Annonce

Les commentaires sont clos.

Stage M2: Stéréo-photométrie par apprentissage profond pour l'inspection visuelle automatique des pièces métalliques

15 Novembre 2022


Catégorie : Stagiaire


Description du projet

L’inspection d’état de surface de pièces métalliques est une étape cruciale dans la chaîne de production de composants pour l’industrie aéronautique. Cette tâche vise à détecter et caractériser des indications telles que les fissures, rayures, chocs, porosités, cratères, etc. Il existe principalement deux types d’information à exploiter pour la détection de ce type d’indications : la topographie de la surface et les propriétés de réflexion de la surface.

La vision par ordinateur, basée sur des systèmes d’imagerie, offre une solution d’inspection d’état de surface, efficace en terme de coût et d’intégrabilité dans des environnements de production industrielle. Un système typique d’inspection visuelle de pièces métalliques est composé d’une ou plusieurs sources d’éclairage et d’une caméra monochrome. Généralement, la détection des défauts s’effectue par des approches de traitement des images d’intensité 2-D comme les méthodes d’apprentissage profond. Selon le type de pièces à inspecter, ces approches peuvent avoir des difficultés à traiter les surfaces complexes comme les surfaces texturées et/ou rugueuses. De plus, la saillance du défaut dépend des angles entre l’éclairage, l’orientation de la surface de la pièce et la caméra. Une autre approche possible concerne la stéréo-photométrie (SP) qui permet d’accéder, en plus des images d’intensité 2D, à la normale ainsi que la fonction de réflectivité bidirectionnelle (BRDF) de la surface de la pièce inspectée, comme le montre les récents travaux basées sur des modèles de réseau de neurones profonds [1], et cela à une résolution au niveau du pixel. Comme l’altération de l’état de surface d’une pièce modifie la normale de la surface et/ou sa réflectance, il serait judicieux de les exploiter pour améliorer les performances de détection des défauts. De plus, couplé à une fonction de rendu d’images, la géométrie et la BRDF de la pièce, estimées par la PS, peuvent être exploitées pour générer des données comportant des défauts synthétiques en modifiant directement ces deux composantes. Cela permettrait d’incruster des défauts plus réalistes, car plus proche de la physique, sur des pièces saines. Une autre tâche pouvant être réalisée en exploitant la carte des normales de la surface est l’estimation de position de la pièce inspectée par rapport à la caméra, ce qui permet de localiser les défauts détectés dans le repère de la pièce (recalage 3D-2D).

L’objectif du stage, dans un premier temps, est d’étudier les architectures des réseaux de neurones présents dans l’état de l’art pour la stéréo-photométrie et de sélectionner l’approche la plus pertinente pour notre cas d’application. Puis, implémenter, adapter et valider la solution choisie sur nos jeux de données. Et enfin, étudier et quantifier l’impact de l’utilisation des cartes de normales et de réflectances sur les performances de la détection des défauts.

 

Références

[1] Kaya, Berk, et al. "Uncalibrated neural inverse rendering for photometric stereo of general surfaces." Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2021.

 

Profil des candidats

Formation : Une formation de base en deep learning est requise
Langues : Anglais pour lecture scientifique
Spécialités : Mathématiques appliquées, machine learning, traitement d’image, vision par ordinateur
Qualités requises : Initiative, autonomie, capacité d’adaptation et esprit de synthèse.
Langages de programmation : Python, Pytorch.
Site : SafranTech, Rue des Jeunes Bois, Chateaufort –78114 Magny-les-Hameaux Dates et durée du stage : 2023 – 6 mois

Candidature en ligne

https://www.safran-group.com/jobs/france/magny-hameaux/stage-stereo-photometrie-apprentissage-profond-inspection-visuelle-automatique-fh-113347