Réseaux profonds basés graphes pour la prédiction d’efficience de placements 2D

Deep graph neural networks for 2D nesting efficiency estimation

• Auteur / Autrice : Corentin Lallier
• Direction : Guillaume Blin, Bruno Pinaud
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 19/12/2022
• Etablissement(s) : Bordeaux
• Ecole(s) doctorale(s) : École doctorale Mathématiques et informatique (Talence, Gironde ; 1991-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire bordelais de recherche en informatique
• Jury : Président / Présidente : Pascal Desbarats
• Jury : Examinateurs / Examinatrices : Pierre Gançarski
• Jury : Rapporteurs / Rapporteuses : Vincent Barra, Marc Plantevit

Mots clés

Mots clés contrôlés

Programmation (mathématiques)

Apprentissage automatique

Optimisation combinatoire

Mots clés libres

Production Textile

Graph Neural Networks

Apprentissage Machine

2D Bin packing

Fashion Manufacturing

Graph Neural Networks

Machine Learning

2D Bin packing

Résumé

La minimisation de la consommation de matériaux dans la production textile est une préoccupation majeure. La pierre angulaire de cette optimisation est le problème de placement qui consiste à disposer un ensemble de pièces irrégulières en 2D sur une surface rectangulaire appelée zone de placement tout en respectant un ensemble de contraintes. Il s’agit notamment de maximiser l’efficience, c’est à dire le rapport entre la matière utilisée et la surface totale de matière utilisable. Malheureusement, pour connaître l’efficience, il faut résoudre le problème du placement, qui est consommateur de calculs et prouvé NP-Difficile. Ce travail présente une approche basée sur de l’apprentissage machine pour estimer l’efficience sans résoudre le problème de placement. Notre approche modélise le problème de placement sous la forme d’un graphe où les sommets sont des images dérivées des pièces et les arêtes représentent les contraintes. Nous proposons de combiner des réseaux de neurones convolutifs pour les aspects liés aux images et des réseaux de neurones attentionnels orientés graphes pour les aspects liés aux contraintes. Nous évaluons une implémentation de notre approche sur des données de clients et montrons des résultats suffisamment précis pour permettre une utilisation industrielle. En parallèle, nous présentons les performances et les capacités de généralisation de quatre architectures de réseaux de neurones orientés graphes sur ces graphes de placement, dont les propriétés diffèrent des ensembles de données graphes de la littérature

Minimizing the material consumption in textile production is a major concern. The cornerstone of this optimization is the nesting problem. Its goal is to lay out a set of irregular 2D parts onto a rectangular surface called the nesting zone while respecting a set of constraints. Knowing the efficiency – the ratio of usable to used up material – enables to optimize several problems in textile production. Unfortunately, knowing the efficiency requires solving the nesting problem, which is computationally intensive and proved to be NP-Hard. This work introduces a regression approach to estimate the efficiency without solving the nesting problem. Our approach models the 2D nesting problem as a graph where nodes are images derived from the parts and edges hold the constraints. It consists in combining convolutional neural networks for image-based aspects and attentional graph neural networks for constraints aspects.We evaluate an implementation of our approach on customers’ data and show accurate enough results to enable several business use-cases. Along the way, we report on the performance and generalization capabilities of four graph neural networks architectures on these nesting graphs, which properties differ from graph datasets found in the literature.