WO2024012960A1 - Systeme et procede d'acquisition et de determination des axes des soupapes dans des moules de vulcanisation de pneumatiques - Google Patents

Systeme et procede d'acquisition et de determination des axes des soupapes dans des moules de vulcanisation de pneumatiques Download PDF

Info

Publication number
WO2024012960A1
WO2024012960A1 PCT/EP2023/068606 EP2023068606W WO2024012960A1 WO 2024012960 A1 WO2024012960 A1 WO 2024012960A1 EP 2023068606 W EP2023068606 W EP 2023068606W WO 2024012960 A1 WO2024012960 A1 WO 2024012960A1
Authority
WO
WIPO (PCT)
Prior art keywords
vents
mold
vent
robot
detection system
Prior art date
Application number
PCT/EP2023/068606
Other languages
English (en)
Inventor
Jean-Marie Dettorre
Nicolas BARD
Mohamed-Abbas KONATE
Pierre BOUGES
Romain CALVEL
Original Assignee
Compagnie Generale Des Etablissements Michelin
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 filed Critical Compagnie Generale Des Etablissements Michelin
Publication of WO2024012960A1 publication Critical patent/WO2024012960A1/fr

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29D—PRODUCING PARTICULAR ARTICLES FROM PLASTICS OR FROM SUBSTANCES IN A PLASTIC STATE
    • B29D30/00—Producing pneumatic or solid tyres or parts thereof
    • B29D30/06—Pneumatic tyres or parts thereof (e.g. produced by casting, moulding, compression moulding, injection moulding, centrifugal casting)
    • B29D30/0601—Vulcanising tyres; Vulcanising presses for tyres
    • B29D30/0606—Vulcanising moulds not integral with vulcanising presses
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29D—PRODUCING PARTICULAR ARTICLES FROM PLASTICS OR FROM SUBSTANCES IN A PLASTIC STATE
    • B29D30/00—Producing pneumatic or solid tyres or parts thereof
    • B29D30/06—Pneumatic tyres or parts thereof (e.g. produced by casting, moulding, compression moulding, injection moulding, centrifugal casting)
    • B29D30/0601—Vulcanising tyres; Vulcanising presses for tyres
    • B29D30/0606—Vulcanising moulds not integral with vulcanising presses
    • B29D30/0629—Vulcanising moulds not integral with vulcanising presses with radially movable sectors
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29D—PRODUCING PARTICULAR ARTICLES FROM PLASTICS OR FROM SUBSTANCES IN A PLASTIC STATE
    • B29D30/00—Producing pneumatic or solid tyres or parts thereof
    • B29D30/06—Pneumatic tyres or parts thereof (e.g. produced by casting, moulding, compression moulding, injection moulding, centrifugal casting)
    • B29D30/0601—Vulcanising tyres; Vulcanising presses for tyres
    • B29D30/0606—Vulcanising moulds not integral with vulcanising presses
    • B29D2030/0607—Constructional features of the moulds
    • B29D2030/0617—Venting devices, e.g. vent plugs or inserts

Definitions

  • a system and method for inserting valves into segments of a baking mold for tires is disclosed. More particularly, the invention relates to a system and method for identifying vents of a vulcanization mold for tires whose vents are dispersed to allow the insertion of the corresponding valves therein.
  • this type of mold is represented by a mold 10 mainly comprising two shells (not shown) which each mold one of the side walls of a tire P, a plurality of segments 12 which mold the strip rolling Pio of the tire P along the internal surfaces 12a of the segments.
  • the segments 12 are movable radially between an open position (shown in Figure 1) and a closed position of the mold 10.
  • This type of mold can further comprise at least one clamping ring (not shown) to allow the radial movement of the segments.
  • An example of this type of mold is disclosed by the Applicant's patent US10,239,270.
  • this type of mold includes a plurality of ventilation holes (or “vents”) to achieve this ventilation during the vulcanization cycles.
  • a typical segment mold may include between 4,000 and 12,000 substantially cylindrical vents distributed along each segment of the mold.
  • the valve 20 comprises a movable insert 22 which moves up and down in a substantially cylindrical housing 24.
  • the movable insert 22 includes a valve stem 26 with a conical section 26a frustrated towards an internal cavity 28 (see Figure 2) and a flat surface 26b towards the surface of the tire.
  • the conical section 26a mates with a seating surface 24a of the housing 24 such that, during a vulcanization cycle, the valve is closed by the surface of the approaching tire blank, and, during extraction of the tire, the valve reopens after vulcanization.
  • a gasket (not shown) can be placed between the conical section 26a and the seat surface 24a in a manner understood by those skilled in the art.
  • valves come in the form of small tubular and rigid mechanical parts (for example, with a diameter of around 2.5mm and a length of 5 to 12mm).
  • their installation in the mold consists of force-mounting in vents drilled to a diameter guaranteeing the adjustment and holding of the valves throughout the life of the mold. The installation operation requires:
  • valves are placed individually in the mold segments (either by a human operator or a mechanical operator such as a robot). This is usually done using a tweezer-type tool that grips the valve and inserts it precisely into the corresponding vent in the mold. The valve is then hammered into the vent using a hammer and mandrel. This type of insertion requires a lot of effort and takes a lot of time. Each insertion represents several seconds of work, leading to a painful, repetitive task which, for a human operator, is not of great interest. This leads to risks of weariness and forgetting valves, calling into question the proper functioning of the mold. To overcome this problem, there are devices in the prior art for inserting valves into molds.
  • German publication DE102010060901 discloses a tool comprising a tubular guide system in which a valve is arranged.
  • the tubular system is placed directly above the vent where, by an effort in the axis of the valve, a piston pushes the valve to push it in in a guided and regulated manner.
  • a piston pushes the valve to push it in in a guided and regulated manner.
  • the piston rises, and a new valve engages in the tubular system.
  • Automation therefore lies in the vertical positioning of the vents, but the valves must be positioned precisely so that it finds its bearings.
  • Korean patent KR100845093B discloses a valve assembly system incorporating a machine for manufacturing valves in two parts: a body in which the spring is installed and the valve itself.
  • the machine can be diverted to serve as the basis for a valve fitting system to insert the valves into the vents.
  • it lacks the ability to adapt to any mold shape and also move to position the valves in segments.
  • the holes which create the vents are not always made as indicated on the plans, and there are variations due to the manufacturing process causing deviations (for example, vents are added, or molds are modified by hand ). Since the precise knowledge of the position of the vents and/or their axes is not absolutely guaranteed, it is desirable to develop a system which can do without this information, as would a human operator who detects and analyzes himself.
  • the disclosed invention employs knowledge of the mold segment to carry out the insertion of the valves in a repetitive manner.
  • the insertion of the valves is done with an effort of up to around 70kg, which requires good control of the trajectory of a robot so as not to damage the mold.
  • the disclosed invention uses the coordinates of the vents and the detection of their centers and their normals? to give a robot the correct approach and push trajectory to facilitate the installation of valves.
  • the invention relates to a system implementing a method for identifying vents of a vulcanization mold for tires comprising one or more segments and an internal surface whose vents are dispersed to allow the insertion of the corresponding valves therein, characterized in that the system comprises: a robot incorporating a detection system with one or more sensors that detect the presence of vent(s) dispersed along the internal surface of the mold segment; a communications network that manages data entering the system from the detection system; and one or more communication servers, each comprising one or more processors operably connected to a memory configured to store an application for analyzing data representative of the imaged molds, and the one or more processors comprising a module for executing the analysis application which carries out image processing, the processor(s) of which are capable of executing programmed instructions stored in the memory to carry out the following steps: a step of detecting the presence of an arrangement of vents in the field of view of the detection system, which triggers to capture at least one image of the internal surface of the mold segment; and a
  • the detection system comprises at least one three-dimensional (3D) camera of the RGB-D type attached to the robot which provides 3D images represented in a set of 3D points with coordinates (X , Y, Z)
  • the processor(s) are capable of executing programmed instructions stored in the memory to carry out the following steps: a step of annotating the sample positions of the vents, this step comprising a step of creating a coordinate reference of the vents searched in images captured by the detection system of the system; a step of reconstructing the segment comprising a step of constructing an annotated database storing captured images and coordinates of the pixels of the captured images; a step of analyzing the contours of the vents carried out by the system analysis application execution module, this step comprising a step of determining the surface plane by finding the shape closest to a circle which represents the desired vent, this step further comprising a step of determining the vector normal to the surface plane determined to find the axis of insertion
  • the execution module of the analysis application stored in the system memory employs annotation software to construct bounding boxes around the vents appearing in the image captured from the mold.
  • the processor of the system continuously trains at least one neural network whose output is the classification of the coordinates of the vents, such that the captured images reveal the positions of the vents.
  • the at least one neural network is chosen from convolutional neural networks.
  • one or more steps employ the use of a neural network of the deformable transform type.
  • the robot includes a gripping device supported by a pivotable elongated arm, the gripping device extending from the elongated arm to a free end where a gripper is disposed along 'a common longitudinal axis.
  • the gripper includes a pivoting gripper incorporating gripping fingers which extend from a platform where attachment of the gripper to the free end of the gripping device is accomplished, each finger comprising a member with a predetermined length which extends between an actuating end, where movement of the finger is achieved, and an opposing gripping end, where the finger grips the valve.
  • the processor(s) are capable of executing programmed instructions stored in the memory to perform a step of setting the robot in motion so that it can place the valve for insertion into a vent identified in a segment of the mold.
  • the invention also relates to a method implemented by the disclosed system for identifying vents of a vulcanization mold for tires comprising one or more segments and an internal surface whose vents are dispersed to allow the insertion of the valves. corresponding therein, characterized in that the method comprises the following steps: a step of positioning the mold in a field of view of a detection system of the system, so that the vents defined along the internal surface of at least a segment is visible, during which the detection system flies over the mold; a step of detecting the presence of an arrangement of vents in the field of view of the detection system, which triggers to capture at least one image of the internal surface of the mold segment; and a step of searching, in the image captured by the detection system, for the presence of the vents detected, so that the detection system continues to capture the images if no vent is detected, until the search for the mold is exhausted.
  • the method further comprises a control step carried out after the insertion of the valves into the vents of the mold. In certain embodiments of the method of the invention, the method further comprises a final step of positioning the robot directly above an identified vent, in the axis of insertion thereof, during which the robot blows the valve.
  • Figure 1 represents a perspective view of one embodiment of a segment type vulcanization mold.
  • Figure 2 represents an embodiment of a valve inserted in a vent of the mold of Figure 1.
  • Figure 3 represents a schematic view of a system of the invention allowing the insertion valves in a tire vulcanization mold.
  • Figure 4 represents an internal surface of a segment of a tire vulcanization mold whose vents are identified by the system of Figure 3.
  • Figure 5 shows an example of annotated bounding boxes that are constructed around vents appearing in an image of a mold captured in a process performed by the system of the invention.
  • Figure 6 shows an example of the points that define vents appearing on an image of a mold captured in a process performed by the system of the invention.
  • Figure 7 represents an example of the points extracted in a process carried out by the system of the invention and forming one or more ellipses.
  • Figure 8 represents a normal vector of a vent identified in an image of a mold captured in a method carried out by the system of the invention.
  • Figure 9 represents vents identified by contours analyzed during a process carried out by the system of the invention.
  • Figure 3 represents a valve insertion system (or “system”) 100 of the invention.
  • the system 100 implements a method of the invention allowing the insertion of valves (for example, valves of the type shown in Figure 2) into segments of a vulcanization mold for tires (for example, a mold 10 of the type shown in Figure 1 and having segments 12).
  • the disclosed method incorporates a machine learning method which is based on the data corresponding to the images obtained from the mold whose algorithm used analyzes the internal surface of the mold to place and insert the valve into an identified vent.
  • a mold 10 is positioned on a work table or on an equivalent support 50 so that the system 100 can process it.
  • the support 50 can be configured to move rotatably, reciprocating vertically and/or reciprocating horizontally, thereby allowing the processing of a variety of molds.
  • the system includes a robot 102 having a gripping device 104 supported by an elongated pivoting arm 106.
  • the gripping device 104 extends from the elongated arm 106 to a free end 104a where a gripper 108 is arranged along a common longitudinal axis.
  • Fixing the gripper 108 to the gripping device 104 can be achieved by screwing an adapter to the free end 104a of the gripping device. It is understood that the attachment of the gripper 108 to the gripping device 104 can be accomplished by one or more known attachment means (including, without limitation, welding, gluing and equivalent means).
  • the gripper includes a pivotable gripper 108a incorporating gripping fingers (or “fingers") 108b which extend from a platform 108c (where the adapter provides attachment of the gripper 108a to the free end 104a of the gripping device 104).
  • Each finger 108b includes a member with a predetermined length that extends between an actuation end (where movement of the finger is accomplished) and an opposite gripping end (where the finger grips a valve 200 held by the gripper during the process).
  • Each finger 108b has an internal gripping surface that engages the valve 200 during insertion into an identified vent and an opposing external surface.
  • the fingers 108b are arranged so that a predetermined space is defined between the gripping surfaces, allowing movement of the fingers along a common axis during the process implemented by the system 100.
  • the robot 102 facilitates gripping of a variety of valves without interruption of the linear movement of the fingers.
  • the reciprocating movement of one or more fingers 108b can be carried out by one or more known cylinders which are actuated by a pressurized fluid (for example, compressed air) coming from a conduit (not shown). Consequently, the movement of each finger 108b achieves the corresponding linear movement of the fingers between a waiting position (where the gripping surfaces remain substantially parallel with the space between them) (not shown) and a gripping position (where the gripping surfaces approach to engage the valve 200 and to place it in an insertion position relative to an internal surface 10a of the mold 10) (see Figure 3).
  • the cylinder(s) are chosen from commercial cylinders.
  • the robot 102 can be set in motion so that the gripper 108 can grasp the valve 200 (as described below). Thanks to the fingers 108b, the gripper 108 grips to hold the valve 200 during movement of the gripper between a gripping position (in which the gripper 108 grips a valve chosen for insertion into a vent corresponding identified) (see Figure 3) and an insertion position (in which the gripper 108 places the valve taken to insert it into the identified vent) (not shown).
  • the gripping position of the gripper 108 means that the fingers are in their gripping position of the chosen valve.
  • the robot can be configured to have six degrees of freedom allowing it to move on all six axes.
  • the robot 102 may be disposed on a support 55 that is configured to move rotatably, alternately vertically, and/or alternately horizontally, thereby allowing processing of a variety of molds.
  • the robot 102 is set in motion to place the valve 200 for insertion into a vent identified in a segment 10A of the mold 10.
  • the robot 102 may be part of a traveling robot which may be placed in motion either by integrated movement means (for example, integrated motor(s)) or by non-integrated movement means (for example, autonomous mobile trolley(s) or other equivalent mobile means).
  • the robot 102 can be attached to a ceiling, a floor, a wall or any support which allows the carrying out of the method implemented by the system 100 (see, for example, support 55 in Figure 3). It is understood that such a robot can be a classic industrial robot or a collaborative robot or even a delta or cable robot.
  • the robot 102 includes a sensing system that uses one or more sensors (not shown) to sense information about the physical environment around the robot.
  • sensors may be used interchangeably and may refer to one or more devices configured to perform two-dimensional image sensing ( 2D) and/or three-dimensional (3D), 3D depth sensing, and/or other types of sensing of the physical environment around the robot 102.
  • the sensors of the robot 100 detection incorporated with the robot 102 can be attached to the elongated arm 106 (for example, at the end 104a) and/or to the gripper 108 of the robot.
  • the sensor(s) of the robot detection system 102 detect the presence of one or more vents of a mold.
  • an internal surface 10a of a segment 10A of a vulcanization mold 10 is shown in Figure 4 ( Figure 4 represents a photo of the internal surface 10a taken with an RGB type camera).
  • a plurality of vents 150 are dispersed along the internal surface 10a of the segment 10A, each vent receiving a corresponding valve 200. It is expected that each vent is substantially cylindrical and that all vents 150 have substantially the same diameters.
  • the sensor is triggered when a segment of a mold enters the camera's field of view.
  • a snap point may be placed at a known position relative to the sensor (for example, at a known horizontal distance and at a known vertical distance from the sensor position).
  • the detection system can determine information about the physical environment around the mold 10 which can be used by a control system of the system 100 (the control system comprising, for example, software for planning movements of the robot 102). .
  • the control system could be on robot 102 or it could be in remote communication with the robot.
  • one or more 2D or 3D sensors mounted on the robot 102 may be integrated to constitute a digital model of the physical environment (including, where applicable, the side(s), floor and ceiling).
  • the control system can cause the movement of the robot 102 to navigate between the tapping positions of the valves during their insertion into the mold 10.
  • the detection system comprises at least one camera which provides 3D images represented in a set of 3D points with coordinates (X, Y, Z), and sometimes red, green color values , blue (“RGB” or “RGB-D” format) (called “an RGB-D type camera”).
  • an RGB-D type camera is attached to the robot 102 (for example, to the end 104a and/or to the gripper 108). Two or more RGB-D cameras can be oriented to achieve a predetermined overlap between the cameras' fields of view.
  • the term "camera” includes one or more cameras.
  • RGB-D cameras typically provide depth information using depth maps, being images where each pixel contains the distance between the camera and the corresponding point in space.
  • 3D point cloud data from RGB-D type cameras have a much higher measurement rate.
  • a point cloud can be constructed from the RGB-D images by computing the real world (e.g., (X, Y, Z) coordinates with intrinsic data from a scanning camera.
  • information about the physical environment around the system 100 is obtained from 3D point cloud data obtained from sensing technologies that are capable of capturing the 3D surface geometries of the molds accurately and efficiently. detection could be chosen from commercially available devices (chosen, for example, from cameras sold under the ZIVID® brand from the company Zivid AS, artificial vision systems sold by the company Cognex Corp., and their equivalents) .
  • point cloud (singular or plural) is used here to refer to one or more collections of data points in space.
  • One or more cameras can collect three-dimensional (3D) data and detect the surfaces of objects (for example, a segment 10A of a mold 10) using a series of coordinates. Storing information as a collection of spatial coordinates can save space because many objects do not fill a large portion of the environment. Even if the information is not visual, interpreting data as a scatterplot helps understand the relationship between multiple variables through classification and segmentation.
  • one or more cameras may include one or more programming modes, including learning, to feed, modify and train at least one neural network.
  • the robot detection system 102 detects the presence of a vent arrangement 150 within the detection system's field of view (e.g., the field of view of a camera of the system 100), which triggers it to capture the image of an internal surface 10a of the segment 10A of a mold 10 (see Figure 4).
  • the system "searches", in the image obtained by the detection system, the presence of vents "seen” by the robot 102. If no vent is detected, the detection system detection continues to obtain the images until the search for mold 10 is exhausted.
  • the detection system of the system 100 may include a telemeter means which is used in the working space of the mold 10 to deduce its dimensions.
  • the telemeter means comprises a scanner (not shown) for scanning the entire internal surface 10a of the mold 10 in real time in the physical environment around the mold.
  • a scanner allows precise generation of the mold.
  • the scanner can be provided together with a vision system (not shown) configured to precisely locate vents in a real-time scenario based on the 3D profile generated by the scanner.
  • the vision system may receive a CAD file from the mold 10 to match the location of a vent from the CAD file, with the vent identified in real time to accurately locate and determine its coordinates.
  • the vision system can receive the CAD file by data transmission methods known to those skilled in the art.
  • the vision system may further include at least one camera and at least one sensor (not shown) to determine the location (i.e., coordinates) of the vents based on the data collected in real time and/or the contour profile. generated by the scanner.
  • the system 100 comprises a communications network (or “network”) which manages data entering the system from various sources (for example, from at least a robot 102 and the associated detection system).
  • the communications network incorporates one or more communications servers (or “servers”) each comprising one or more processors operably connected to a memory.
  • the memory is configured to store an application for analyzing data representative of the molds (and segments of the molds) imaged.
  • the processor(s) include an analysis application execution module which performs image processing, the processor(s) of which are capable of executing programmed instructions stored in the memory to carry out the steps of the method (as described below). below).
  • processor means one or more devices capable of processing and analyzing data and including one or more software for their processing (for example, one or more integrated circuits known to those skilled in the art as being included in a computer, one or more controllers, one or more microcontrollers, one or more microcomputers, one or more programmable logic controllers (or “PLCs”), one or more integrated circuits specific to an application, one or more neural networks, and/or one or more other known equivalent programmable circuits).
  • the processor includes software(s) for processing the data captured by the detection system of the system 100 (and the corresponding data obtained) as well as software(s) for identifying and locating variances and identifying their sources to correct them.
  • the memory may include both volatile and non-volatile memory devices.
  • the non-volatile memory may include solid state memories, such as NAND flash memory, “random access” memory (or “keep-alive memory” or “KAM”) to save various operating variables while the processor is powered off, magnetic and optical storage media, or any other suitable data storage device that retains data when the system 100 is disabled or loses power.
  • the volatile memory may include static and dynamic RAM that stores program instructions and data, including a learning application.
  • method or “process” may include one or more steps performed by at least one computer system having one or more processors to execute instructions that perform the steps. Unless otherwise indicated, any sequence of steps is given by way of example and does not limit the methods described to any particular sequence.
  • the system 100 incorporates a combination of vision and machine learning techniques to correctly and quickly reconstruct the observed scene from scattered three-dimensional (or “3D”) point clouds, resulting from a view of the segment 10A of the mold 10.
  • the system 100 therefore achieves continuous improvement in the recognition of vents and their relative distribution along the internal surface 10a of the mold 10.
  • the method comprises a step of positioning the mold 10 in the field of view of the robot detection system 102 (for example, positioning the mold on the support 50 as shown in Figure 3).
  • the mold 10 is positioned so that the vents 150 defined along the internal surface 10a of at least one segment 10A are visible in the detection field of the sensor (see Figure 4).
  • the robot 102 and particularly the integrated detection system flies over the mold 10.
  • the method further includes a step of annotating the positions of samples of the vents devoted to learning.
  • a reference is created of the coordinates of the vents searched in images captured by the detection system of the robot 102 (for example, an RGB type camera).
  • the coordinate reference of the vents which is created during this step includes expected images corresponding to the vents 150 distributed along the internal surface 10a of the mold 10.
  • This step can be carried out in advance of other steps of the method of the invention to feed a neural network the true coordinates of the vents and their relative positions with respect to each other.
  • at least part of the vent reference can be created by one or more persons skilled in the art.
  • a neural network may be trained to recognize the true coordinates of the vents and create bounding boxes (or "boxed regions") around the recognized vents.
  • the coordinates of the bounding box of the recognized vent are correlated with the coordinates of the vents sought to calculate displacements between them.
  • the framed regions and displacement calculations are transmitted to a neural network (e.g., CNN(s)) to jointly learn the representation of a vent in perspectives different from the images taken by the detection system of the robot 102.
  • the method further comprises a step of capturing images of the mold 10 (and more particularly, capturing images of the internal surface 10a of the segment 10A of the mold).
  • This step which is carried out by the robot 102 (and particularly by the associated detection system), includes a step of scanning the detection system of the robot 102 above the segment 10A of mold 10.
  • Each image captured during this step is composed of a matrix of pixels where each pixel has a different color and a brightness which indicates the position of a vent 150 of the mold 10.
  • the images obtained, revealing one or more positions of the vents 150 train at least one neural network to identify all the expected positions of the vents in the imaged mold 10 .
  • these image variations serve as input to the neural network whose outputs are the classification of the coordinates of the vents.
  • the execution module's algorithm aims to automatically identify and indicate the external profile of the vent as well as the interfaces and perimeters of the vent (for example, its diameter and angle of its cylindrical axis relative to the curvature of the internal surface 10a of the mold 10).
  • the execution module therefore uses annotation software making it possible to construct bounding boxes around the vents 150 appearing in the image of mold 10 (see Figure 7).
  • the system processor 100 continuously trains the neural network from newly captured data from the mold images obtained by the robot detection system 102.
  • the robot 102 takes images (which may include videos) and collects a set of image data from multiple molds of the same type (e.g., of the type represented by mold 10 in Figure 4).
  • the image dataset can be annotated based on the data input by the operator to create the ground truth data.
  • the entire image data set is annotated. Known variations are manually identified based on the knowledge of mold professionals.
  • the server processor can use the ground truth data to train and/or develop one or more neural networks in order to automatically detect the space where the object (for example, the vents 150 of the mold 10).
  • ground truth data as described here generally refers to information provided by direct observation of professionals in the field as opposed to information provided by inference. They can have data from multiple sources, including multiple professionals in remote locations, to develop the neural network.
  • An image feedback loop Annotated data may be updated with additional ground truth data over time to improve the accuracy of the system 100.
  • the method further comprises a step of reconstructing the segment 10A by three-dimensional digitization with a high degree of resolution.
  • a 3D camera of the detection system is used in the work space of the mold 10 to immediately reconstruct the volume of the segment 10A and to determine its dimensions and delimit its work area.
  • This step includes the construction of an annotated database storing the RGB images, the coordinates (X,Y,Z) of the pixels of the images obtained as well as the coordinates of the bounding boxes.
  • the execution module algorithm aims to extract the points which define each vent 150 (see Figure 8).
  • the method further comprises a step of analyzing the contours of each vent 150.
  • the 3D camera of the robot detection system 102 by the width of its measurement spectrum, gives better precision by calculating the normal on the homogenized plane on the internal surface 10a of the mold 10.
  • each of the extracted points (including the center C150) has coordinates corresponding.
  • This step includes a step of determining the surface plane by finding the shape closest to the circle represented by the desired vent. Due to the positioning of the vent along the internal surface 10a of the mold 10 (having substantially curved parts), it is understood that the extracted points can form one or more ellipses (see the ellipses given as an example in Figure 9).
  • This step also includes a step of determining the vector normal to the surface plane determined during the previous step.
  • a normal vector determined passes the center C150 of the vent 150 to find the insertion axis X200 of the valve 200 (oriented, for example, at an angle a relative to the internal surface 10a of the mold 10).
  • This step will allow the robot 102 to choose and orient a valve of appropriate diameter (for example, a valve of the type shown in Figure 2) to ensure its correct insertion in the corresponding vent.
  • the method further comprises a step of determining the diameter of the vent allowing the drilling of a valve of the corresponding diameter.
  • each vent 150 is identified by a contour 150A analyzed in the previous step.
  • the corresponding C150 center is identified by a dot.
  • the execution module's algorithm aims to recognize the diameter which corresponds closest to the diameters of the known vents (known, for example, in the vent reference created during the annotation step of this embodiment of the process).
  • the method further comprises a final step of positioning the valve 200 in the identified vent having the corresponding diameter.
  • the robot 102 receives the coordinates of an identified vent so that the robot can choose the valve of the appropriate diameter (for example, a valve of the type shown in Figure 2).
  • the robot 102 can select the valve through a tool changer and a valve feed system (both of which are commercially known).
  • the robot 102 can position itself directly above the identified vent 150, in the axis of insertion of the latter and insulate the valve.
  • the robot 102 can proceed with the pressing, either through the valve feed head, or by pushing it with a dedicated zone of an effector deposited at end 104a (not shown).
  • the use of neural networks provides robustness in the determination of vents and above all speed which eliminates lengthy calculations.
  • neural networks and more particularly convolutional neural networks, or "CNN” as a machine learning model, other types machine learning models can be used.
  • the CNN(s) can be trained with ground truth data which is generated using sensor data representative of the movement of the robot 102, including the positioning of the gripper 108.
  • DETR deformable DETR
  • DETR is used for end-to-end object detection, by combining CNN-type neural networks and Transformer-type encoder-decoders.
  • DETR first reduces calculations by only looking at a small set of key sample points around a reference (for example, the points form contour 150A around a vent 150 of mold 10) (see Figure 9).
  • DETR uses a deformable attention module to aggregate multi-scale features to facilitate detection of small objects. Therefore, DETR can model dependencies between distant objects in the observed scene to achieve the ability to automatically and accurately detect, locate, and classify vents whose corresponding valve insertion is predicted.
  • the method may further comprise an optional control step after the insertion of the valves 200 into the vents 150 of the mold 10.
  • an operator can carry out a manual control unitary of everything that the robot 102 offers.
  • a fully automatic check can be carried out, involving presence detection and/or a probe to validate the presence and correct operation of the valves.
  • the system 100 of the invention may include preprogramming of information regarding expected events.
  • a setting of the method of the invention may be associated with the parameters of typical physical environments in which the system 100 operates (for example, tire production facilities).
  • the system 100 (or another system incorporating the system 100) may receive audio commands (including voice commands) or other audio data representing (for example, a walk or a stopping one or more steps of the process of the invention).
  • the request may include a request for the current state of a process in progress (e.g., the number of valves inserted versus the number of vents 150 in mold 10 intended to accommodate a corresponding vent).
  • a generated response may be represented audibly, visually, tactilely (e.g., using a haptic interface), and/or virtually and/or augmented. This response, together with the corresponding data, can be recorded in a neural network.
  • system 100 may include multiple computing devices that perform various aspects of learning.
  • the processor can configure the system 100 on one or more parameters of a vent and its known location.
  • one or more means of reinforcement learning could be used.
  • a monitoring system could be put in place. At least part of the monitoring or alerting system may be provided in a portable device such as a mobile network device (e.g., a mobile phone, a laptop computer, a portable device(s) connected to the network (including including “augmented reality” and/or “virtual reality” devices, wearable clothing connected to the network and/or all combinations and/or all equivalents). It is conceivable that detection and comparison steps could be carried out iteratively .
  • a mobile network device e.g., a mobile phone, a laptop computer, a portable device(s) connected to the network (including including “augmented reality” and/or “virtual reality” devices, wearable clothing connected to the network and/or all combinations and/or all equivalents). It is conceivable that detection and comparison steps could be carried out iteratively .

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Moulds For Moulding Plastics Or The Like (AREA)
  • Heating, Cooling, Or Curing Plastics Or The Like In General (AREA)

Abstract

L'invention concerne un système (100) mettant en œuvre un procédé permettant d'identifier des évents (150) d'un moule (10) de vulcanisation pour les pneumatiques comprenant un ou des segments (10A) et une surface interne (10a) dont les évents sont dispersés pour permettre l'insertion des soupapes (200) correspondantes dedans. L'invention concerne aussi un procédé mis en œuvre par le système (100) divulgué.

Description

Description
Titre : SYSTEME ET PROCEDE D’ACQUISITION ET DE DETERMINATION DES AXES DES SOUPAPES DANS DES MOULES DE VULCANISATION DE PNEUMATIQUES
Domaine Technique
L’invention concerne un système et procédé pour insérer des soupapes dans des segments d’un moule de cuisson pour les pneumatiques. Plus particulièrement, l’invention concerne un système et procédé permettant d’identifier des évents d’un moule de vulcanisation pour les pneumatiques dont les évents sont dispersés pour permettre l’insertion des soupapes correspondantes dedans.
Contexte
Dans le domaine de pneumatiques, les moules pour la vulcanisation du type à segments sont connus. En se référant à la figure 1, ce type de moule est représenté par un moule 10 comprenant principalement deux coquilles (non représentées) qui moulent chacune l'un des flancs latéraux d’un pneumatique P, une pluralité de segments 12 qui moulent la bande de roulement Pio du pneumatique P le long des surfaces internes 12a des segments. Les segments 12 sont mobiles radial ement entre une position ouverte (représentée dans la figure 1) et une position fermée du moule 10. Ce type de moule peut comprendre en outre au moins une bague de serrage (non représentée) pour permettre le déplacement radial des segments. Un exemple de ce type de moule est divulgué par le brevet US10,239,270 de la Demanderesse.
La fabrication de pneumatiques utilisant ce type de moule nécessite qu'une pression soit appliquée au pneumatique cru afin de le presser contre les surfaces internes du moule en même temps qu’une chaleur est fournie au moule (par exemple, par induction électrique et/ou par induction magnétique, ou par moyen d'un fluide caloporteur tel que la vapeur d'eau sous pression). Pour cette raison, ce type de moule doit être ventilé afin que le pneumatique cru se gonfle contre les surfaces intérieures des segments du moule.
Il est donc également connu que ce type de moule comprend une pluralité de trous d'aération (ou « évents ») pour réaliser cette ventilation pendant les cycles de vulcanisation. Par exemple, un moule à segments typique peut comprendre entre 4000 et 12000 évents sensiblement cylindriques et distribués le long de chaque segment du moule. Dans chacun des évents se trouve une soupape 20 du type représenté à titre d’exemple par la figure 2 (voir, par exemple, le brevet EP774333B1). La soupape 20 comprend un insert mobile 22 qui monte et descend dans un logement 24 sensiblement cylindrique. L’insert mobile 22 comprend une tige de valve 26 avec une section conique 26a frustrée vers une cavité interne 28 (voir la figure 2) et une surface plane 26b vers la surface du pneumatique. La section conique 26a s'accouple avec une surface de siège 24a du logement 24 de sorte que, pendant un cycle de vulcanisation, la soupape est fermée par la surface de l'ébauche de pneumatique qui s'approche, et, pendant l'extraction du pneumatique, la soupape se rouvre après la vulcanisation. Une garniture (non représentée) peut être disposée entre la section conique 26a et la surface de siège 24a de manière entendue par l’homme du métier.
Les soupapes se présentent sous la forme de petites pièces mécaniques tubulaires et rigides (par exemple, du diamètre aux alentours de 2,5mm et longueur de 5 à 12 mm). En outre, leur mise en place dans le moule consiste en un montage en force dans des évents percés à un diamètre garantissant l’ajustement et la tenue des soupapes tout au long de la vie du moule. L’opération de mise en place requiert :
La localisation de l’évent pour insérer la soupape ;
La prise de la soupape dans le bon sens ;
Le positionnement de la soupape dans l’évent ;
La génération d’effort requis pour la rentrer dans l’ajustement ; et La pression appliquée jusqu’à ce que la soupape soit arasante.
Les soupapes sont placées individuellement dans les segments du moule (soit par un opérateur humain soit par un opérateur mécanique comme un robot). Cette opération s'effectue généralement à l'aide d'un outil du type pince à épiler qui saisit la soupape et l'insère avec précision dans l’évent correspondant du moule. La soupape est ensuite martelée dans l’évent à l'aide d'un marteau et d'un mandrin. Ce type d’insertion demande beaucoup d'efforts et prend beaucoup de temps. Chaque insertion représente plusieurs secondes de travail, conduisant à une tache pénible, répétitive et qui, pour un opérateur humain, ne présente pas un grand intérêt. Ceci conduisant à des risques de lassitude et d’oubli de soupapes, remettant en question le bon fonctionnement du moule. Pour surmonter ce problème, il existe dans l’art antérieur des dispositifs pour l'insertion des soupapes dans les moules. Par exemple, la publication allemande DE102010060901 divulgue un outil comprenant un système tubulaire de guidage dans lequel une soupape est disposée. Le système tubulaire se place à l’aplomb de l’évent où, par un effort dans l’axe de la soupape, un piston pousse la soupape pour l’enfoncer de façon guidée et régulée. Par le biais d’un ressort, le piston remonte, et une nouvelle soupape s’engage dans le système tubulaire. Une automatisation réside donc dans le positionnement à l’aplomb des évents, mais les soupapes doivent être positionnées précisément pour qu’elle retrouve leurs repères.
Le brevet coréen KR100845093B divulgue un système d’assemblage de soupapes incorporant une machine pour la fabrication des soupapes en deux parties : un corps dans lequel est installé le ressort et la soupape en elle-même. La machine est susceptible d’être détournée pour servir de base à un système d’emmanchement de soupapes pour insérer les soupapes dans les évents. Cependant, il lui manque la capacité à s’adapter à n’importe quelle forme de moule et également à se déplacer pour positionner les soupapes dans des segments.
En effet, les perçages qui créent les évents ne sont pas toujours réalisés comme indiqué sur les plans, et il existe des variations dues au procédé de fabrication engendrant des écarts (par exemple, des évents sont rajoutés, ou des moules sont modifiés à la main). La connaissance précise de la position des évents et/ou de leurs axes n’étant pas absolument garantie, il est souhaitable de développer un système qui sait se passer de ces informations, comme le ferait un opérateur humain qui détecte et analyse lui-même.
Ainsi, l’invention divulguée emploie la connaissance du segment de moule pour réaliser l’insertion des soupapes de manière répétitive. L’insertion des soupapes se fait avec un effort pouvant aller jusqu’aux alentours de 70kg ce qui nécessite de bien maîtriser la trajectoire d’un robot pour ne pas détériorer le moule. Pour cela, l’invention divulguée utilise les coordonnées des évents et la détection de leurs centres et leurs normales ? pour donner à un robot la bonne trajectoire d’approche et de poussée pour faciliter la mise en place des soupapes.
Résumé de l’invention
L’invention concerne un système mettant en œuvre un procédé permettant d’identifier des évents d’un moule de vulcanisation pour les pneumatiques comprenant un ou des segments et une surface interne dont les évents sont dispersés pour permettre l’insertion des soupapes correspondantes dedans, caractérisé en ce que le système comprend : un robot incorporant un système de détection avec un ou plusieurs capteurs qui détectent la présence d’un ou des évents dispersés le long de la surface interne du segment du moule ; un réseau de communication qui gère les données entrantes au système à partir du système de détection ; et un ou des serveurs de communication, chacun comprenant un ou des processeurs connectés de manière opérationnelle à une mémoire configurée pour stocker une application d'analyse des données représentatives des moules imagés, et le ou les processeurs comprenant un module d’exécution de l’application d’analyse qui réalise le traitement des images, dont le ou les processeurs sont capables d'exécuter des instructions programmées stockées dans la mémoire pour réaliser les étapes suivantes : une étape de détection d’une présence d’un agencement d’évents dans le champ de vue du système de détection, ce qui déclenche pour capturer au moins une image de la surface interne du segment du moule ; et une étape de recherche, dans l’image capturée par le système de détection, de la présence des évents détectés, de sorte que le système de détection continue de capturer les images si aucun évent n’est détecté, jusqu’à ce que la recherche du moule soit épuisée. Dans certains modes de réalisation du système de l’invention, le système de détection comprend au moins une caméra tridimensionnelle (3D) du type RGB-D fixée au robot qui fournit des images 3D représentées en un ensemble de points 3D avec des coordonnées (X, Y, Z) Dans certains modes de réalisation du système de l’invention, le ou les processeurs sont capables d'exécuter des instructions programmées stockées dans la mémoire pour réaliser les étapes suivantes : une étape d’annotation des positions d’échantillons des évents, cette étape comprenant une étape de création d’une référence de coordonnées des évents cherchés dans des images capturées par le système de détection du système ; une étape de reconstruction du segment comprenant une étape de construction d’une base de données annotée stockant des images capturées et des coordonnées des pixels des images capturées ; une étape d’analyse des contours des évents réalisée par le module d’exécution d’application d’analyse du système, cette étape comprenant une étape de détermination du plan de surface en trouvant la forme la plus proche d’un cercle qui représente l’évent cherché, cette étape comprenant en outre une étape de détermination du vecteur normal au plan de surface déterminé pour retrouver l’axe d’insertion de la soupape ; et une étape de détermination du diamètre de l’évent permettant le perçage d’une soupape du diamètre correspondant, pendant laquelle chaque évent est identifié par un contour analysé pendant l’étape d’analyse des contours des évents, et pendant laquelle un centre correspondant est identifié par un point ; de sorte que le système reçoit les coordonnées d’un évent identifié pour choisir une soupape du diamètre approprié.
Dans certains modes de réalisation du système de l’invention, le module d’exécution de l’application d’analyse stockée dans la mémoire du système emploie un logiciel d’annotation permettant de construire des boîtes englobantes autour des évents figurant sur l’image capturée du moule.
Dans certains modes de réalisation du système de l’invention, le processeur du système forme en permanence au moins un réseau neuronal dont la sortie est la classification des coordonnées des évents, de sorte que les images capturées révèlent les positions des évents. Dans certains modes de réalisation du système de l’invention, l’au moins un réseau neuronal est choisi parmi des réseaux neuronaux convolutifs.
Dans certains modes de réalisation du système de l’invention, une ou des étapes emploient l’usage d’un réseau neuronal du type transformer déformable.
Dans certains modes de réalisation du système de l’invention, le robot comprend un périphérique de préhension soutenu par un bras allongé pivotant, le périphérique de préhension s’étendant du bras allongé jusqu’à une extrémité libre où un préhenseur est disposé le long d’un axe longitudinal commun.
Dans certains modes de réalisation du système de l’invention, le préhenseur comprend une pince pivotante incorporant des doigts de prise qui s’étendent d’une plateforme où la fixation de la pince à l’extrémité libre du périphérique de préhension est réalisée, chaque doigt comprenant un membre avec une longueur prédéterminée qui s’étend entre une extrémité d’actuation, où le mouvement du doigt est réalisé, et une extrémité de prise opposée, où le doigt agrippe la soupape.
Dans certains modes de réalisation du système de l’invention, le ou les processeurs sont capables d'exécuter des instructions programmées stockées dans la mémoire pour réaliser une étape de mise en mouvement du robot pour qu’il puisse poser la soupape pour insertion dans un évent identifié dans un segment du moule.
L’invention concerne aussi un procédé mis en œuvre par le système divulgué permettant d’identifier des évents d’un moule de vulcanisation pour les pneumatiques comprenant un ou des segments et une surface interne dont les évents sont dispersés pour permettre l’insertion des soupapes correspondantes dedans, caractérisé en ce que le procédé comprend les étapes suivantes : une étape de positionnement du moule dans un champ de vue d’un système de détection du système, de sorte que les évents définis le long de la surface interne d’au moins un segment sont visibles, pendant laquelle le système de détection vient survoler le moule ; une étape de détection d’une présence d’un agencement d’évents dans le champ de vue du système de détection, ce qui déclenche pour capturer au moins une image de la surface interne du segment du moule ; et une étape de recherche, dans l’image capturée par le système de détection, de la présence des évents détectés, de sorte que le système de détection continue de capturer les images si aucun évent n’est détecté, jusqu’à ce que la recherche du moule soit épuisée. Dans certains modes de réalisation du procédé de l’invention, le procédé comprend en outre une étape de contrôle réalisée après l’insertion des soupapes dans les évents du moule. Dans certains modes de réalisation du procédé de l’invention, le procédé comprend en outre une dernière étape de positionnement du robot à l’aplomb d’un évent identifié, dans l’axe d’insertion de celui-ci, pendant laquelle le robot insuffle la soupape.
D’autres aspects de l’invention vont devenir évidents grâce à la description détaillée suivante.
Brève description des dessins
La nature et les divers avantages de l’invention vont devenir plus évidents à la lecture de la description détaillée qui suit, conjointement avec les dessins annexés, sur lesquels les mêmes numéros de référence désignent partout des parties identiques, et dans lesquels :
La figure 1 représente une vue en perspective d’un mode de réalisation d’un moule de vulcanisation du type à segments.
La figure 2 représente un mode de réalisation d’une soupape insérée dans un évent du moule de la figure 1.
La figure 3 représente une vue schématique d’un système de l’invention permettant l’insertion des soupapes dans un moule de vulcanisation des pneumatiques.
La figure 4 représente une surface interne d’un segment d’un moule de vulcanisation des pneumatiques dont les évents sont identifiés par le système de la figure 3.
La figure 5 représente un exemple de boîtes englobantes annotées qui sont construites autour des évents figurant sur une image d’un moule capturée dans un procédé réalisé par le système de l’invention.
La figure 6 représente un exemple des points qui définissent des évents figurant sur une image d’un moule capturée dans un procédé réalisé par le système de l’invention.
La figure 7 représente un exemple des points extraits dans un procédé réalisé par le système de l’invention et formant une ou des ellipses.
La figure 8 représente un vecteur normal d’un évent identifié dans une image d’un moule capturée dans un procédé réalisé par le système de l’invention.
La figure 9 représente des évents identifiés par des contours analysés pendant un procédé réalisé par le système de l’invention.
Description détaillée
En se référant maintenant aux figures, sur lesquelles les mêmes numéros identifient des éléments identiques, la figure 3 représente un système d’insertion des soupapes (ou « système ») 100 de l’invention. Le système 100 met en œuvre un procédé de l’invention permettant l’insertion des soupapes (par exemple, des soupapes du type représenté dans la figure 2) dans des segments d’un moule de vulcanisation pour les pneumatiques (par exemple, un moule 10 du type représenté dans la figure 1 et ayant des segments 12). Le procédé divulgué incorpore une méthode d’apprentissage automatique qui est basée sur les données correspondantes aux images obtenues du moule dont l’algorithme employé analyse la surface interne du moule pour poser et pour insérer la soupape dans un évent identifié.
En se référant à la figure 3, un moule 10 est positionné sur une table de travail ou sur un support 50 équivalent pour que le système 100 puisse le traiter. Le support 50 peut être configuré pour se déplacer de manière rotative, de manière alternative verticale et/ou de manière alternative horizontale, permettant donc le traitement d’une variété de moules. En se référant encore à la figure 3, dans un mode de réalisation du système 100, le système comprend un robot 102 ayant un périphérique de préhension 104 soutenu par un bras allongé 106 pivotant. Le périphérique de préhension 104 s’étend du bras allongé 106 jusqu’à une extrémité libre 104a où un préhenseur 108 est disposé le long d’un axe longitudinal commun. La fixation du préhenseur 108 au périphérique de préhension 104 peut être réalisée par un vissage d’un adaptateur à l’extrémité libre 104a du périphérique de préhension. Il est entendu que la fixation du préhenseur 108 au périphérique de préhension 104 peut être réalisée par un ou des moyens de fixation connus (y compris, sans limitation, le soudage, le collage et des moyens équivalents).
Dans un mode de réalisation du préhenseur 108, le préhenseur comprend une pince 108a pivotante incorporant des doigts de prise (ou « doigts ») 108b qui s’étendent d’une plateforme 108c (où l’adaptateur réalise la fixation de la pince 108a à l’extrémité libre 104a du périphérique de préhension 104). Chaque doigt 108b comprend un membre avec une longueur prédéterminée qui s’étend entre une extrémité d’actuation (où le mouvement du doigt est réalisé) et une extrémité de prise opposée (où le doigt agrippe une soupape 200 retenue par la pince pendant le procédé mis en œuvre par le système 100). Chaque doigt 108b a une surface de prise interne qui engage la soupape 200 pendant l’insertion dans un évent identifié et une surface externe opposée. Les doigts 108b sont disposés pour qu’un espace prédéterminé soit défini entre les surfaces de prise, permettent le mouvement des doigts le long d’un axe commun pendant le procédé mis en œuvre par le système 100. Ainsi, le robot 102 facilite la prise d’une variété de soupapes sans interruption du mouvement linéaire des doigts.
Le mouvement alternatif d’un ou des doigts 108b peut être réalisé par un ou des vérins connus qui sont actionnés par un fluide sous pression (par exemple, de l’air comprimé) en provenance d’un conduit (pas représenté). En conséquence, le mouvement de chaque doigt 108b réalise le mouvement linéaire correspondant des doigts entre une position d’attente (où les surfaces de prise restent sensiblement parallèles avec l’espace entre eux) (non représentées) et une position de prise (où les surfaces de prise s’approchent pour engager la soupape 200 et pour la poser dans une position d’insertion par rapport à une surface interne 10a du moule 10) (voir la figure 3). Le ou les vérins sont choisis parmi des vérins de commerce.
Pendant le procédé mis en œuvre par le système 100, le robot 102 peut être mis en mouvement pour que le préhenseur 108 puisse réaliser la prise de la soupape 200 (comme décrit ci-dessous). Grâce aux doigts 108b, le préhenseur 108 réalise une préhension pour tenir la soupape 200 pendant un déplacement du préhenseur entre une position de prise (dans laquelle le préhenseur 108 réalise la prise d’une soupape choisie pour insertion dans un évent identifié correspondant) (voir la figure 3) et une position d’insertion (dans laquelle le préhenseur 108 pose la soupape prise pour l’insérer dans l’évent identifié) (non représenté). Dans les modes de réalisation du préhenseur 108 comprenant les doigts de prise 108b, la position de prise du préhenseur 108 signifie que les doigts sont dans leur position de prise de la soupape choisie. Dans tous les modes de réalisation du robot 102, le robot peut être configuré pour avoir six degrés de liberté lui permettant de se déplacer sur les six axes. Dans tous les modes de réalisation, le robot 102 peut être disposé sur un support 55 qui est configuré pour se déplacer de manière rotative, de manière alternative verticale et/ou de manière alternative horizontale, permettant donc le traitement d’une variété de moules.
Le robot 102 est mis en mouvement pour poser la soupape 200 pour insertion dans un évent identifié dans un segment 10A du moule 10. Dans un mode de réalisation du système 100, le robot 102 peut faire partie d’un robot itinérant qui peut être mis en mouvement soit par des moyens de mouvement intégrés (par exemple, un ou des moteurs intégrés) soit par des moyens de mouvement non-intégrés (par exemple, un ou des chariots mobiles autonomes ou d’autres moyens mobiles équivalents). Dans un autre mode de réalisation du système 100, le robot 102 peut être attaché à un plafond, à un sol, à un mur ou à n’importe quel support qui permet la réalisation du procédé mis en œuvre par le système 100 (voir, par exemple, le support 55 de la figure 3). Il est entendu qu’un tel robot peut être un robot industriel classique ou un robot collaboratif voire un robot delta ou à câble.
Le robot 102 inclut un système de détection qui utilise un ou plusieurs capteurs (non représentés) pour sentir l'information sur l'environnement physique autour du robot. Dans la description qui suit, les termes "capteur", "appareil photo", "caméra" et "capteur optique" peuvent être utilisés de manière interchangeable et peuvent se référer à un ou plusieurs appareils configurés pour effectuer une détection d'images bidimensionnelles (2D) et/ou tridimensionnelles (3D), une détection de profondeur en 3D, et/ou d'autres types de détection de l’environnement physique autour du robot 102. Dans des modes de réalisation du système 100, les capteurs du système de détection incorporés avec le robot 102 peuvent être fixés au bras allongé 106 (par exemple, à l’extrémité 104a) et/ou au préhenseur 108 du robot.
Le ou les capteurs du système de détection du robot 102 détectent la présence d’un ou des évents d’un moule. A titre d’exemple, une surface interne 10a d’un segment 10A d’un moule 10 de vulcanisation est représenté dans la figure 4 (la figure 4 représente une photo de la surface interne 10a prise avec une caméra du type RGB). Une pluralité d’évents 150 sont dispersés le long de la surface interne 10a du segment 10A, chaque évent recevant une soupape 200 correspondante. Il est attendu que chaque évent est sensiblement cylindrique et que tous les évents 150 ont des diamètres sensiblement pareils.
Dans certains modes de réalisation du robot 102, le capteur se déclenche lorsqu'un segment d'un moule entre dans le champ de vision de la caméra. Dans les cas où une partie de moule n’est pas visible dans l’image obtenue par le système de détection du robot 102 (par exemple, la caméra du système de détection), un point d’ accroche peut être placé à une position connue par rapport au capteur (par exemple, à une distance horizontale connue et à une distance verticale connue par rapport à la position du capteur).
Le système de détection peut déterminer l’information sur l'environnement physique autour du moule 10 qui peut être utilisée par un système de contrôle du système 100 (le système de contrôle comprenant, par exemple, un logiciel de planification des mouvements du robot 102). Le système de contrôle pourrait se trouver sur le robot 102 ou il pourrait être en communication à distance avec le robot. Dans des modes de réalisation du système 100, un ou plusieurs capteurs 2D ou 3D montés sur le robot 102 (y compris, sans limitation, des capteurs de navigation) peuvent être intégrés pour constituer un modèle numérique de l'environnement physique (y compris, où applicable, le ou les côtés, le sol et le plafond). En utilisant les données obtenues, le système de contrôle peut provoquer le mouvement du robot 102 pour naviguer entre les positions de prises des soupapes pendant leur insertion dans le moule 10.
Dans un mode de réalisation du système 100, le système de détection comprend au moins une caméra qui fournit des images 3D représentées en un ensemble de points 3D avec des coordonnées (X, Y, Z), et parfois des valeurs de couleur rouge, vert, bleue (le format « RGB » ou « RGB-D ») (appelé « une caméra du type RGB-D »). Dans ce mode de réalisation, une caméra du type RGB-D est fixée au robot 102 (par exemple, à l’extrémité 104a et/ou au préhenseur 108). Deux ou plusieurs caméras RGB-D peuvent être orientées de manière à obtenir un chevauchement prédéterminé entre les champs de vision des caméras. Comme utilisé ici, le terme « caméra » inclut une ou plusieurs caméras.
Les caméras RGB-D fournissent généralement des informations sur la profondeur en utilisant des cartes de profondeur, étant des images où chaque pixel contient la distance entre la caméra et le point correspondant dans l'espace. Par rapport aux méthodes de mesure traditionnelles telles que la mesure manuelle et d'autres mesures basées sur des dispositifs électroniques, les données de nuages de points 3D provenant des caméras du type RGB-D ont un taux de mesure beaucoup plus élevé. En utilisant une structure plus éparse, un nuage de points peut être construit à partir des images RGB-D en calculant le monde réel (par exemple, les coordonnées (X, Y, Z) avec les données intrinsèques d’une caméra de numérisation. Ainsi, l’information sur l'environnement physique autour du système 100 est obtenue des données de nuages de points 3D obtenues à partir de technologies de détection qui sont capables de capturer les géométries de surface 3D des moules de manière précise et efficace. Ces technologies de détection pourraient être choisies parmi les dispositifs disponibles dans le commerce (choisis, par exemple, parmi des caméras vendues sous la marque ZIVID® de la société Zivid AS, des systèmes de vision artificielle vendus par la société Cognex Corp., et leurs équivalents).
Le terme « nuage de point » (ou « point cloud » en anglais) (au singulier ou au pluriel) est utilisé ici pour faire référence à une ou des collections de points de données dans l'espace. Une ou des caméras (ou un ou des appareils équivalents) peuvent recueillir des données tridimensionnelles (3D) et détectent les surfaces des objets (par exemple, un segment 10A d’un moule 10) grâce à une série de coordonnées. Le stockage des informations sous la forme d'une collection de coordonnées spatiales peut permettre d'économiser de l'espace, car de nombreux objets ne remplissent pas une grande partie de l'environnement. Même si l'information n'est pas visuelle, l'interprétation des données comme un nuage de points aide à comprendre la relation entre plusieurs variables au moyen de la classification et la segmentation.
Il est entendu qu’une ou des caméras peuvent inclure un ou des modes de programmation, y compris par apprentissage, pour alimenter, modifier et entraîner au moins un réseau neuronal. Le système de détection du robot 102 détecte la présence d’un agencement d’évents 150 dans le champ de vision du système de détection (par exemple, le champ de vision d’une caméra du système 100), ce qui le déclenche pour capturer l'image d’une surface interne 10a du segment 10A d’un moule 10 (voir la figure 4). Dans tous les modes de réalisation du système 100, le système « cherche », dans l’image obtenue par le système de détection, la présence des évents « vus » par le robot 102. Si aucun évent n’est détecté, le système de détection continue d’obtenir les images jusqu’à ce que la recherche du moule 10 soit épuisée. Les points du périmètre de chaque évent détecté sont extraits pour déterminer son centre en préparation de l’insertion d’une soupape correspondante. Le système de détection du système 100 peut comprendre un moyen de télémètre qui est utilisé dans l’espace de travail du moule 10 pour en déduire ses dimensions. Dans ce mode de réalisation, le moyen de télémètre comprend un scanner (non représenté) pour balayer toute la surface interne 10a du moule 10 en temps réel dans l'environnement physique autour du moule. Un tel scanner permet une génération précise du moule. Le scanner peut être fourni ensemble avec un système de vision (non représenté) configuré pour localiser précisément les évents dans un scénario en temps réel sur la base du profil 3D généré par le scanner.
Le système de vision peut recevoir un fichier CAO du moule 10 pour mettre en correspondance l'emplacement d’un évent à partir du fichier CAO, avec l’évent identifié en temps réel pour localiser et déterminer avec précision ses coordonnées. Le système de vision peut recevoir le fichier CAO par des méthodes de transmission de données connues de l'homme de l'art. Le système de vision peut en outre comprendre au moins une caméra et au moins un capteur (non représenté) pour déterminer l'emplacement (i.e., les coordonnées) des évents sur la base des données recueillies en temps réel et/ou du profil de contour généré par le scanner.
Pour mettre en œuvre le procédé de l’invention par moyen d’ordinateur, le système 100 comprend un réseau de communication (ou « réseau ») qui gère les données entrantes au système des sources variées (par exemple, à partir d’au moins un robot 102 et le système de détection associé). Le réseau de communication incorpore un ou des serveurs de communication (ou « serveurs ») comprenant chacun un ou des processeurs connectés de manière opérationnelle à une mémoire. La mémoire est configurée pour stocker une application d'analyse des données représentatives des moules (et des segments des moules) imagés. Le ou les processeurs comprennent un module d’exécution d’application d’analyse qui réalise le traitement des images, dont le ou les processeurs sont capables d'exécuter des instructions programmées stockées dans la mémoire pour réaliser les étapes du procédé (comme décrites ci-dessous).
Le terme « processeur » (ou, alternativement, le terme "circuit logique programmable") désigne un ou plusieurs dispositifs capables de traiter et d'analyser des données et comprenant un ou plusieurs logiciels pour leur traitement (par exemple, un ou plusieurs circuits intégrés connus par l’homme de métier comme étant inclus dans un ordinateur, un ou plusieurs contrôleurs, un ou plusieurs microcontrôleurs, un ou plusieurs micro-ordinateurs, un ou plusieurs automates programmables (ou « PLC »), un ou plusieurs circuits intégrés spécifiques à une application, un ou plusieurs réseaux de neurones, et/ou un ou plusieurs autres circuits programmables équivalents connus). Le processeur comprend un ou des logiciels pour le traitement des données capturées par le système de détection du système 100 (et les données correspondantes obtenues) ainsi qu'un ou des logiciels pour l'identification et la localisation des variances et l’identification de leurs sources pour les corriger.
Dans le système 100, la mémoire peut comprendre à la fois des dispositifs de mémoire volatiles et non volatiles. La mémoire non volatile peut comprendre des mémoires à l'état solide, telles que la mémoire flash NAND, la mémoire « vive » (ou « keep-alive memory » ou « KAM ») pour sauvegarder des variables diverses de fonctionnement pendant que le processeur est hors tension, des supports de stockage magnétiques et optiques, ou tout autre dispositif de stockage de données approprié qui conserve les données lorsque le système 100 est désactivé ou perd son alimentation électrique. La mémoire volatile peut comprendre une mémoire statique et dynamique RAM qui stocke des instructions de programme et des données, y compris une application d'apprentissage.
En se référant encore aux figures 1 à 4, et en outre aux figures 5 à 9, une description détaillée est donnée à titre d’exemple des modes de réalisation d’un procédé de l’invention (ou « procédé ») mis en œuvre par le système 100. Il est bien entendu que le système 100 peut mettre en œuvre le procédé de l’invention dans n’importe quel environnement physique sans connaissance préalable de la configuration du moule.
Tel qu'utilisé ici, le terme “procédé” ou “processus” peut comprendre une ou plusieurs étapes effectuées par au moins un système informatique comportant un ou des processeurs pour exécuter des instructions qui effectuent les étapes. Sauf indication contraire, toute séquence d'étapes est donnée à titre d’exemple et ne limite pas les procédés décrits à une quelconque séquence particulière.
Dans la description suivante, des modes de réalisation du procédé de l’invention sont décrits dont la précision des informations obtenues par le système de détection (par exemple, la caméra) diffère.
En réalisant le procédé de l’invention, le système 100 incorpore une combinaison de techniques de vision et d'apprentissage automatique pour reconstruire correctement et rapidement la scène observée à partir de nuages de points dispersés tridimensionnels (ou « 3D »), issus d’une vue du segment 10A du moule 10. Le système 100 réalise donc une amélioration continue dans la reconnaissance des évents et leur distribution relative le long de la surface interne 10a du moule 10.
En lançant un mode de réalisation du procédé de l’invention, le procédé comprend une étape de positionnement du moule 10 dans le champ de vue du système de détection du robot 102 (par exemple, le positionnement du moule sur le support 50 comme représenté dans la figure 3). Le moule 10 est positionné de sorte que les évents 150 définis le long de la surface interne 10a d’au moins un segment 10A sont visibles dans le champ de détection du capteur (voir la figure 4). Pendant cette étape, le robot 102 (et particulièrement le système de détection intégré) vient survoler le moule 10.
Le procédé comprend en outre une étape d’annotation des positions d’échantillons des évents consacrés à l’apprentissage. Pendant cette étape, une référence est créée des coordonnées des évents cherchés dans des images capturées par le système de détection du robot 102 (par exemple, une caméra du type RGB). La référence de coordonnées des évents qui est créée pendant cette étape comprend des images attendues correspondant aux évents 150 distribués le long de la surface interne 10a du moule 10. Cette étape peut être réalisée en avance d’autres étapes du procédé de l’invention pour alimenter un réseau neuronal les vraies coordonnées des évents et leurs positionnements relatifs l’un par rapport à l’autre. Dans ce mode de réalisation du procédé, au moins une partie de la référence des évents peut être créée par un ou des hommes du métier.
Dans des modes de réalisation du procédé, pendant cette étape, un réseau neuronal peut être entraîné pour permettre de reconnaître les vraies coordonnées des évents et de créer des boîtes englobantes (ou « régions encadrées ») autour des évents reconnus. Pendant cet entraînement, les coordonnées de la boîte englobante de l’évent reconnu sont mises en corrélation avec les coordonnées des évents cherchés pour calculer des déplacements entre elles. Les régions encadrées et les calculs de déplacement sont transmis à un réseau neuronal (par exemple, un ou des CNNs) pour apprendre conjointement la représentation d’un évent dans des perspectives différentes des images prises par le système de détection du robot 102.
Dans ce mode de réalisation du procédé de l’invention, le procédé comprend en outre une étape de capture des images du moule 10 (et plus particulièrement, la capture des images de la surface interne 10a du segment 10A du moule). Cette étape, qui est réalisée par le robot 102 (et particulièrement par le système de détection associé), comprend une étape de balayage du système de détection du robot 102 au-dessus du segment 10A de moule 10. Chaque image capturée pendant cette étape est composée d'une matrice de pixels où chaque pixel a une couleur différente et une luminosité qui indique la position d’un évent 150 du moule 10. Les images obtenues, révélant une ou des positions des évents 150, entraînent au moins un réseau neuronal pour identifier toutes les positions attendues des évents dans le moule 10 imagé. Ainsi, ces variations d’images servent d'entrée au réseau neuronal dont les sorties sont la classification des coordonnées des évents.
Pendant cette étape, l’algorithme du module d’exécution a pour le but de repérer et d’indiquer automatiquement le profil externe de l’évent ainsi que les interfaces les périmètres de l’évent (par exemple, son diamètre et l’angle de son axe cylindrique par rapport à la courbure de la surface interne 10a du moule 10). Pendant cette étape, le module d’exécution emploie donc un logiciel d’annotation permettant de construire des boîtes englobantes autour des évents 150 figurant sur l’image du moule 10 (voir la figure 7).
Le processeur du système 100 forme en permanence le réseau neuronal à partir des données nouvellement saisies des images des moules obtenus par le système de détection du robot 102. Afin de détecter automatiquement les limites entre les évents et le matériau métallique du moule environnant, le robot 102 prend des images (qui peuvent inclure des vidéos) et recueille un ensemble de données d'images à partir de plusieurs moules du même type (par exemple, du type représenté par le moule 10 de la figure 4). Avant d'être enregistré, l'ensemble de données des images peut être annoté sur la base des données saisies par l’opérateur pour créer les données de vérité de terrain. Par exemple, dans certaines modes de réalisation, pour aider le réseau neuronal à détecter et identifier les limites de l’évent 150 et/ou le matériau métallique du moule environnant, l'ensemble des données des images est annoté. Les variations connues sont identifiées manuellement sur la base des connaissances de professionnels des moules.
Pendant cette étape, le processeur du serveur peut utiliser les données de vérité terrain (ou « ground truth » en anglais) pour entraîner et/ou développer un ou des réseaux neuronaux afin de détecter automatiquement l'espace où l'objet (par exemple, les évents 150 du moule 10). En tant que telles, les données de vérité de terrain telles que décrites ici se réfèrent généralement à des informations fournies par l'observation directe des professionnels sur le terrain par opposition aux informations fournies par inférence. Elles peuvent disposer de données provenant de plusieurs sources, y compris de plusieurs professionnels situés dans des endroits éloignés, pour développer le réseau neuronal. Une boucle de rétroaction des images annotées peut être mise à jour avec des données de vérité de terrain supplémentaires au fil du temps afin d'améliorer la précision du système 100.
Dans ce mode de réalisation du procédé de l’invention, le procédé comprend en outre une étape de reconstruction du segment 10A par une numérisation tridimensionnelle avec un degré de résolution élevée. Pendant cette étape, le biais d’une caméra 3D du système de détection est utilisé dans l’espace de travail du moule 10 pour reconstruire immédiatement le volume du segment 10A et d’en déterminer les dimensions et de délimiter sa zone de travail. Cette étape comprend la construction d’une base de données annotée stockant les images RGB, les coordonnées (X,Y,Z) des pixels des images obtenues ainsi que les coordonnées des boîtes englobantes. Pendant cette étape, l’algorithme du module d’exécution a pour but d’extraire les points qui définissent chaque évent 150 (voir la figure 8). En utilisant les points extraits ensemble avec leurs coordonnées (X, Y, Z) et l’analyse de la surface dont l’évent est défini par ces points, il est possible de trouver le centre C150 de chaque évent reconstruit (voir encore la figure 8) et donc le vecteur normal du plan de surface. L’orientation de l’évent 150 reconstruit par rapport à la surface interne 10a du moule 10 indique l’orientation correspondante d’une soupape pour réaliser son insertion correcte dans le moule. Ainsi, l’emplacement du moule 10 et ses limites peuvent être déduits ainsi que sa géométrie (y compris les éléments de sculpture), la surface interne 10a, les normales en tout point du moule, les évents 150 servant à insérer les soupapes.
Dans ce mode de réalisation du procédé de l’invention, le procédé comprend en outre une étape d’analyse des contours de chaque évent 150. Dans ce mode de réalisation du procédé de l’invention, la caméra 3D du système de détection du robot 102, par la largeur de son spectre de mesure, donne une meilleure précision en calculant la normale sur le plan homogénéisé sur la surface interne 10a du moule 10. Pendant cette étape, chacun des points extraits (y compris le centre C150) a des coordonnées correspondantes.
Cette étape comprend une étape de détermination du plan de surface en trouvant la forme la plus proche du cercle que représente 1’ évent cherché. En raison du positionnement de l’évent le long de la surface interne 10a du moule 10 (ayant des parties sensiblement courbées), il est entendu que les points extraits peuvent former une ou des ellipses (voir les ellipses données à titre d’exemple dans la figure 9).
Cette étape comprend aussi une étape de détermination du vecteur normal au plan de surface déterminé pendant l’étape précédente. En se référant à la figure 8 , un vecteur normal déterminé passe le centre C150 de l’évent 150 pour retrouver l’axe d’insertion X200 de la soupape 200 (orienté, par exemple, à un angle a par rapport à la surface interne 10a du moule 10). Cette étape va permettre au robot 102 de choisir et d’orienter une soupape de diamètre approprié (par exemple, une soupape du type représenté dans la figure 2) pour assurer son insertion correcte dans l’évent correspondant.
Dans ce mode de réalisation du procédé de l’invention, le procédé comprend en outre une étape de détermination du diamètre de l’évent permettant le perçage d’une soupape du diamètre correspondant. En se référant à la figure 9 , chaque évent 150 est identifié par un contour 150A analysé dans l’étape précédente. Le centre C150 correspondant est identifié par un point. Pendant cette étape, l’algorithme du module d’exécution a pour le but de reconnaître le diamètre qui correspond au plus proche des diamètres des évents connus (connus, par exemple, dans la référence des évents créée pendant l’étape d’annotation de ce mode de réalisation du procédé).
Dans ce mode de réalisation du procédé de l’invention, le procédé comprend en outre une dernière étape de positionnement de la soupape 200 dans l’évent identifié ayant le diamètre correspondant. Pendant cette étape, le robot 102 reçoit les coordonnées d’un évent identifié pour que le robot puisse choisir la soupape du diamètre approprié (par exemple, une soupape du type représenté dans la figure 2). Pendant cette étape, le robot 102 peut choisir la soupape par le biais d’un changeur d’outil et d’un système d’amené des soupapes (les deux étant connus dans le commerce). Pendant cette étape, le robot 102 peut se positionner à l’aplomb de l’évent 150 identifié, dans l’axe d’insertion de celui-ci et insuffler la soupape. Une fois la soupape pré-positionnée grâce à sa forme (soit conique soit étagée), le robot 102 peut procéder à l’enfonçage, soit par le biais de la tête d’amené des soupapes, soit, en poussant celle-ci avec une zone dédiée d’un effecteur déposé à l’extrémité 104a (non représenté). L’usage des réseaux neuronaux apporte une robustesse dans la détermination des évents et surtout la rapidité qui s’affranchit de calculs longs. Bien que les incarnations soient décrites ici en ce qui concerne l'utilisation des réseaux neuronaux (et plus particulièrement des réseaux neuronaux convolutifs, ou « convolutional neural network » en anglais or « CNN ») comme modèle d'apprentissage machine, d'autres types de modèles d'apprentissage machine peuvent être utilisés. Ceux-ci incluent, sans limitation, les modèles utilisant la régression linéaire, la régression logistique, les arbres de décision, les machines à vecteurs de support, les Bayes naïfs, le voisin le plus proche (knn), K signifie regroupement, forêt aléatoire, les algorithmes de réduction de la dimensionnalité, les algoïsmes à gradient, les réseaux de neurones (par exemple, les autoencodeurs, les RNN, les percéptrants, la mémoire logarithmique à court terme (LSTM), Hopfield, Boltzmann, la croyance profonde, la déconvolution, la confrontation générative (GAN), etc. ) et leurs compléments et équivalents. Le ou les CNNs peuvent être formés avec des données de vérité de terrain (ou « ground truth » en anglais) qui sont générées en utilisant des données de capteurs représentatives du mouvement du robot 102, y compris le positionnement du préhenseur 108.
Une ou des étapes de ce mode de réalisation du procédé de l’invention emploie l’usage d’un réseau neuronal du type transformer déformable (ou « DETR déformable » ou « DETR »). Le DETR est utilisé pour la détection d'objets de bout en bout, en combinant des réseaux neuronaux du type CNN et des codeurs-décodeurs du type « Transformer ». Le DETR réduit d’abord les calculs en ne s'intéressant qu'à un petit ensemble de points d'échantillonnage clés autour d'une référence (par exemple, les points forment le contour 150A autour d’un évent 150 du moule 10) (voir la figure 9). Le DETR utilise ensuite un module d'attention déformable pour agréger des caractéristiques multi-échelle afin de faciliter la détection de petits objets. Par conséquent, le DETR peut modéliser des dépendances entre des objets éloignés dans la scène observée pour atteindre la capacité de détecter, de localiser et de classer automatiquement et avec précision des évents dont l'insertion des soupapes correspondantes est prévue.
Dans tous les modes de réalisation du procédé de l’invention, le procédé peut comprendre en outre une étape de contrôle facultative après l’insertion des soupapes 200 dans les évents 150 du moule 10. Pendant cette étape, un opérateur peut réaliser un contrôle manuel unitaire de tout ce que le robot 102 propose. Pendant cette étape, un contrôle entièrement automatique peut être réalisé, impliquant une détection de présence et/ou un palpeur pour valider la présence ainsi que le bon fonctionnement des soupapes.
Il est entendu que tous les modes de réalisation du procédé de l’invention peuvent être réalisés dans la même usine (par exemple, par une seule installation incorporant le système 100). En utilisant le système 100 de l’invention pour réaliser le procédé divulgué, n’importe quel moule présenté au système 100 est analysé de la même façon. Il n’existe aucun besoin de connaître le fichier CAO à l’avance ou de disposer d’aménagements dans le moule pour le positionner de façon irréprochable. Le système 100 est nativement conçu pour s’accommoder des variations, ce qui donne, par exemple, la possibilité de travailler avec des moules de tiers et/ou des moules retouchés à la main.
Le système 100 de l’invention peut inclure des préprogrammations des informations concernant les événements attendus. Par exemple, un réglage du procédé de l’invention peut être associé avec les paramètres des environnements physiques typiques dans lesquels le système 100 fonctionne (par exemple, les installations de production des pneumatiques). Dans des modes de réalisation de l’invention, le système 100 (ou un autre système incorporant le système 100) peut recevoir des commandes audios (y compris des commandes vocales) ou d'autres données audio représentant (pour exemple, une marche ou un arrêt d’une ou des étapes du procédé de l’invention). La demande peut inclure une demande pour l'état actuel d'un procédé en cours (par exemple, le nombre de soupapes insérées par rapport au nombre d’ évents 150 dans le moule 10 prévus pour recevoir un évent correspondant). Une réponse générée peut être représentée de manière audible, visuelle, tactile (par exemple, en utilisant une interface haptique) et/ou virtuelle et/ou augmentée. Cette réponse, ensemble avec les données correspondantes, peuvent être enregistrées dans un réseau neuronal.
Il est entendu que le système 100 peut inclure plusieurs dispositifs informatiques qui réalisent divers aspects de l'apprentissage. Dans ces modes de réalisation, le processeur peut configurer le système 100 sur un ou plusieurs paramètres d’un évent et sa localisation connue. Dans ces modes de réalisation, il est entendu qu’un ou des moyens de l’apprentissage par renforcement (ou « reinforcement learning ») pourraient être employés.
Pour toutes les réalisations du système 100, un système de surveillance pourrait être mis en place. Au moins une partie du système de surveillance ou de « alerting » peut être fournie dans un dispositif portable tel qu'un dispositif de réseau mobile (par exemple, un téléphone mobile, un ordinateur portable, un ou des dispositifs portables connectés au réseau (y compris des dispositifs « réalité augmentée » et/ou « réalité virtuelle », des vêtements portables connectés au réseau et/ou toutes combinaisons et/ou tous équivalents). Il est envisageable que des étapes de détection et de comparaison puissent être réalisées de manière itérative.
Les termes « au moins un(e) » et « un(e) ou plusieurs » sont utilisés de manière interchangeable. Les gammes qui sont présentées comme se situant « entre a et b » englobent les valeurs « a » et « b ».
Bien que des modes de réalisation particuliers de l’appareil révélé aient été illustrés et décrits, on comprendra que divers changements, additions et modifications peuvent être pratiqués sans s’écarter de l’esprit ni de la portée du présent exposé. Par conséquent, aucune limitation ne devrait être imposée sur la portée de l’invention décrite à l’exception de celles exposées dans les revendications annexées.

Claims

Revendications
1. Système (100) mettant en œuvre un procédé permettant d’identifier des évents (150) d’un moule (10) de vulcanisation pour les pneumatiques comprenant un ou des segments (10A) et une surface interne (10a) dont les évents sont dispersés pour permettre l’insertion des soupapes (200) correspondantes dedans, caractérisé en ce que le système comprend : un robot (102) incorporant un système de détection avec un ou plusieurs capteurs qui détectent la présence d’un ou des évents (150) dispersés le long de la surface interne (10a) du segment (10A) du moule (10) ; un réseau de communication qui gère les données entrantes au système (100) à partir du système de détection ; et un ou des serveurs de communication, chacun comprenant un ou des processeurs connectés de manière opérationnelle à une mémoire configurée pour stocker une application d'analyse des données représentatives des moules imagés, et le ou les processeurs comprenant un module d’exécution de l’application d’analyse qui réalise le traitement des images, dont le ou les processeurs sont capables d'exécuter des instructions programmées stockées dans la mémoire pour réaliser les étapes suivantes : une étape de détection d’une présence d’un agencement d’évents (150) dans le champ de vue du système de détection, ce qui déclenche pour capturer au moins une image de la surface interne (10a) du segment (10A) du moule (10) ; et une étape de recherche, dans l’image capturée par le système de détection, de la présence des évents (150) détectés, de sorte que le système de détection continue de capturer les images si aucun évent n’est détecté, jusqu’à ce que la recherche du moule (10) soit épuisée.
2. Système (100) de la revendication 1, dans lequel le système de détection comprend au moins une caméra tridimensionnelle (3D) du type RGB-D fixée au robot (102) qui fournit des images 3D représentées en un ensemble de points 3D avec des coordonnées (X, Y, Z).
3. Système (100) de la revendication 2, dans lequel le ou les processeurs sont capables d'exécuter des instructions programmées stockées dans la mémoire pour réaliser les étapes suivantes : une étape d’annotation des positions d’échantillons des évents (150), cette étape comprenant une étape de création d’une référence de coordonnées des évents cherchés dans des images capturées par le système de détection du système (100) ; une étape de reconstruction du segment (10A) comprenant une étape de construction d’une base de données annotée stockant des images capturées et des coordonnées (X,Y,Z) des pixels des images capturées ; une étape d’analyse des contours (150A) des évents (150) réalisée par le module d’exécution d’application d’analyse du système (100), cette étape comprenant une étape de détermination du plan de surface en trouvant la forme la plus proche d’un cercle qui représente l’évent (150) cherché, cette étape comprenant en outre une étape de détermination du vecteur normal au plan de surface déterminé pour retrouver l’axe d’insertion (X200) de la soupape (200) ; et une étape de détermination du diamètre de l’évent permettant le perçage d’une soupape (200) du diamètre correspondant, pendant laquelle chaque évent (150) est identifié par un contour (150A) analysé pendant l’étape d’analyse des contours des évents, et pendant laquelle un centre (C150) correspondant est identifié par un point ; de sorte que le système (100) reçoit les coordonnées d’un évent identifié pour choisir une soupape (200) du diamètre approprié.
4. Système (100) de la revendication 3, dans lequel le module d’exécution de l’application d’analyse stockée dans la mémoire du système emploie un logiciel d’annotation permettant de construire des boîtes englobantes autour des évents (150) figurant sur l’image capturée du moule (10).
5. Système (100) de la revendication 4, dans lequel le processeur du système forme en permanence au moins un réseau neuronal dont la sortie est la classification des coordonnées des évents (150), de sorte que les images capturées révèlent les positions des évents (150).
6. Système (100) de la revendication 5, dans lequel l’au moins un réseau neuronal est choisi parmi des réseaux neuronaux convolutifs (CNNs).
7. Système (100) de la revendication 6, dans lequel une ou des étapes emploient l’usage d’un réseau neuronal du type transformer déformable (DETR).
8. Système (100) de l’une quelconque des revendications 1 à 7, dans lequel le robot (102) comprend un périphérique de préhension (104) soutenu par un bras allongé (106) pivotant, le périphérique de préhension (104) s’étendant du bras allongé (106) jusqu’à une extrémité libre (104a) où un préhenseur (108) est disposé le long d’un axe longitudinal commun.
9. Système (100) de la revendication 8, dans lequel le préhenseur (108) comprend une pince (108a) pivotante incorporant des doigts de prise (108b) qui s’étendent d’une plateforme (108c) où la fixation de la pince à l’extrémité libre (104a) du périphérique de préhension (10) est réalisée, chaque doigt (108b) comprenant un membre avec une longueur prédéterminée qui s’étend entre une extrémité d’actuation (108b’), où le mouvement du doigt est réalisé, et une extrémité de prise (108b”) opposée, où le doigt agrippe la soupape (200).
10. Système (100) de l’une quelconque des revendications 1 à 9, dans lequel le ou les processeurs sont capables d'exécuter des instructions programmées stockées dans la mémoire pour réaliser une étape de mise en mouvement du robot (102) pour qu’il puisse poser la soupape (200) pour insertion dans un évent identifié dans un segment (10A) du moule (10).
11. Procédé mis en œuvre par un système (100) de l’une quelconque des revendications 1 à 10 permettant d’identifier des évents (150) d’un moule (10) de vulcanisation pour les pneumatiques comprenant un ou des segments (10A) et une surface interne (10a) dont les évents sont dispersés pour permettre l’insertion des soupapes (200) correspondantes dedans, caractérisé en ce que le procédé comprend les étapes suivantes : une étape de positionnement du moule (10) dans un champ de vue d’un système de détection du système (100), de sorte que les évents (150) définis le long de la surface interne (10a) d’au moins un segment (10A) sont visibles, pendant laquelle le système de détection vient survoler le moule (10) ; une étape de détection d’une présence d’un agencement d’évents (150) dans le champ de vue du système de détection, ce qui déclenche pour capturer au moins une image de la surface interne (10a) du segment (10A) du moule (10) ; et une étape de recherche, dans l’image capturée par le système de détection, de la présence des évents (150) détectés, de sorte que le système de détection continue de capturer les images si aucun évent n’est détecté, jusqu’à ce que la recherche du moule (10) soit épuisée.
12. Procédé de la revendication 11, comprenant en outre une étape de contrôle réalisée après l’insertion des soupapes (200) dans les évents (150) du moule (10).
13. Procédé de la revendication 11 ou de la revendication 12, comprenant en outre une dernière étape de positionnement du robot (102) à l’aplomb d’un évent (150) identifié, dans l’axe d’insertion (X200) de celui-ci, pendant laquelle le robot insuffle la soupape (200).
PCT/EP2023/068606 2022-07-13 2023-07-05 Systeme et procede d'acquisition et de determination des axes des soupapes dans des moules de vulcanisation de pneumatiques WO2024012960A1 (fr)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FRFR2207219 2022-07-13
FR2207219A FR3137867B1 (fr) 2022-07-13 2022-07-13 Système et Procédé d’Acquisition et de Détermination des Axes des Soupapes dans des Moules de Vulcanisation de Pneumatiques

Publications (1)

Publication Number Publication Date
WO2024012960A1 true WO2024012960A1 (fr) 2024-01-18

Family

ID=84331362

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2023/068606 WO2024012960A1 (fr) 2022-07-13 2023-07-05 Systeme et procede d'acquisition et de determination des axes des soupapes dans des moules de vulcanisation de pneumatiques

Country Status (2)

Country Link
FR (1) FR3137867B1 (fr)
WO (1) WO2024012960A1 (fr)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0774333B1 (fr) 1995-11-20 2001-01-31 Continental Aktiengesellschaft Moule de vulcanisation de pneumatiques avec système d'évacuation d'air
KR100845093B1 (ko) 2007-05-09 2008-07-09 서영길 타이어 가류금형용 스프링 미니벤트 제조장치
DE102010060901A1 (de) 2010-11-30 2012-05-31 Continental Reifen Deutschland Gmbh Vorrichtung zur Montage von Entlüftungsventilen in Formsegmente einer Vulkanisationsform
US10239270B2 (en) 2013-12-04 2019-03-26 Compagnie Generale Des Etablissements Michelin Segmented mold for a tire and related molding method
WO2021176943A1 (fr) * 2020-03-04 2021-09-10 横浜ゴム株式会社 Procédé de production d'un moule de vulcanisation de pneus et procédé de maintenance

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0774333B1 (fr) 1995-11-20 2001-01-31 Continental Aktiengesellschaft Moule de vulcanisation de pneumatiques avec système d'évacuation d'air
KR100845093B1 (ko) 2007-05-09 2008-07-09 서영길 타이어 가류금형용 스프링 미니벤트 제조장치
DE102010060901A1 (de) 2010-11-30 2012-05-31 Continental Reifen Deutschland Gmbh Vorrichtung zur Montage von Entlüftungsventilen in Formsegmente einer Vulkanisationsform
US10239270B2 (en) 2013-12-04 2019-03-26 Compagnie Generale Des Etablissements Michelin Segmented mold for a tire and related molding method
WO2021176943A1 (fr) * 2020-03-04 2021-09-10 横浜ゴム株式会社 Procédé de production d'un moule de vulcanisation de pneus et procédé de maintenance

Also Published As

Publication number Publication date
FR3137867B1 (fr) 2024-06-14
FR3137867A1 (fr) 2024-01-19

Similar Documents

Publication Publication Date Title
WO2017017371A1 (fr) Procédé optimise d'analyse de la conformité de la surface d'un pneumatique
EP1976671B1 (fr) Procede et systeme permettant la prehension automatisee de piece(s)
US9451810B2 (en) Automated identification of shoe parts
CA3206604A1 (fr) Systeme et procede de controle qualite de fabrication utilisant une inspection visuelle automatisee
Gélard et al. Model-based segmentation of 3D point clouds for phenotyping sunflower plants
Gibbs et al. Active vision and surface reconstruction for 3D plant shoot modelling
FR3021784A1 (fr) Procede de projection de donnees virtuelles et dispositif permettant cette projection
EP4182126B1 (fr) Contrôle automatique d'un système d'ébavurage de pièces
FR2888959A1 (fr) Procede et dispositif de simulation de cintrage d'un tube
EP3614306B1 (fr) Procédé de localisation et d'identification de visage et de détermination de pose, à partir d'une vue tridimensionnelle
JP2021515885A (ja) 照明条件を設定する方法、装置、システム及びプログラム並びに記憶媒体
FR3025918A1 (fr) Procede et systeme de modelisation automatisee d'une piece
CN111702772A (zh) 一种帮面自动引导涂胶方法及系统
WO2022104449A1 (fr) Systèmes et procédés de saisie et de placement
FR3086428A1 (fr) Procede, programme d'ordinateur et systeme de detection et localisation d'objet dans une scene tridimensionnelle
WO2024012960A1 (fr) Systeme et procede d'acquisition et de determination des axes des soupapes dans des moules de vulcanisation de pneumatiques
Ekambaram et al. Identification of defects in casting products by using a convolutional neural network
FR2976090A3 (fr) Procede d'acquisition selective de l'image tridimensionnelle de la surface d'un pneumatique par stereovision active et passive
WO2024089157A1 (fr) Systeme et procede d'acquisition et de determination des axes des soupapes dans des moules de vulcanisation de pneumatiques
Caporali et al. Deformable linear objects 3D shape estimation and tracking from multiple 2D views
EP3611496A1 (fr) Procédé de contrôle d'un cordon de jointure d'une pièce industrielle et système pour mettre en oeuvre ledit procédé
FR2997492A1 (fr) Procede d'etablissement d'un plan de recolement geolocalise, produit programme d'ordinateur et moyen de stockage correspondants
FR2987685A1 (fr) Procede de commande d'un robot pour le deplacement d'au moins un objet dispose sur un support dans un espace 3d
FR3113325A1 (fr) Système et Procédé de Reconnaissance Automatique des Interfaces dans des Profils de Produits des Pneumatiques
FR2992415A1 (fr) Procede d'etablissement d'un plan de recolement geolocalise, produit programme d'ordinateur et moyen de stockage correspondants

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: 23738739

Country of ref document: EP

Kind code of ref document: A1