Recalage intelligent des produits industriels

Les chaînes de production modernes traitent une grande variété de produits, chacun nécessitant un contrôle qualité rigoureux. L’alignement précis de ces produits sur le tapis industriel est crucial pour garantir une inspection automatisée fiable et une détection efficace des anomalies. Les enjeux principaux, basés sur les données de l’industrie, sont :

1. Réduction des erreurs de contrôle qualité : Actuellement, environ 5 % des défauts échappent à la détection en raison d’un mauvais alignement, entraînant des coûts annuels estimés à 500 000 € pour une usine de taille moyenne.
2. Augmentation de la cadence de production : Le processus d’alignement manuel ralentit la production de 20 %, limitant le débit à 100 unités par heure au lieu du potentiel de 120 unités.
3. Minimisation des faux positifs : Les faux positifs dus à un mauvais alignement représentent actuellement 8 % des rejets, générant un gaspillage de matériaux et de temps estimé à 200 000 € par an.
4. Amélioration de la traçabilité : L’absence d’un système d’alignement précis rend difficile la corrélation entre les défauts détectés et les étapes spécifiques de production, limitant les possibilités d’amélioration continue.

Face à ces enjeux, notre projet vise à développer une solution robuste et efficace pour l’alignement automatique de divers produits industriels, avec les objectifs chiffrés suivants :

1. Réduire le taux d’erreurs de détection dues au mauvais alignement de 5 % à moins de 1 %, permettant une économie potentielle de 400 000 € par an.
2. Augmenter la cadence de production de 20 % en automatisant le processus d’alignement, passant de 100 à 120 unités par heure.
3. Diminuer le taux de faux positifs liés à l’alignement de 8 % à moins de 2 %, réduisant le gaspillage de 150 000 € par an.
4. Atteindre une précision d’alignement de ±0,5 mm pour 95 % des produits, permettant une détection fiable des défauts jusqu’à 1 mm.
5. Implémenter un système capable de traiter et d’aligner au moins 6 types de produits différents sans reconfiguration majeure.
6. Réduire le temps moyen d’alignement par produit à moins de 1 seconde pour s’intégrer sans friction dans les lignes de production existantes.
7. Assurer une robustesse du système face aux variations d’éclairage (±30 %) et de positionnement initial (rotations jusqu’à 45° et translations jusqu’à 50 mm) avec un taux de réussite de 98 %.

Dans cette phase, nous avons évalué trois combinaisons de détecteurs et descripteurs :

• SIFT (Scale-Invariant Feature Transform) : Agissant à la fois comme détecteur et descripteur.
• FAST (Features from Accelerated Segment Test) comme détecteur, couplé avec BRIEF (Binary Robust Independent Elementary Features) comme descripteur.
• KAZE : Fonctionnant comme détecteur et descripteur.

Nos tests sur le produit A (fourchette) ont donné les résultats suivants :

Caractéristiques des descripteurs :

Analyse des résultats :

• SIFT offre un bon équilibre entre robustesse et temps de calcul, avec une invariance à l’échelle et à la rotation. Son vecteur de 128 valeurs flottantes représente efficacement les distributions des gradients locaux autour de chaque point clé.
• La combinaison FAST+BRIEF se démarque par sa rapidité exceptionnelle, malgré une moindre robustesse aux changements d’échelle et de rotation. La chaîne de 256 bits produite par BRIEF pour chaque point clé, basée sur des comparaisons d’intensité de pixels, offre une efficacité remarquable en termes de vitesse de calcul et de stockage mémoire.
• KAZE, bien que précis et robuste avec une invariance à l’échelle et à la rotation, s’est révélé trop lent pour notre application en temps réel. Son vecteur de 64 valeurs flottantes, utilisant des espaces d’échelle non linéaires, préserve admirablement les détails de l’image, mais au prix d’un temps de calcul prohibitif.

Au vu de ces résultats, nous avons privilégié SIFT et la combinaison FAST+BRIEF pour la suite de notre étude, offrant ainsi un excellent compromis entre précision et rapidité d’exécution. Malgré ses qualités, KAZE a été écarté en raison de son temps de calcul incompatible avec nos contraintes de temps réel.

Nous avons comparé deux méthodes de correspondance : Brute Force (BFMatcher) et FLANN (Fast Library for Approximate Nearest Neighbors).

Ces résultats mettent en évidence la supériorité de FLANN en termes de rapidité, particulièrement pour les grands ensembles de données, tout en maintenant la même qualité de correspondances que BFMatcher.

Nous avons implémenté et testé deux méthodes de filtrage distinctes :

Filtrage par critère de distance

Cette méthode ne conserve que les correspondances dont la distance est inférieure à 70% de la distance du second meilleur match. Résultats pour le produit A :

Filtrage par correspondance symétrique

Cette technique ne conserve que les correspondances réciproques lors du matching dans les deux sens. Résultats pour le produit A :

Ces deux méthodes de filtrage ont considérablement réduit le nombre de fausses correspondances, fournissant une base fiable pour l’estimation de la transformation.

Pour cette étape finale, nous avons utilisé l’algorithme RANSAC (Random Sample Consensus) afin d’estimer la matrice de transformation affine, permettant un alignement précis des objets.

Après l’implémentation de notre solution complète, nous avons observé des améliorations significatives dans plusieurs métriques clés :

À l’issue de ces expérimentations approfondies, nous avons retenu SIFT et FAST+BRIEF pour la détection et la description des points d’intérêt. FLANN s’est imposé comme la méthode de correspondance privilégiée, principalement en raison de sa performance supérieure avec un grand nombre de points clés. Le filtrage par correspondance symétrique s’est révélé particulièrement efficace pour réduire les fausses correspondances.

Ces choix judicieux nous ont permis d’établir un pipeline de traitement à la fois robuste et efficace, capable de gérer un grand volume de données en temps réel, tout en maintenant une haute précision dans l’alignement des produits. Cette solution optimisée répond parfaitement aux exigences strictes de l’environnement industriel en termes de rapidité et de précision.