Thèse soutenue

Fusion d'informations pour la localisation précise d'objets industriels ayant une maquette numérique complète ou partielle
FR  |  
EN
Accès à la thèse
Auteur / Autrice : Lounès Saadi
Direction : Abdelaziz Bensrhair
Type : Thèse de doctorat
Discipline(s) : Informatique
Date : Soutenance le 13/04/2022
Etablissement(s) : Normandie
Ecole(s) doctorale(s) : École doctorale mathématiques, information et ingénierie des systèmes (Caen)
Partenaire(s) de recherche : Établissement de préparation : Institut national des sciences appliquées Rouen Normandie (Saint-Etienne-du-Rouvray ; 1985-....) - Laboratoire d'informatique, de traitement de l'information et des systèmes (Saint-Etienne du Rouvray, Seine-Maritime ; 2006-...)
Jury : Président / Présidente : Fabrice Mériaudeau
Examinateurs / Examinatrices : Abdelaziz Bensrhair, Sylvie, Julie Chambon, Majdi Khoudeir, Samia Ainouz, Sébastien Kramm
Rapporteurs / Rapporteuses : Sylvie, Julie Chambon, Majdi Khoudeir

Résumé

FR  |  
EN

Dans le cadre l’usine 4.0, Diota se positionne en éditeur de solutions de réalité augmentée et de contrôle qualité automatique. Ces solutions sont basées sur la connaissance et l’utilisation de la donnée numérique. Cette donnée est représentée par la modélisation numérique d’objets industriels sous forme de maquettes 3D. Les informations géométriques de la maquette numérique sont exploitées afin de répondre à la contrainte industrielle de précision. Cependant, cette précision est entièrement conditionnée par le niveau de fidélité de la maquette 3D qui nous est fournie. Or, cette condition n’est pas toujours garantie en industrie pour diverses raisons. L’état d’avancement d’un objet, la suppression d’éléments pour conserver le secret industriel ou tout simplement des erreurs de modélisation 3D en sont des exemples concrets. Une amélioration de l’existant face à ces cas d’usage offrirait un champ de possibilités plus large pour les solutions de Diota. En vision par ordinateur, la localisation d’objets est une thématique d’actualité en raison de l’émergence des applications de réalité augmentée ou de robotique (p. ex. la saisie automatique d’objets). Si la littérature offre des solutions de grande qualité, celles-ci ne sont pas toujours adaptées à la problématique de précision à laquelle Diota doit répondre. En effet, ces solutions se concentrent majoritairement sur une estimation de la localisation précise soit sur le plan image ou sur l’espace 3D. Les applications ciblées dans ce manuscrit (réalité augmentée et contrôle qualité automatique) nécessitent une haute précision à la fois sur le plan image et dans l’espace 3D. De plus, les solutions de la littérature considèrent que la maquette 3D est fidèle à la géométrie de l’objet. La littérature ne propose aucune solution explicite à cette problématique. Cependant, une thématique connexe concerne la localisation d’objets dont la maquette 3D n’est pas connue, mais semblable à une maquette 3D d’une même catégorie d’objets (p. ex. différents modèles de voitures). Ces solutions nécessitent la mise en place de solutions complexes et ne tirent aucunement profit de la maquette 3D de l’objet observé. Dans cette thèse, nous nous concentrons sur l’élaboration de solutions de localisations d’objets dont la maquette 3D est connue ou partiellement connue. Dans un premier temps, nous proposons un nouveau système complet de localisation qui assure une précision optimale sur le plan image et sur l’espace 3D. Ce système permet d’améliorer la solution de localisation existante de Diota. Une fusion de données géométriques et de texture est exploitée grâce à l’utilisation d’un capteur RGB-D. Nous montrons qu’un système de fusion complexe n’est pas nécessaire pour assurer une précision optimale. L’introduction d’une nouvelle primitive 3D limitant l’influence du bruit inhérent aux capteurs RGB-D, et d’un raffinement de pose caméra multi-contraintes assure une haute précision. Les améliorations apportées par rapport à l’existant en font une solution encore plus adaptée pour des applications de réalité augmentée et de contrôle automatique. Si le système complet assure une précision optimale pour la localisation d’objets dont la maquette 3D est connue, des évolutions sont nécessaires pour traiter efficacement les maquettes 3D partiellement connues (peu ou pas fidèles). Par conséquent, nous étendons dans un second temps les capacités du système afin d’assurer une précision optimale dans ce contexte. L’emploi d’une méthode de raffinement basée apprentissage profond et d’une méthode de génération synthétique des données permet de localiser précisément un objet dont la maquette 3D est partiellement connue. Nous montrons qu’une méthode de raffinement limitant sa dépendance à la maquette 3D combiné à un travail sur les données d’apprentissage est une solution efficace à la problématique...