WO2013045593A1 - Methode amelioree de controle de l'aspect de la surface d'un pneumatique - Google Patents

Methode amelioree de controle de l'aspect de la surface d'un pneumatique Download PDF

Info

Publication number
WO2013045593A1
WO2013045593A1 PCT/EP2012/069152 EP2012069152W WO2013045593A1 WO 2013045593 A1 WO2013045593 A1 WO 2013045593A1 EP 2012069152 W EP2012069152 W EP 2012069152W WO 2013045593 A1 WO2013045593 A1 WO 2013045593A1
Authority
WO
WIPO (PCT)
Prior art keywords
image
multivariate
tire
detection method
images
Prior art date
Application number
PCT/EP2012/069152
Other languages
English (en)
Inventor
Guillaume Noyel
Dominique JEULIN
Estelle PARRA-DENIS
Michel Bilodeau
Original Assignee
Compagnie Generale Des Etablissements Michelin
Michelin Recherche Et Technique S.A.
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 Compagnie Generale Des Etablissements Michelin, Michelin Recherche Et Technique S.A. filed Critical Compagnie Generale Des Etablissements Michelin
Priority to EP12762640.6A priority Critical patent/EP2761587A1/fr
Priority to CN201280047802.7A priority patent/CN103843034A/zh
Priority to US14/348,156 priority patent/US9189841B2/en
Publication of WO2013045593A1 publication Critical patent/WO2013045593A1/fr

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
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2132—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on discrimination criteria, e.g. discriminant analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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

Definitions

  • the invention relates to the field of tire manufacturing and more particularly the control of the internal appearance of the surface of a tire using automatic means to assist the operators responsible for these operations.
  • the gray level image of the inner surface of the tire is obtained using conventional means. These means may be of the type making it possible to obtain a gray level image.
  • the present invention is an improvement of the above method whose purpose is to improve the calculation time required for the image processing by taking advantage of the specificities of the internal surface of a tire and the relevance of the results obtained.
  • the baking membrane comprises in fact raised patterns such as regular striations forming a given angle with the radial direction, or still mottles forming non-periodic structured patterns of random type. These patterns are reproduced hollow on the inner surface of the tire.
  • the object of the method according to the invention is to provide solutions to all the problems posed above and comprises the steps in which:
  • the gray level start image of said surface is captured and transformed into an orthonormal space in which the abscissa axis (OX) represents the circumferential direction, and the ordinate axis (OY) represents the radial direction ,
  • the starting image is transformed using a predetermined series of filters to obtain a multivariate starting image.
  • the distribution of the imagettes containing an anomaly with respect to the distribution of the imagettes containing no anomalies is evaluated in order to assess the separating power of the descriptor under consideration.
  • the series of filters is formed from morphological operators such as dilation, erosion, opening, closure, or residues of one or more of these operations.
  • the tessellation of the images is made in the circumferential and radial directions so that said thumbnails have the shape of a square.
  • the sides of the square of the image are preferably formed by a number of pixels corresponding to a length of between 0.01 * ⁇ and 0.1 * ⁇ , ⁇ being the seat diameter of the tire to be controlled.
  • the data analysis tool is preferably chosen from one of the following factor analysis tools:
  • PCA principal component factor analysis
  • the mean per line or column, the mean, the variance, the standard deviation, the extremal values, the deviation at the maximum or minimum amplitude, the average positive or negative crossing of the gray levels in the circumferential or radial direction.
  • the reduced factorial spaces of each of the descriptors whose separating power has been evaluated as relevant are grouped into a reduced common factor space.
  • the method according to the invention comprises, as seen above, a learning phase during which we will select descriptors relevant to the anomalies that we seek to detect, and a control phase during which, equipped with these relevant descriptors will analyze the inner surface of a tire to determine the presence or absence of anomalies.
  • the predetermined series of filters is applied to the starting image of the inner surface of the tire to be controlled to obtain a multivariate starting image
  • the multivariate starting image is cut according to the predefined tiling in the axial and circumferential directions, so as to obtain multivariate images of the inner surface of the tire to be inspected,
  • each of the multivariate images is transformed into one-dimensional vectors, using each of the selected descriptors, so as to obtain a simplified multivariate image of the inner surface of the tire to be controlled,
  • the classifier is constructed using one of the following analysis tools:
  • FIGS. 1 to 6 The following description is based on FIGS. 1 to 6 in which:
  • FIG. 1 represents a gray level image of the inner surface of a tire containing an anomaly
  • FIG. 2 represents a schematic view of the image of the inner surface unwound in an orthonormal frame
  • FIG. 3 represents a schematic view of the multivariate image obtained after application of a series of filters
  • FIG. 4 represents a schematic view of the division of the image of FIG. 3 into multivariate images
  • FIG. 5 represents a schematic view of the multivariate image obtained after transformation of each of the multivariate images by a descriptor
  • FIG. 6 represents a 3D graph of the position of the images in a reduced factor space.
  • Figure 1 shows a gray level image of the inner surface of a tire. There is clearly an anomaly 1 related to an irregularity of the son of the carcass reinforcement ply which is detached from the structured bottom comprising streaks 2 or mottles 3.
  • the gray level can simply be the result of the level of reflection of the light intensity as is the case for Figure 1. In which case we will use a traditional camera.
  • polynomial interpolation can be performed on the gray level averages by treating separately the row profiles and the column profiles.
  • the compensation of the drift is obtained by subtracting row by row and column by column the values of the polynomial obtained.
  • This method smoothes the image while retaining strong local features.
  • the application of the method according to the invention does not differ according to whether one is dealing with a two-dimensional gray level image, or with an image whose gray levels reflect the altitude points of the surface.
  • the image resulting from the sensor is transformed into a picture unwound in an orthonormal coordinate system OXY so that the circumferential coordinates are carried by the abscissa axis, and the coordinates radial are carried by the ordinate axis OY.
  • the gray-level start image is denoted by /.
  • tires are selected comprising zones where there are one or more anomalies previously identified and identified. It will also be noted that it is possible at this stage to manually embed zones comprising anomalies taken from images made on different tires.
  • the next step of the method consists in transforming the initial image using a predetermined series of N filters F, F 2 f , i 7 , so as to extract the information contained in the texture of the image.
  • filters can be indistinctly morphological operators.
  • morphological operator is meant here operations such as erosions or expansions which consist, for each point of an image, in finding the minimum value or the maximum value of gray level of the neighboring points included within a structuring element, of given shape and surface, defining a neighborhood of the point to be analyzed. For an erosion the value at this point then becomes the minimum value, and for a dilation the value at this point becomes the maximum value. The combination of erosion followed by expansion is called opening, and the combination of dilation followed by erosion is called closure.
  • These operations can be combined in series. Similarly, one can operate on the residues of these operations to perform operations.
  • small linear structuring elements oriented in the circumferential direction OX or in the radial direction OY will be chosen.
  • V f (x t ) is the response of one pixel to the collection of filters:
  • the next step is then to reduce the size of this multivariate image.
  • a tiling is defined in the axial and circumferential dimensions delimiting the boundaries of small sized images in the 2D space formed by the image
  • the size of the meshes of the paving is adjusted in a manner adapted to the size of the tire to be inspected, and it must be defined so as to contain enough information not to be short-sighted with respect to the anomalies that the we try to detect.
  • a Representative Elemental Surface (SER) is evaluated on the healthy background which corresponds to the average surface of the finest textured elements such as the mottles 3 illustrated in FIG. This result can be obtained by calculating, using a covariance function, the characteristic size of the elements of the texture, which is expressed in the form of the mathematical expectation of the product of the image with its translated by a vector. h at which we subtract the average of the image squared.
  • the thumbnails have a square shape of 256x256 pixels for the tire dimension mentioned above, which corresponds to a value between 0.01 ⁇ and 0.1 ⁇ , ⁇ being the seat diameter of the seat. pneumatic to control.
  • the multivariate image is then in the form of the juxtaposition of I ' m x J' m images forming each channel F of the multivariate image.
  • the multivariate thumbnail is n
  • the following step of the implementation of the method according to the invention provides for associating with each of these multivariate images, a vector 1 D corresponding to the transformation of this multivariate image using a descriptor .
  • the objective of this step is to reduce the size of the multivariate image in order to find the descriptors most likely to react to the presence of a surface anomaly without losing the information contained in the image to be analyzed. This operation concentrates the information contained in a thumbnail image for subsequent processing.
  • a new simplified multivariate image is thus obtained, which is formed of the juxtaposition of the transformation by said descriptor of each of the thumbnails contained in each of the images F, F 2 f , T / obtained by application of the filters of the series of selected filters.
  • D is the support space of a 2D image Ff of dimension I m x J m
  • T a R, and T NL N (TxTx ... x T), where Z H is the dimension of the image space T 1 TM of the transformation of a thumbnail belonging to an image F. f , and N le number of filters x k e D, a pixel of the multivariate image obtained by transforming the imagettes into vectors.
  • H w "(x k k) is therefore a descriptor of the multivariate image.
  • the object of the invention is therefore to propose descriptors which have been judged to be the most efficient for analyzing the inner surface of tires.
  • the descriptor will be chosen from among the following operators, the definitions of which will be briefly described below:
  • the grayscale histogram of an image is a function that gives the occurrence (or frequency) of occurrence of each gray level in the image.
  • H ⁇ ( 3 ⁇ 4 ) [H ⁇ (3 ⁇ 4), H ⁇ (3 ⁇ 4),
  • the value of h varies from 0 to 60 pixels.
  • the multivariate thumbnail associated with this descriptor is noted:
  • G " P (3 ⁇ 4) G " * (3 ⁇ 4), G " * (3 ⁇ 4),, G " 3 ⁇ 4 (3 ⁇ 4) Radial covariance
  • the value of h varies from 0 to 60 pixels.
  • the multivariate image with this descriptor is noted:
  • ⁇ ⁇ ( 3 ⁇ 4 ) ⁇ ⁇ ( 3 ⁇ 4) , ⁇ ⁇ (3 ⁇ 4),, ⁇ 3 ⁇ 4 (3 ⁇ 4) Averages and Variances by row or column in radial or circumferential directions
  • PCA Principal Component Analysis
  • n be the number of thumbnails and p the dimension of the variables (total dimension of the descriptor considered).
  • Each data is represented in a space with p dimensions, the set of data forms a "cloud of n points" in R p .
  • the principle of PCA is to obtain an approximate representation of the cloud in a subspace of smaller dimension k, by projection on well-chosen axes.
  • the k principal axes are those that maximize the inertia of the projected cloud, that is, the weighted average of the squared distance squares. projected at their center of gravity.
  • the axes defined by the ACP are orthogonal.
  • the principal components are the n vectors whose coordinates are those of the orthogonal projections of the n elements of the cloud on the k principal axes. Unlike the initial variables, these new coordinates are two-by-two uncorrelated. It is possible to not consider that a reduced number of axes that represent a large part of the variance of the data (for example 90% of the total inertia). The choice of the number of axes to consider can be done in different ways
  • FFA Correspondent factor analysis
  • Figure 6 allows, as an example to view the result obtained.
  • the chosen descriptor is the measure of the radial covariance of each of the thumbnails of the database.
  • the Principal Components Analysis applied to these data allows to rank the importance of the factorial axes according to the inertia of the point cloud with respect to these axes.
  • the inertias of the first factorial axes are as follows: 42.3%, 19.1%, 7.5%, 5.3%, 4.8%, 4.1%, 3.3%, 3.1%, 2.3%, 1, 9%.
  • the analysis of the first 10 factorial axes can be considered sufficient because it contains 93.7% of the information.
  • Figure 6 shows the projection of the images in the space of the first three axes of the PCA of the vertical covariance. Although these factorial axes only present 68.9% of the total inertia, we observe an interesting distribution of the images. Thumbnails without anomalies, represented by crosses, form indeed a fairly homogeneous group in this space, while thumbnails with defects, of the type illustrated in Figure 1 and represented by circles, have a much more sparse distribution. . In addition, there seems to be a hyperplane ⁇ separator between the two groups of images. This descriptor therefore seems to provide interesting information with regard to the classification of the images in two groups.
  • the learning phase continues iteratively by applying the method described above, as many times as necessary, to a collection as wide as possible of images containing anomalies, so as to select the descriptors presenting the better separator power.
  • the descriptors H, G, N selected it is possible to group the reduced factorial spaces obtained during the selection of a descriptor, in a single reduced common factor space.
  • the grouping of the factor spaces into one is all the easier as in these spaces, the variables are normalized.
  • the canonical metric of factorial spaces is the Euclidean metric. This metric is used in most classifiers.
  • x - »c (x) [073] It is also possible at this stage to go directly to the classifier construction step, which consists of determining the areas of the factor space in which the pixels considered to form the image of the image are located statistically significantly. the anomaly. [074] The method then provides to construct a classifier that will detect the presence (or absence), as well as the position of an anomaly. The classifier makes it possible to isolate certain areas of the common reduced spectral space in which there are significantly cloud points corresponding to the spectral image of the imagettes comprising an anomaly, and the point clouds corresponding to the images not including abnormalities.
  • a first method consists in applying an analysis method based on a linear discriminant analysis (LDA).
  • LDA linear discriminant analysis
  • This method of analysis aims to separate classes of points by hypersurfaces whose dimension is equal to the number of classes minus one, assuming that the distribution of points in a class is Gaussian. This works well in many cases, even if the points of the classes do not quite have a Gaussian distribution.
  • the LDA can of course be used in multidimensional spaces.
  • the calculation times can vary significantly depending on the choice of the kernel, but the SVM can model various problems.
  • the gray level digital image is produced of the surface of the tire that is to be sorted, and this initial image is transformed into an orthonormal space in which the abscissa axis (OX ) represents the circumferential direction, and the ordinate axis (OY),
  • the initial image of the inner surface of the tire to be controlled is applied to the predetermined series of filters F, F 2 f , F [to obtain a multivariate starting image.
  • the multivariate starting image is cut according to the predefined tiling in the axial and circumferential directions, so as to obtain multivariate images of the inner surface of the tire to be controlled, and each of the channels of the multivariate images is converted into one-dimensional vectors. , using each of the descriptors H, G, N selected, so as to obtain a simplified multivariate image of the inner surface of the tire to be controlled.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

Méthode de détection selon la revendication 9, dans laquelle, - on capture l'image en niveau de gris de la surface intérieure d'un pneumatique à contrôler, et on transforme cette image de départ dans un espace orthonormé dans lequel l'axe des abscisses (OX) représente la direction circonférentielle, et l'axe des ordonnées (OY), - on applique à l'image de départ de la surface intérieure du pneumatique à contrôler la série prédéterminée de filtres pour obtenir une image de départ multivariée, - on découpe l'image de départ multivariée selon le pavage prédéfinit dans les directions axiales et circonférentielles, de manière à obtenir des imagettes multivariées de la surface intérieure du pneumatique à contrôler, - on transforme chacune des imagettes multivariées en vecteurs unidimensionnels, à l'aide de chacun des descripteurs selectionnés, de manière à obtenir une image multivariée simplifiée de la surface intérieure du pneumatique à contrôler, - on transforme l'image multivariée simplifiée dans l'espace factoriel réduit commun, - à l'aide d'un classificateur apte à identifier les zones de l'espace factoriel commun réduit où sont logées les anomalies, on localise les imagettes de la surface intérieure du pneumatique à contrôler contenant une anomalie.

Description

METHODE AMELIOREE DE CONTROLE DE L'ASPECT DE LA SURFACE D'UN
PNEUMATIQUE
[001] L'invention concerne le domaine de la fabrication des pneumatiques et plus particulièrement les opérations de contrôle de l'aspect intérieur de la surface d'un pneumatique à l'aide de moyens automatiques destinés à assister les opérateurs chargés de ces opérations.
[002] L'image à niveau de gris de la surface interne du pneumatique est obtenue à l'aide de moyens classiques. Ces moyens peuvent être du type permettant d'obtenir une image à niveau de gris.
[003] Cette image est alors travaillée pour en extraire le maximum d'informations susceptibles de conduire à la détection d'une anomalie.
[004] La demande de brevet déposée sous le N° FR 10/52951 , et non publiée à la date de dépôt de la présente demande, décrit une méthode de contrôle dans laquelle, à l'aide d'une collection de filtres morphologiques, on réalise une image multivariée de l'image de départ. Après réduction, l'image spectrale obtenue est analysée par un classificateur adapté et sensible à une anomalie particulière.
[005] La présente invention est un perfectionnement de la méthode ci-dessus ayant pour objet d'améliorer les temps de calcul nécessaires au traitement de l'image en tirant partie des spécificités de la surface interne d'un pneumatique ainsi que la pertinence des résultats obtenus.
[006] Pour faciliter l'évacuation l'air occlus entre la membrane de cuisson et la surface interne du pneumatique, la membrane de cuisson comporte en effet des motifs en relief tels que des stries régulières faisant un angle donné avec la direction radiale, ou encore des marbrures formant des motifs structurés non périodiques de type aléatoire. Ces motifs sont reproduits en creux sur la surface interne du pneumatique.
[007] Les anomalies présentent sur la surface intérieure du pneumatique apparaissent alors sur un fond texturé dont les caractéristiques de forme, de proportion et d'arrangement restent néanmoins identifiables.
[008] On observe également que les frontières de ces anomalies ne peuvent plus être définies de manière précise, et qu'une classification de chacun des pixels de l'image, telle que décrite dans la demande de brevet citée ci-dessus, devient difficile à mettre en œuvre dans ce contexte.
[009] L'objet de la méthode selon l'invention est d'apporter des solutions à l'ensemble des problèmes posés ci-dessus et comprend les étapes au cours desquelles :
on capture l'image de départ en niveau de gris de ladite surface et on la transforme dans un espace orthonormé dans lequel l'axe des abscisses (OX) représente la direction circonférentielle, et l'axe des ordonnées (OY) représente la direction radiale,
on transforme l'image de départ à l'aide d'une série prédéterminée de filtres pour obtenir une image de départ multivariée.
on prédéfinit un pavage dans les directions axiales et circonférentielles de manière à découper l'image de départ multivariée en imagettes multivariées,
on transforme chacune des imagettes multivariées en vecteurs unidimensionnels à l'aide d'un descripteur donné, de manière à obtenir une image multivariée simplifiée formée de l'assemblage desdits vecteurs,
à l'aide d'un outil d'analyse de données on réduit le nombre de dimensions des données de l'image multivariée simplifiée,
dans l'espace factoriel réduit, on évalue la répartition des imagettes contenant une anomalie par rapport à la répartition des imagettes ne contenant pas d'anomalies, pour apprécier le pouvoir séparateur du descripteur considéré.
[010] On peut également capturer l'image à l'aide d'un capteur apte à évaluer le relief de la surface, et on affecte à chaque pixel de l'image une valeur de niveau de gris proportionnelle à l'élévation topographique de ce point, pour obtenir une image de départ bidimensionnelle,
[011] De manière à atténuer les effets des variations d'éclairage lors de la prise de vue on peut effectuer un prétraitement de l'image tel que par exemple une interpolation polynomiale des niveaux de gris par ligne ou par colonne.
[012] Préférentiellement, la série de filtres est formée à partir d'opérateurs morphologiques de type dilatation, érosion, ouverture, fermeture, ou des résidus d'une ou de plusieurs de ces opérations
[013] Préférentiellement le pavage des imagettes s'effectue dans les directions circonférentielles et radiales de sorte que lesdites imagettes ont la forme d'un carré.
[014] On ajustera alors la surface des imagettes de sorte qu'elle soit supérieure d'un facteur compris entre cinq et dix fois la Surface Elémentaire Représentative (SER) du fond texturé d'un pneumatique ne comportant pas d'anomalies.
[015] En pratique les côtés du carré de l'imagette sont préférentiellement formés par un nombre de pixel correspondant à une longueur comprise entre 0,01 * Φ et 0,1 * Φ , Φ étant le diamètre au seat du pneumatique à contrôler.
[016] L'outil d'analyse de données est choisi de préférence parmi l'un des outils d'analyse factorielle suivants :
l'analyse factorielle en composante principales (ACP),
l'analyse factorielle des correspondances (AFC),
- l'analyse en composante indépendantes (ACI)
[017] Pour sélectionner les descripteurs pertinents on applique autant de fois que nécessaire une des méthodes ci-dessus, en choisissant le descripteur parmi l'un des descripteurs suivants :
l'histogramme des niveaux de gris,
- la covariance des niveaux de gris dans la direction circonférentielle ou la direction radiale,
par ligne ou par colonne, la moyenne, la variance, l'écart type, les valeurs extrémales, l'écart à l'amplitude maximale ou minimale, la traversée moyenne positive ou négative des niveaux de gris dans la direction circonférentielle ou radiale.
[018] Avantageusement, après avoir sélectionné les descripteurs, on regroupe dans un espace factoriel réduit commun les espaces factoriels réduits de chacun des descripteurs dont le pouvoir séparateur a été évalué comme pertinent.
[019] La méthode selon l'invention comprend comme on l'a vu ci-dessus une phase d'apprentissage au cours de laquelle on va sélectionner des descripteurs pertinents pour les anomalies que l'on cherche à détecter, et une phase de contrôle au cours de laquelle, muni de ces descripteurs pertinents on va analyser la surface intérieure d'un pneumatique pour déterminer la présence ou l'absence d'anomalies.
[020] La méthode de contrôle de la surface intérieure d'un pneumatique quelconque prévoit alors les étapes au cours desquelles :
on capture l'image en niveau de gris de la surface intérieure d'un pneumatique à contrôler, et on transforme cette image de départ dans un espace orthonormé dans lequel l'axe des abscisses (OX) représente la direction circonférentielle, et l'axe des ordonnées (OY),
on applique à l'image de départ de la surface intérieure du pneumatique à contrôler la série prédéterminée de filtres pour obtenir une image de départ multivariée,
on découpe l'image de départ multivariée selon le pavage prédéfinit dans les directions axiales et circonférentielles, de manière à obtenir des imagettes multivariées de la surface intérieure du pneumatique à contrôler,
on transforme chacune des imagettes multivariées en vecteurs unidimensionnels, à l'aide de chacun des descripteurs sélectionnés, de manière à obtenir une image multivariée simplifiée de la surface intérieure du pneumatique à contrôler,
on transforme l'image multivariée simplifiée dans l'espace factoriel réduit commun,
à l'aide d'un classificateur apte à identifier les zones de l'espace factoriel commun réduit où sont logées les anomalies, on localise les imagettes de la surface intérieure du pneumatique à contrôler contenant une anomalie.
[021] Avantageusement, le classificateur est construit à l'aide d'un des outils d'analyse suivant :
l'Analyse Discriminante Linéaire (LDA),
les Séparateurs à Vastes Marges (SVM).
[022] En découpant l'image de départ en imagettes de taille réduite correspondant sensiblement à la taille des anomalies que l'on cherche à détecter, et en réduisant ces imagettes à l'aide d'un descripteur choisi en fonction de son aptitude à traiter les cas des fonds structurés, puis en appliquant les méthodes plus classiques de réduction de dimension, la demanderesse a mis en évidence qu'il était possible de détecter la plupart des anomalies présentes à la surface d'un pneumatique telles que des taches, des soufflures ou des irrégularités de positionnement des fils de la nappe de renforcement carcasse et ne se confondant pas avec l'aspect du fond structuré.
[023] La description qui suit s'appuie sur les figures 1 à 6 dans lesquelles :
la figure 1 représente une image en niveau de gris de la surface intérieure d'un pneumatique contenant une anomalie,
la figure 2, représente une vue schématique de l'image de la surface intérieure déroulée dans un repère orthonormé, la figure 3 représente une vue schématique de l'image multivariée obtenue après application d'une série de filtres,
la figure 4 représente une vue schématique du découpage de l'image de la figure 3 en imagettes multivariées,
- la figure 5 représente une vue schématique de l'image multivariée obtenue après transformation de chacune des images multivariées par un descripteur, la figure 6 représente un graphe 3D de la position des imagettes dans un espace factoriel réduit.
[024] La figure 1 représente une image en niveau de gris de la surface intérieure d'un pneumatique. On distingue clairement une anomalie 1 liée à une irrégularité des fils de la nappe de renforcement carcasse qui se détache du fond structuré comprenant des stries 2 ou des marbrures 3.
[025] Le niveau de gris peut tout simplement être la résultante du niveau de réflexion de l'intensité lumineuse comme cela est le cas pour la figure 1. Auquel cas on utilisera une caméra traditionnelle.
[026] Il est également possible de réaliser une image topographique en trois dimensions de la surface du pneumatique à l'aide par exemple, de moyens basés sur le principe de la triangulation optique, mettant en œuvre un capteur 2D couplé à une source d'éclairage de type laser. Cette image est alors convertie en une image bidimensionnelle à niveau de gris dans laquelle, à tout point, i.e. à tout pixel de l'image, est associé une valeur appelée niveau de gris, qui représente l'altitude de ce point par rapport à la surface. Cette valeur de niveau de gris peut utilement être codée sur 8, ou 16 bits, voire 32 bits pour une meilleure dynamique. Pour un codage sur 8 bits, la valeur 255 (blanc) correspond à l'altitude la plus haute, et la valeur 0 (noir), correspond à l'altitude la plus basse.
[027] Il peut s'avérer utile d'appliquer un pré-traitement de l'image de départ pour gommer les imperfections de l'image liées aux variations d'éclairage pendant la prise de vue ou encore d'extraire les motifs réguliers tels que les stries.
[028] A titre d'exemple, on pourra effectuer une interpolation polynomiale sur les moyennes de niveau de gris en traitant séparément les profils lignes et les profils colonnes. La compensation de la dérive est obtenue en soustrayant ligne à ligne et colonne par colonne les valeurs du polynôme obtenu. Cette méthode permet de lisser l'image tout en conservant les particularités locales fortes. [029] Dans tous les cas, l'application de la méthode selon l'invention ne diffère pas selon que l'on a affaire à une image à niveau de gris bidimensionnelle, ou à une image dont les niveaux de gris reflètent l'altitude des points de la surface.
[030] Pour des raisons de commodité et de simplification des calculs, on transforme l'image issue du capteur en une image déroulée dans un repère orthonormé OXY de sorte que les coordonnées circonférentielles sont portées par l'axe des abscisses, et que les coordonnées radiales sont portées par l'axe des ordonnées OY. L'image de départ à niveau de gris est notée / .
[031] De préférence, pendant la phase d'apprentissage, on sélectionne des pneumatiques comprenant des zones où figurent une ou plusieurs anomalies préalablement repérées et identifiées. On observera également qu'il est possible à ce stade d'incruster manuellement des zones comprenant des anomalies prélevées sur des images réalisées sur des pneumatiques différents.
[032] L'étape suivante de la méthode consiste à transformer l'image de départ à l'aide d'une série prédéterminée de N filtres F ,F2 f , i7 , de manière à extraire l'information contenue dans la texture de l'image.
[033] Ces filtres peuvent être indistinctement des opérateurs morphologiques. On entend ici par opérateur morphologique les opérations telles que des érosions ou des dilatations qui consistent, pour chaque point d'une image, à rechercher la valeur minimale ou la valeur maximale de niveau de gris des points voisins comprises à l'intérieur d'un élément structurant, de forme et de surface données, définissant un voisinage du point à analyser. Pour une érosion la valeur en ce point devient alors la valeur minimale, et pour une dilatation la valeur en ce point devient la valeur maximale. La combinaison d'une érosion suivie d'une dilatation est dénommée ouverture, et la combinaison d'une dilatation suivie d'une érosion est dénommée fermeture. Ces opérations peuvent combinées en séries. De même, on peut opérer sur les résidus de ces opérations pour réaliser des opérations. De préférence, on choisira des éléments structurants linéaires de petite taille orientés dans le sens circonférentiel OX ou dans le sens radial OY.
[034] Le résultat de l'application de chacun de ces filtres sur l'image de départ / donne une nouvelle image en niveau de gris F , F( , .... F^ , et la superposition de ces images 2D, qui comprennent toutes le même nombre de pixels, forme une image multivariée telle qu'illustrée à la figure 3. [035] A chaque pixel x de l'image f est associé un vecteur (spectre) Fy ( ;) qui est de taille identique pour tous les pixels x , i≡P .
[036] Vf (xt) est la réponse d'un pixel à la collection de filtres :
Figure imgf000009_0001
F' (*,.) :
Fy ( ;)
Figure imgf000009_0002
[037] L'étape suivante consiste alors à réduire la taille de cette image multivariée. Pour ce faire, on définit un pavage dans les dimensions axiales et circonférentielles délimitant les frontières d'imagettes de taille réduite dans l'espace 2D formé par l'image
/ ou par l'une des images de l'image / après filtrage, F ,F2 f , T7/ . [038] La taille des mailles du pavage est ajustée de manière adaptée à la dimension du pneumatique à inspecter, et elle doit être définie de façon à contenir suffisamment d'information pour ne pas être myope vis-à-vis des anomalies que l'on cherche à détecter. On évalue ainsi une Surface Elémentaire Représentative (SER) sur le fond sain qui correspond à la surface moyenne des éléments texturés les plus fins tels que les marbrures 3 illustrées à la figure 1 . Ce résultat peut être obtenu en calculant à l'aide d'une fonction de covariance la taille caractéristique des éléments de la texture, qui s'exprime sous la forme de l'espérance mathématique du produit de l'image avec son translaté par un vecteur h auquel on retranche la moyenne de l'image au carré.
C(h) = E(I(x).I(h + h)) - m2 [039] Ces calculs conduisent à définir une SER comprise entre 0,5 mm2 et 4 mm2, soit entre 20x20 et 50x50 pixels, pour une dimension de pneumatique tourisme de 17" de diamètre. On s'arrange également pour que la surface des imagettes soit légèrement supérieure ou égale à la surface moyenne des anomalies. En choisissant des imagettes dont le coté est au moins quatre fois supérieur à la valeur de la SER, On vérifie également que les anomalies recherchées intersectent les frontières des imagettes, et que les dimensions de ces anomalies ne permettent pas à une imagette d'être totalement incluse dans une anomalie.
[040] En pratique, les imagettes ont une forme carré de 256x256 pixels pour la dimension de pneumatique citée ci-dessus, ce qui correspond à une valeur comprise entre 0,01 Φ et 0,1 Φ , Φ étant le diamètre au seat du pneumatique à contrôler.
[041] L'image multivariée se représente alors sous la forme de la juxtaposition des I'm x J'm imagettes formant chaque canal F de l'image multivariée.
[042] L'imagette multivariée est n
Figure imgf000010_0001
jim x j,m étant |e nombre d'imagettes.
[043] L'étape suivante de la mise en œuvre de la méthode selon l'invention prévoit d'associer à chacune de ces imagettes multivariées, un vecteur 1 D correspondant à la transformation de cette imagette multivariée à l'aide d'un descripteur. L'objectif de cette étape est de réduire la dimension de l'image multivariée en vue de rechercher les descripteurs les plus susceptibles de réagir à la présence d'une anomalie de surface sans perdre l'information contenue dans l'image à analyser. Cette opération permet de concentrer l'information contenue dans une imagette en vue de son traitement ultérieur.
[044] On obtient donc une nouvelle image multivariée simplifiée, qui est formée de la juxtaposition de la transformation par ledit descripteur de chacune des imagettes contenues dans chacune des images F ,F2 f , T / obtenues par application des filtres de la série des filtres sélectionnés.
[045] L'image multivariée obtenue après transformation par les descripteurs, telle qu'illustrée à la figure 5, dans laquelle chaque carré représente un pixel, est notée Hw" :
Figure imgf000010_0002
(xk)_ avec :
D e R2, D est l'espace support d'une image 2D Ff de dimension Im x Jm
T a R, et TNL = N(TxTx ...x T) , où ZH est la dimension de l'espace image T1™ de la transformation d'une imagette appartenant à une image F.f , et N le nombre de filtres xk e D , un pixel de l'image multivariée obtenue par transformation des imagettes en vecteurs.
Hw" (xkk) est donc un descripteur de l'imagette multivariée . C'est un vecteur de
NE
l'espace T [046] Le choix du descripteur est bien sûr d'une grande importance. Ils doivent en effet être adaptés au traitement des images structurées.
[047] L'invention a donc pour objet de proposer des descripteurs qui ont été jugés les plus performants pour analyser la surface intérieure des pneumatiques. Préférentiellement, on choisira le descripteur parmi les opérateurs suivants, dont on rappellera brièvement ci-après les définitions:
Histogramme des niveaux de gris.
[048] L'histogramme des niveaux de gris d'une image est une fonction qui donne l'occurrence (ou la fréquence) d'apparition de chaque niveau de gris dans l'image.
HW"M (xk) = (u0,ul ,... ,um,... ,uM) avec um le nombre d'occurrences du niveau de gris m dans l'imagette WF . Pour une image 8 bits, les niveaux de gris vont de 0 à M = 255. L'imagette multivariée associée à ce descripteur est notée :
H^ (¾ ) = [H^ (¾ ), H^ (¾ ),
Covariance circonférentielle
[049] On considère une imagette Wp comme la réalisation d'une variable statistique. La covariance circonférentielle de cette imagette est l'espérance statistique du produit de cette imagette par son translaté dans la direction circonférentielle w (i, j + h) .
GWf" (xk ) = E[ * ( , j). W¾ ( , j + h)] ,
avec (i,j) e R2 la position d'un pixel de l'imagette.
Préférentiellement la valeur de h varie de 0 à 60 pixels. L'imagette multivariée associée à ce descripteur est notée :
G"P (¾ ) = G"* (¾ ), G"* (¾ ), , G"¾ (¾ ) Covariance radiale
[050] On considère une imagette w comme la réalisation d'une variable statistique. La covariance radiale de cette imagette est l'espérance statistique du produit de cette imagette W (i,j) par son translaté dans la direction radiale Wp (i + h,j) :
(¾ ) = E[ W¾ ( , y).W* (i + h, j)]
avec (i,j) e R2, la position d'un pixel de l'imagette.
Préférentiellement la valeur de h varie de 0 à 60 pixels. L'imagette multivariée à ce descripteur est notée :
κ^ (¾) = Γκ^(¾),κ^(¾), ,κ¾(¾) Moyennes et Variances par lignes ou par colonne dans les directions radiales ou circonférentielles
[051] Pour chacune des lignes i = in de l'imagette w , on calcule : l'écart à la moyenne : Δί=. = E w^ (i = in ,j) -E[WF k ]) . la variance : V,
Figure imgf000012_0001
= in,j) -E[Wk (i = in,j)])
On obtient donc un profil (i.e. un vecteur) des écarts à la moyenne Δ;. , et des variances V. dans la direction circonférentielle.
Pour chacune des colonnes j = jn de l'imagette w , on calcule l'écart à la moyenne : Aj=j = E(Wk = jn) -E WF k (i,j = j la variance : Vj= j = E (wk (i,j = jn) - E[Wk (i,j On obtient donc un profil (i.e. un vecteur) des écarts à la moyenne Δ . et des variance Γ. dans la direction radiale.
[053] Pour le signal (i.e. le vecteur) correspondant aux écarts à la moyenne ligne par ligne Δ; et colonne par colonne Δ . : on calcule : l'écart-type : σ[Δ, ] = E (A, - E[A, ])2 ] , σ[Δ . ] les valeurs extrémales : minima et maxima : πώι(Δΐ.) , max(Ai) , ηιίη(Δ ) , max(Aj) l'écart à l'amplitude maximale : C(A;) = 2 χσ(Δί.) -|ηιαχ(Δί.) -ηιίη(Δί.)| ,
La traversée moyenne positive ou négative
[054] La traversée mo enne positive pour un seuil fixé à s = 2χσ(Δί) :
Figure imgf000013_0001
avec :
Γ [Δ;.] le signal binaire seuillé à la valeur s, card le cardinal d'un ensemble discret, et connex les composantes connexes non nulles du signal binaire après seuillage.
[055] La traversée moyenne né ative pour un seuil fixé à s = -2χσ(Δί) :
Figure imgf000013_0002
Moyennes écart type, valeurs extrémales et traversées moyenne positive ou négative des valeurs de variance par lignes ou par colonne dans les directions radiales ou circonférentielles
[056] Pour le signal (i.e. le vecteur) correspondant à la variance ligne par ligne Vi et colonne par colonne V} : on calcule :
l'écart-type : σ[ϊ^] , σ[Γ. ] les valeurs extrémales : minima et maxima : min(J^) , max(J^) , min( .) , TosxiYj) la moyenne : E[^] , ^ [^- ] la traversée moyenne positive : trs=2a^ (J^. ) , ^_2σ^ (l7, ) la traversée moyenne négative : trs=_2a(Vi) (Vt ) , = 2σ^ (Vj )
[057] Les étapes suivantes de la méthode selon l'invention ont pour objet de finaliser la phase d'apprentissage et d'apprécier le pouvoir séparateur du descripteur choisi.
[058] A cette fin, on met en œuvre une méthode connue de réduction de données que l'on applique à l'image multivariée simplifiée obtenue après transformation de l'image multivariée de départ découpée en imagettes à l'aide du descripteur. [059] Les méthodes factorielles utilisées pour l'analyse multivariée permettent à la fois de représenter dans un sous espace de dimension réduite (par exemple en 2 ou 3 dimensions), le plus fidèlement possible, les individus d'une population, dans le cas présent les imagettes, mais aussi de détecter les liaisons entre les variables ainsi que les variables séparant le mieux les individus. Ces méthodes font appel à l'algèbre linéaire et sont utilisées comme un outil de réduction des dimensions d'un problème qui permet de diminuer le nombre de variables étudiées tout en conservant le maximum d'information. Pour plus de détails on pourra utilement consulter les publications faites par Salporta en 2006, par Crucianu, Asselin de Beauville & Boné en 2004 ou encore par Hastie, Tibshirani & Friedman en 2001 . [060] Cela revient à rechercher l'espace factoriel réduit dans lequel la projection de l'image multivariée simplifiée contient une quantité d'information suffisante pour apprécier le pouvoir séparateur du descripteur.
[061] Parmi ces méthodes on retiendra préférentiellement les méthodes suivantes dont on rappellera brièvement les principes ci-après. Analyse en composantes principales (ACP)
[062] Soit n le nombre d'imagettes et p la dimension des variables (dimension totale du descripteur considéré). Chaque donnée est représentée dans un espace à p dimensions, l'ensemble des données forme un «nuage de n points» dans Rp . Le principe de l'ACP est d'obtenir une représentation approchée du nuage dans un sous- espace de dimension plus faible k, par projection sur des axes bien choisis. Utilisant une métrique euclidienne dans Rp (normalisée par l'utilisation de variables centrées réduites), les k axes principaux sont ceux qui maximisent l'inertie du nuage projeté, c'est- à-dire la moyenne pondérée des carrés des distances des points projetés à leur centre de gravité. Les axes définis par L'ACP sont orthogonaux. Les composantes principales sont les n vecteurs ayant pour coordonnées celles des projections orthogonales des n éléments du nuage sur les k axes principaux. Contrairement aux variables de départ, ces nouvelles coordonnées sont deux à deux non corrélées. Il est possible de ne considérer qu'un nombre réduit d'axes qui représentent une grande partie de la variance des données (par exemple 90% de l'inertie totale). Le choix sur le nombre d'axes à considérer peut se faire de différentes manières
Analyse factorielle des correspondants (AFC) [063] L'analyse factorielle des correspondances est équivalente à une double ACP réalisée sur les colonnes et sur les lignes, mais utilisant une autre métrique différente à celle de l'ACP : la distance du Chi2. Cette distance permet de comparer deux modalités d'une même variable A en comparant leurs fréquences relatives sur l'ensemble des modalités d'une autre variable. Cette analyse est très performante pour les variables positives telles que les histogrammes. Elle en fait été construite pour analyser des fréquences empiriques correspondant à des lois de probabilité.
Analyse discriminante (AD)
[064] C'est une méthode d'analyse de type supervisé. Elle utilise la connaissance de la répartition en classes des imagettes dans le but de créer de nouvelles variables par combinaison linéaire des variables initiales permettant d'expliquer au mieux l'appartenance à des classes données a priori. C'est une méthode à la fois descriptive et prédictive qui donne lieu, comme pour l'ACP et l'AFC, à des calculs d'axes principaux. Elle peut être vue comme une extension de la régression multiple dans le cas où une variable à expliquer est nominale (la classe des imagettes comportant une anomalie, ou celles considérées comme normales) et constitue une variable de partition.
[065] Elle consiste à déterminer des facteurs par combinaisons linéaires des variables descriptives, qui prennent des valeurs les plus proches possible pour des éléments d'une même classe, et les plus éloignées entre éléments de classes différentes. Cela revient à décomposer la variance totale comme la somme des variances intra-classes et inter- classes, et à chercher à maximiser leur rapport.
[066] La figure 6 permet, à titre d'exemple de visualiser le résultat obtenu. Dans le cas d'espèce, le descripteur retenu est la mesure de la covariance radiale de chacune des imagettes de la base. L'Analyse en Composantes Principales appliquée à ces données, permet de ranger l'importance des axes factoriels en fonction de l'inertie du nuage de point par rapport à ces axes. Les inerties des premiers axes factoriels sont les suivantes : 42,3%, 19,1 %, 7,5%, 5,3%, 4,8%, 4,1 %, 3,3%, 3,1 %, 2,3%, 1 ,9%. Il en résulte que l'analyse des 10 premiers axes factoriels peut être considérée comme suffisante, car elle comporte 93,7% de l'information.
[067] La Figure 6 représente la projection des imagettes dans l'espace des trois premiers axes de l'ACP de la covariance verticale. Bien que ces axes factoriels ne présentent que 68,9% de l'inertie totale, nous observons une distribution intéressante des imagettes. Les imagettes sans anomalies, représentées par des croix, forment en effet un groupe assez homogène dans cet espace, alors que les imagettes présentant des défauts, du type de celui illustré à la figure 1 et représentées par de cercles, ont une distribution beaucoup plus éparse. De plus il semble exister un hyperplan π séparateur entre les deux groupes d'imagettes. Ce descripteur semble donc apporter des informations intéressantes vis-à-vis de la classification des imagettes en deux groupes.
[068] La phase d'apprentissage se poursuit de manière itérative en appliquant la méthode décrite ci-dessus, autant de fois que nécessaire, sur une collection aussi large que possible d'images contenant des anomalies, de manière à sélectionner les descripteurs présentant le meilleur pouvoir séparateur. [069] Une fois les descripteurs H,G, N sélectionnés, il est possible de regrouper les espaces factoriels réduits obtenus lors de la sélection d'un descripteur, en un seul espace factoriel réduit commun.
[070] Comme on l'a vu dans l'exemple ci-dessus, il est également recommandé à ce stade de classer les axes factoriels Δ. selon leur inertie décroissante par rapport au nuage de points formé par l'image multivariée dans l'espace factoriel réduit. On ne conserve alors que les axes factoriels dont la somme des inerties représente par exemple 80% de l'inertie totale.
[071 ] Le regroupement des espaces factoriels en un seul est d'autant plus aisé que dans ces espaces, les variables sont normées. La métrique canonique des espaces factoriels est la métrique euclidienne. C'est cette métrique qui est d'ailleurs utilisée dans la plupart des classificateurs.
[072] Le regroupement des images spectrales multivariées HW" , GWF , ... , cN en une seule image spectrale multivariée se fait par empilement des canaux des images les uns derrières les autres :
,κ'
E → T x · · · x T
x — » c(x) =
Figure imgf000016_0001
[073] Il est aussi possible à ce stade de passer directement à l'étape de construction du classificateur, qui consiste à déterminer les zones de l'espace factoriel dans lesquelles sont situés de manière statistiquement significative les pixels considérés comme formant l'image de l'anomalie. [074] La méthode prévoit alors de construire un classificateur qui va permettre de détecter la présence (ou l'absence), ainsi que la position d'une anomalie. Le classificateur permet d'isoler certaines zones de l'espace spectral réduit commun dans lesquelles se situent de manière significative les nuages de points correspondant à l'image spectrale des imagettes comprenant une anomalie, et les nuages de points correspondant aux imagettes ne comprenant pas d'anomalies.
[075] Une première méthode, consiste à appliquer une méthode d'analyse basée sur une analyse discriminante linéaire (LDA). Cette méthode d'analyse a pour objet de séparer des classes de points par des hypersurfaces dont la dimension est égale au nombre de classes moins un, en supposant que la distribution des points dans une classe est gaussienne. Ceci fonctionne bien dans de très nombreux cas, même si les points des classes n'ont pas tout à fait une répartition gaussienne. La LDA peut bien sûr être utilisée dans des espaces multidimensionnels.
[076] Les Séparateurs à Vaste Marge peuvent également convenir. Ces outils sont un ensemble de techniques d'apprentissage supervisé destinées à résoudre des problèmes de discrimination et de régression . Les SVM sont une généralisation des classifieurs linéaires. Les SVM seront utilisés pour résoudre les problèmes de discrimination, c'est-à- dire pour décider à quelle classe appartient une nouvelle imagette. Cette méthode de classement peut être vue comme une analyse discriminante généralisée. Elle se déroule en deux étapes : une transformation non linéaire permet de passer de l'espace d'origine des descripteurs à un espace de dimension supérieur doté du produit scalaire. Dans le nouvel espace on cherche le séparateur linéaire f(x) = ax + b remplissant les deux conditions : il sépare bien les deux groupes, il est le plus éloignés possibles de toutes les observations. La solution f(x) s'exprime donc en fonction des produits scalaires x.x Après transformation φ , elle s'exprime en fonction du produit scalaire Κ(χ, χ ') = ((p(x)
Figure imgf000017_0001
'(x†} K est appelé le noyau. Les temps de calcul peuvent varier de manière importante selon le choix du noyau, mais les SVM permettent de modéliser des problèmes variés.
[077] La détection d'une anomalie à la surface d'un pneumatique à trier quelconque devient alors possible en utilisant les outils de calculs et la méthode tels que décrits ci- dessus.
[078] Dans une première étape, on réalise l'image numérique en niveau de gris de la surface du pneumatique que l'on souhaite trier, et on transforme cette image de départ dans un espace orthonormé dans lequel l'axe des abscisses (OX) représente la direction circonférentielle, et l'axe des ordonnées (OY),
[079] Puis, on applique à l'image de départ de la surface intérieure du pneumatique à contrôler la série prédéterminée de filtres F ,F2 f , F[ pour obtenir une image de départ multivariée. [080] On découpe l'image de départ multivariée selon le pavage prédéfinit dans les directions axiales et circonférentielles, de manière à obtenir des imagettes multivariées de la surface intérieure du pneumatique à contrôler, et on transforme chacun des canaux des imagettes multivariées en vecteurs unidimensionnels, à l'aide de chacun des descripteurs H,G, N sélectionnés, de manière à obtenir une image multivariée simplifiée de la surface intérieure du pneumatique à contrôler.
[081] On transforme l'image multivariée simplifiée dans l'espace factoriel réduit commun : c ,c , ... ,c ■
[082] Et à l'aide du classificateur, on localise les imagettes de la surface intérieure du pneumatique à contrôler contenant une anomalie.

Claims

REVENDICATIONS
1 ) Méthode de détection d'une anomalie à la surface interne d'un pneumatique par traitement numérique de l'image de la surface interne dudit pneumatique au cours de laquelle:
on capture l'image de départ en niveau de gris (/ ) de ladite surface, et on la transforme dans un espace orthonormé dans lequel l'axe des abscisses (OX) représente la direction circonférentielle, et l'axe des ordonnées (OY) représente la direction radiale,
- on transforme l'image de départ à l'aide d'une série prédéterminée de filtres {F ,F2 f , F[ ) pour obtenir une image de départ multivariée.
on prédéfinit un pavage dans les directions axiales et circonférentielles de manière à découper l'image de départ multivariée en imagettes multivariées
( W* ),
- on transforme chacune des imagettes multivariées en vecteurs unidimensionnels à l'aide d'un descripteur donné (H,G, N ), de manière à obtenir une image multivariée simplifiée (K^ ,G^ ,H^f ) formée de l'assemblage desdits vecteurs,
à l'aide d'un outil d'analyse de données, on réduit le nombre de dimensions des données de l'image multivariée simplifiée,
dans l'espace factoriel réduit, on évalue la répartition des imagettes contenant une anomalie par rapport à la répartition des imagettes ne contenant pas d'anomalies, pour apprécier le pouvoir séparateur du descripteur considéré.
2) Méthode de détection selon la revendication 1 , dans laquelle on capture l'image à l'aide d'un capteur apte à évaluer le relief de la surface, et on affecte à chaque pixel de l'image une valeur de niveau de gris proportionnelle à l'élévation topographique de ce point, pour obtenir une image de départ bidimensionnelle.
3) Méthode de détection selon l'une des revendications 1 ou 2, dans laquelle, après avoir capturé l'image, on effectue un prétraitement de ladite image à l'aide d'une interpolation polynomiale des niveaux de gris par ligne ou par colonne pour atténuer les effets des variations d'éclairage lors de la prise de vue. 4) Méthode de détection selon l'une des revendications 1 à 3, dans laquelle la série de filtres est formée à partir d'opérateurs morphologiques de type dilatation, érosion, ouverture, fermeture, ou des résidus d'une ou de plusieurs de ces opérations
5) Méthode de détection selon l'une des revendications 1 à 4, dans laquelle le pavage des imagettes s'effectue dans les directions circonférentielles et radiales, de sorte que lesdites imagettes ont la forme d'un carré.
6) Méthode de détection selon la revendication 5, dans laquelle la surface des imagettes est supérieure d'un facteur compris entre cinq et dix fois la Surface Elémentaire Représentative (SER) du fond texturé d'un pneumatique ne comportant pas d'anomalies. 7) Méthode de détection selon la revendication 6, dans laquelle les côtés du carré de l'imagette sont formés par un nombre de pixel correspondant à une longueur comprise entre 0,01 * Φ et 0,1 * Φ , Φ étant le diamètre au seat du pneumatique à contrôler.
8) Méthode de détection selon l'une des revendications 1 à 7, dans laquelle l'outil d'analyse de données est choisi parmi l'un des outils d'analyse factorielle suivants :
- l'analyse factorielle en composante principales (ACP),
l'analyse factorielle des correspondances (AFC),
l'analyse en composante indépendantes (ACI)
9) Méthode de détection dans laquelle on sélectionne les descripteurs pertinents en appliquant autant de fois que nécessaire la méthode selon l'une des revendications 1 à 8, en choisissant le descripteur parmi l'un des descripteurs suivants :
l'histogramme (Hw" (xk) ) des niveaux de gris, la covariance (Gw"" (xk) , Kw"" (xk) ) des niveaux de gris dans la direction circonférentielle ou la direction radiale,
par ligne ou par colonne, la moyenne, la variance, l'écart type, les valeurs extrémales, l'écart à l'amplitude maximale ou minimale, la traversée moyenne positive ou négative des niveaux de gris dans la direction circonférentielle ou radiale.
10) Méthode de détection selon la revendication 9, dans laquelle on regroupe dans un espace factoriel réduit commun ( HW" , gWF , ... ,cN ) les espaces factoriels réduits de chacun des descripteurs dont le pouvoir séparateur a été évalué comme pertinent.
1 1 ) Méthode de détection selon la revendication 10, dans laquelle, on capture l'image en niveau de gris de la surface intérieure d'un pneumatique à contrôler, et on transforme cette image de départ (/ ) dans un espace orthonormé dans lequel l'axe des abscisses (OX) représente la direction circonférentielle, et l'axe des ordonnées (OY),
on applique à l'image de départ de la surface intérieure du pneumatique à contrôler la série prédéterminée de filtres {F ,F2 f , F[ ) pour obtenir une image de départ multivariée,
on découpe l'image de départ multivariée selon le pavage prédéfinit dans les directions axiales et circonférentielles, de manière à obtenir des imagettes multivariées (W ), de la surface intérieure du pneumatique à contrôler,
on transforme chacune des imagettes multivariées en vecteurs unidimensionnels, à l'aide de chacun des descripteurs sélectionnés (H,G,....N ), de manière à obtenir une image multivariée simplifiée de la surface intérieure du pneumatique à contrôler,
on transforme l'image multivariée simplifiée dans l'espace factoriel réduit
nVF
commun (c ,c , ... ,c ),
à l'aide d'un classificateur apte à identifier les zones de l'espace factoriel commun réduit où sont logées les anomalies, on localise les imagettes de la surface intérieure du pneumatique à contrôler contenant une anomalie.
12) Méthode de détection selon la revendication 1 1 , dans lequel le classificateur est construit à l'aide d'un des outils d'analyse suivant
l'Analyse Discriminante Linéaire (LDA),
les Séparateurs à Vastes Marges (SVM).
PCT/EP2012/069152 2011-09-30 2012-09-27 Methode amelioree de controle de l'aspect de la surface d'un pneumatique WO2013045593A1 (fr)

Priority Applications (3)

Application Number Priority Date Filing Date Title
EP12762640.6A EP2761587A1 (fr) 2011-09-30 2012-09-27 Methode amelioree de controle de l'aspect de la surface d'un pneumatique
CN201280047802.7A CN103843034A (zh) 2011-09-30 2012-09-27 检查轮胎的表面的外观的改进方法
US14/348,156 US9189841B2 (en) 2011-09-30 2012-09-27 Method of checking the appearance of the surface of a tyre

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR1158800A FR2980735B1 (fr) 2011-09-30 2011-09-30 Methode amelioree de controle de l'aspect de la surface d'un pneumatique
FR1158800 2011-09-30

Publications (1)

Publication Number Publication Date
WO2013045593A1 true WO2013045593A1 (fr) 2013-04-04

Family

ID=46924477

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2012/069152 WO2013045593A1 (fr) 2011-09-30 2012-09-27 Methode amelioree de controle de l'aspect de la surface d'un pneumatique

Country Status (5)

Country Link
US (1) US9189841B2 (fr)
EP (1) EP2761587A1 (fr)
CN (1) CN103843034A (fr)
FR (1) FR2980735B1 (fr)
WO (1) WO2013045593A1 (fr)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
ITRM20130561A1 (it) * 2013-10-11 2015-04-12 Bridgestone Corp Metodo di misura del livello di penetrazione del foglietto tra le corde della tela di carcassa in un pneumatico
WO2017017371A1 (fr) 2015-07-27 2017-02-02 Compagnie Generale Des Etablissements Michelin Procédé optimise d'analyse de la conformité de la surface d'un pneumatique

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2011253779A1 (en) * 2011-12-01 2013-06-20 Canon Kabushiki Kaisha Estimation of shift and small image distortion
FR3030042A1 (fr) 2014-12-15 2016-06-17 Michelin & Cie Procede de detection de defaut sur une surface de pneumatique
US11472234B2 (en) 2016-03-04 2022-10-18 TIREAUDIT.COM, Inc. Mesh registration system and method for diagnosing tread wear
US10789773B2 (en) 2016-03-04 2020-09-29 TIREAUDIT.COM, Inc. Mesh registration system and method for diagnosing tread wear
CN106327534B (zh) * 2016-08-31 2019-05-21 杭州沃朴物联科技有限公司 一种基于定位块的轮胎内壁纹理识别方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR1052951A (fr) 1951-11-09 1954-01-29 Accumulatoren Fabrik Ag électrode pour accumulateurs alcalins
US20050052637A1 (en) * 2003-09-10 2005-03-10 Shaw Eugene L. Tire inspection apparatus and method

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE19849793C1 (de) * 1998-10-28 2000-03-16 Fraunhofer Ges Forschung Vorrichtung und Verfahren zur berührungslosen Erfassung von Unebenheiten in einer gewölbten Oberfläche
EP2295930B1 (fr) * 2008-06-04 2014-01-01 Kabushiki Kaisha Kobe Seiko Sho Procédé et dispositif de contrôle de forme de pneus
FR2959046B1 (fr) 2010-04-19 2012-06-15 Michelin Soc Tech Methode de controle de l'aspect de la surface d'un pneumatique

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR1052951A (fr) 1951-11-09 1954-01-29 Accumulatoren Fabrik Ag électrode pour accumulateurs alcalins
US20050052637A1 (en) * 2003-09-10 2005-03-10 Shaw Eugene L. Tire inspection apparatus and method

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
CHEN P ET AL: "INSPECTION OF TIRE TREAD DEFECTS USING IMAGE PROCESSING AND PATTERN RECOGNITION TECHNIQUES", PROCEEDINGS OF SPIE, SPIE, US, vol. 2063, 9 September 1993 (1993-09-09), pages 14 - 21, XP009003693, ISSN: 0277-786X, DOI: 10.1117/12.164968 *
COLBRY D ET AL: "Pattern Recognition for Classification and Matching of Car Tires", TIRE SCIENCE AND TECHNOLOGY, XX, XX, 1 January 2003 (2003-01-01), pages 1 - 18, XP002604321 *
FODOR I K: "A survey of dimension reduction techniques", U.S. DEPARTMENT OF ENERGY UCRL-ID-148494,, 9 May 2002 (2002-05-09), pages 1 - 26, XP002604322 *
JAIN A K ET AL: "STATISTICAL PATTERN RECOGNITION: A REVIEW", IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE, IEEE SERVICE CENTER, LOS ALAMITOS, CA, US, vol. 22, no. 1, 1 January 2000 (2000-01-01), pages 4 - 37, XP000936788, ISSN: 0162-8828, DOI: 10.1109/34.824819 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
ITRM20130561A1 (it) * 2013-10-11 2015-04-12 Bridgestone Corp Metodo di misura del livello di penetrazione del foglietto tra le corde della tela di carcassa in un pneumatico
WO2017017371A1 (fr) 2015-07-27 2017-02-02 Compagnie Generale Des Etablissements Michelin Procédé optimise d'analyse de la conformité de la surface d'un pneumatique
US10346971B2 (en) 2015-07-27 2019-07-09 Compagnie Generale Des Etablissements Michelin Optimized method for analyzing the conformity of the surface of a tire

Also Published As

Publication number Publication date
EP2761587A1 (fr) 2014-08-06
CN103843034A (zh) 2014-06-04
FR2980735B1 (fr) 2016-09-09
FR2980735A1 (fr) 2013-04-05
US9189841B2 (en) 2015-11-17
US20140233841A1 (en) 2014-08-21

Similar Documents

Publication Publication Date Title
WO2013045593A1 (fr) Methode amelioree de controle de l'aspect de la surface d'un pneumatique
EP2561479A1 (fr) Methode de controle de l'aspect de la surface d'un pneumatique
FR3039684A1 (fr) Procede optimise d'analyse de la conformite de la surface d'un pneumatique
EP2761588B1 (fr) Methode d'analyse rapide des elements en relief figurant sur la surface interne d'un pneumatique
EP2798575B1 (fr) Procede d'identification de microorganismes par spectrometrie de masse et normalisation de scores
EP3304047B1 (fr) Procédé de traitement d'images avec specularités et produit programme d'ordinateur correspondant
EP2710552B1 (fr) Methode de determination des marquages en relief presents sur la surface exterieure du flanc d'un pneumatique
EP3271869B1 (fr) Procédé de traitement d'un signal asynchrone
EP2700050A1 (fr) Analyse de l'image numerique de la surface externe d'un pneumatique - traitement des points de fausse mesure
EP3614306B1 (fr) Procédé de localisation et d'identification de visage et de détermination de pose, à partir d'une vue tridimensionnelle
EP4046129B1 (fr) Procédé de fabrication
EP3008445B1 (fr) Methode de traitement de l'image numerique de la surface d'un pneumatique en vue de la detection d'une anomalie
EP3901794A1 (fr) Procédé d'authentification ou d'identification d'un individu
EP3633552A1 (fr) Procédés d'apprentissage de paramètres d'un réseau de neurones à convolution et de détection d'éléments d'intérêt visibles dans une image
EP3866064A1 (fr) Procede d'authentification ou d'identification d'un individu
EP3633544B1 (fr) Procede d'association d'elements d'interet visibles dans une video
EP3633545A1 (fr) Procedes d'apprentissage de parametres d'un reseau de neurones a convolution, de detection d'elements d'interet visibles dans une image et d'association d'elements d'interet visibles dans une image
WO2015132531A1 (fr) Procede d'analyse d'echantillons sedimentaires avec reconnaissance automatique de nannofossiles
FR3109831A1 (fr) Procédé pour la vérification d’un code-barre.
EP3966739B1 (fr) Procédé d'analyse automatique d'images pour reconnaître automatiquement au moins une caractéristique rare
FR3038760A1 (fr) Detection d'objets par traitement d'images
EP2769360B1 (fr) Procédé de localisation d'objets par résolution dans l'espace tridimensionnel de la scène
FR3094815A1 (fr) Procédé, programme d’ordinateur et système pour l’identification d’une instance d’objet dans une scène tridimensionnelle
EP3931751B1 (fr) Procédé de traitement d'image assisté par ordinateur, pour la lecture d'un marquage sur une surface d'un support en peau d'animaux
FR3126529A1 (fr) Procédé de mise en relation d’une image candidate avec une image de référence.

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 12762640

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 14348156

Country of ref document: US

NENP Non-entry into the national phase

Ref country code: DE

REEP Request for entry into the european phase

Ref document number: 2012762640

Country of ref document: EP

WWE Wipo information: entry into national phase

Ref document number: 2012762640

Country of ref document: EP