Soutenance de thèse d'Assya Boughrara

Institut Clément Ader UMR CNRS 5312 site d'Albi

sur "Inspection d'assemblages aéronautiques complexes en exploitant la maquette numérique et des techniques de Deep Learning sur des nuages de points 3D"

Mercredi 5 avril à 10h00

soutenance à huis clos à IMT Mines Albi

 

Composition du jury

• M. Jean-José ORTEU : Institut Clément Ader UMR CNRS 5312 site d'Albi - Directeur de thèse
• M. Olivier AUBRETON : Université de Bourgogne - Rapporteur
• M. François GOULETTE : ENSTA Paris - Rapporteur
• Mme Ariane HERBULOT : Université Paul Sabatier Toulouse - Examinatrice
• M. Mohamed DAOUDI : IMT Nord Europe - Examinateur
• M. Igor JOVANCEVIC : Université du Montenegro - Co-directeur de thèse
• M. Benoît DOLIVES : Société DIOTA/3DS - Invité

Résumé

Les travaux de recherche ont été menés dans le cadre du laboratoire commun de recherche "Inspection 4.0" entre IMT Mines Albi/ICA et la société Diota spécialisée dans le développement d'outils numériques pour l'industrie 4.0. Dans ce travail, nous nous sommes intéressés au contrôle de conformité d'assemblages mécaniques aéronautiques complexes, comme par exemple un moteur d'avion. Il s'agit principalement de vérifier que les supports montés sur l'assemblage sont présents et que les bons supports ont été montés au bon endroit. Un scanner 3D porté par un bras robotique fournit des acquisitions sous forme de nuages de points 3D qui sont ensuite analysés par des réseaux d'apprentissage profond (Deep Learning). Le modèle CAO de l'assemblage mécanique à inspecter est disponible, ce qui constitue un atout important pour notre approche. Nos modèles d'apprentissage profond sont entraînés sur des données synthétiques générées à partir des modèles CAO. La génération de nos données synthétique pour l'apprentissage de nos réseaux a été un élément important de nos travaux, avec la volonté de rapprocher le plus possible le domaine synthétique du domaine réel (domain gap) en travaillant sur des méthodes de Data augmentation adaptées au domaine 3D. Les réseaux ont été entrainés sur des données synthétiques puis évalués sur des nuages réels acquis par le scanner sur les pièces à inspecter. Dans une première approche, nous avons travaillé avec des réseaux d'apprentissage profond pour la classification. Cette approche a montré une très bonne capacité à reconnaître la présence des supports mais a été moins efficace pour reconnaître l'absence de supports. Dans un deuxième temps, nous avons expérimenté une approche de segmentation avec des réseaux Deep learning adaptés. Cette approche a montré les meilleurs résultats, en étant aussi efficace pour reconnaître la présence que l'absence de supports. Nous avons atteint une accuracy totale de 93% sur l'ensemble de nos 623 nuages de points 3D réels, avec zéro Faux Négatif, ce qui un point très important pour notre tâche d'inspection.

Mots-clés

Vision artificielle, maquette numérique, deep learning, nuages de points 3D, inspection.