Contribution à la mise en place d'un système d'identification et d'inspection de pièces moteurs à base de Réseaux de Neurones Convolutifs - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2022

Setting up an Engine parts recognition and control system based on Convolutional Neural Network and Deep Learning

Contribution à la mise en place d'un système d'identification et d'inspection de pièces moteurs à base de Réseaux de Neurones Convolutifs

Antoine Leger
  • Fonction : Auteur
  • PersonId : 1378746
  • IdRef : 277056837

Résumé

This work was carried out in partnership with the company F2J REMAN, located in Chaumont and part of the F2J Industry group, within the framework of an Industrial Agreement for Training through Research (CIFRE) partly financed by the National Association for Research and Technology (ANRT). This collaborative work between industry and research was conducted by Antoine LEGER at the ImViA laboratory in Dijon (21000) and directed by David FOFI, professor at ESIREM in Le Creusot (71200). The company is specialized in the renovation of industrial diesel engines and trucks. This manufacturing process involves a very large range of parts (several thousands), which can make the task of identifying them complex. The company expressed the need to develop a system capable of recognizing engine parts in a robust way. A machine vision system coupled with a convolutional neural network is proposed to answer the problem. Preliminary results show high identification performance on most parts. However, parts with elongated shapes (oil rods, pipes) but also very similar parts are a source of false positives and difficult to interpret. The objective of this work is to improve the vision system in its entirety (workstation and identification) but also to automate the operations required to generate a training model. Indeed, the neural network used is based on supervised learning and involves a time-consuming annotation task: part segmentation. F2J REMAN therefore wants an identification system coupled with an automation system so that new families of engine parts can be integrated without any programming knowledge. For this purpose, a contour extraction method is proposed, since the network expects images and contours as input. These different developments are implemented in an easy-to-use Human Machine Interface for operators. A comparison of the manual annotation method with the proposed method shows a significant time saving in the performance of this task. The recognition interface is linked to a database manager that allows the storage of illustrative images to be displayed during the identification phase to assist the operator in his control. In parallel with this work, an experimental vision station made up of technically different equipment was assembled. This test bench is based on the use of computer imaging processes such as stereo-photometry, the reconstruction of high-resolution color images and the generation of high dynamic range images (HDR).
Ces travaux de doctorat ont été réalisés en partenariat avec l'entreprise F2J REMAN située à Chaumont et faisant partie du groupe F2J Industry, dans le cadre d'une Convention Industrielle de Formation par la Recherche (CIFRE) financée en partie par l'Association Nationale de la Recherche et de la Technologie (ANRT). Ce travail de collaboration Industrie-Recherche a été mené par Antoine LEGER au sein du laboratoire ImViA à Dijon (21000) et dirigé par David FOFI, professeur à l'ESIREM au Creusot (71200). L'entreprise F2J REMAN est spécialisée dans la rénovation de moteurs diesel industriels et de camions. Ce processus de rénovation implique une très grande gamme de pièces (plusieurs milliers), pouvant rendre complexe la tâche d'identification de ces dernières. L'entreprise a émis le besoin de développer un système capable de reconnaître les pièces de moteur de façon robuste. Un système de vision industriel couplé à un réseau de neurones convolutifs est proposé afin de répondre à la problématique. Des résultats préliminaires montrent des performances d'identification élevées sur la majorité des pièces. Cependant, les pièces aux formes allongées (tiges d'huile, tuyaux) mais également des pièces très semblables sont source de faux-positifs et difficiles à interpréter. L'objectif de ces travaux est d'améliorer le système de vision dans sa globalité (poste de travail et identification) mais également d'automatiser les opérations nécessaires à la génération d'un modèle d'apprentissage. En effet, le réseau de neurones utilisé est basé sur un apprentissage supervisé et implique une tâche d'annotation significative en temps : la segmentation de pièces. F2J REMAN souhaite donc un système d'identification couplé à un système d'automatisation de sorte à pouvoir intégrer de nouvelles familles de pièces de moteur sans aucunes connaissances en programmation. Dans ce but, une méthode d'extraction de contours est proposée puisque le réseau attend en entrée des images et des contours. Ces différents développements sont implémentés dans une Interface Homme-Machine simple d'utilisation à destination des opérateurs. Une comparaison de la méthode d'annotation manuelle avec la méthode proposée montre un gain de temps significatif dans l'accomplissement de cette tâche. L'interface de reconnaissance est liée à un gestionnaire de base de données qui permet de stocker des images illustratives à afficher lors de la phase d'identification afin d'aider l'opérateur dans son contrôle. En parallèle de ces travaux, un poste expérimental de vision constitué de matériels techniquement différents a été assemblé. Ce banc d'essai repose sur l'utilisation de traitements issus de l'imagerie informatique tels que la stéréo-photométrie, la reconstruction d'images couleur haute résolution ou encore la génération d'images à grande gamme dynamique (HDR).
Fichier principal
Vignette du fichier
109285_LEGER_2022_archivage.pdf (258.12 Mo) Télécharger le fichier
Origine : Version validée par le jury (STAR)

Dates et versions

tel-04560808 , version 1 (26-04-2024)

Identifiants

  • HAL Id : tel-04560808 , version 1

Citer

Antoine Leger. Contribution à la mise en place d'un système d'identification et d'inspection de pièces moteurs à base de Réseaux de Neurones Convolutifs. Traitement du signal et de l'image [eess.SP]. Université Bourgogne Franche-Comté, 2022. Français. ⟨NNT : 2022UBFCK083⟩. ⟨tel-04560808⟩
14 Consultations
2 Téléchargements

Partager

Gmail Facebook X LinkedIn More