preliminary search report |
Effective date: 20231006 |