Warning This site is not recommended for Internet Explorer browsers. Please use another web browser to get a better experience.

Stage : La stéréo-photométrie par apprentissage profond pour l'inspection visuelle automatique F/H

Published
Location : Magny Les Hameaux , Ile de France , France Contract type : Internship / Student Contract duration : Full-time Required degree : Master Degree Required experience : First experience Spoken language(s) : English Fluent
Published

Job Description

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.

Complementary Description

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.

Job Requirements

Passionné par les sciences industrielles et le machine learning en particulier, le candidat devra maitriser les bases du Machine Learning et faire preuve d'aisance en programmation en python.

Specificity of the job

Stage, forfait heure, 35h/semaine. Nécessité de lire l'anglais scientifique.

Il s'agit d'un stage de 6 mois.

76,800
employees worldwide
27
Number of countries where Safran is located
35
business area families