Reconstruction 3D sémantique de pièces détachées pour la chaine numérique en fabrication additive.

Semantic 3D reconstruction of spare parts for the digital thread in additive manufacturing.

• Auteur / Autrice : Charles Maupou
• Direction : Nabil Anwer
• Type : Projet de thèse
• Discipline(s) : Génie mécanique
• Date : Inscription en doctorat le 16/09/2022
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Sciences Mécaniques et Energétiques, Matériaux et Géosciences
• Partenaire(s) de recherche : Laboratoire : Laboratoire Universitaire de Recherche en Production Automatisée
• Partenaire(s) de recherche : Référent : Ecole Normale Supérieure Paris-Saclay

Mots clés

Mots clés libres

Apprentissage machine

Modélisation géométrique

Pièces détachées

Reconstruction 3D

Reconnaissance sémantique

Dessin technique

Machine Learning

Geometric modeling

Spare parts

3D reconstruction

Semantic recognition

Technical drawing

Résumé

Dans un contexte de fort développement de l'usage du procédé de fabrication additive pour la réalisation de pièces complexes, ce travail de thèse est dédié au développement d'une méthodologie de génération automatique de fichier CAO pour des pièces pour lesquelles seuls des dessins de définition 2D existent. Dans le cadre de collaboration industrielle avec la Startup SP3D, le travail de recherche devra combiner plusieurs approches issues des domaines du génie mécanique, de la vision par ordinateur, de l'analyse sémantique de données techniques et de l'intelligence artificielle afin de permettre la lecture et l'analyse de dessin de définition 2D sous forme d'image ou de fichier annoté. L'analyse ainsi réalisée, devra permettre d'identifier et d'extraire les formes géométriques nominales de la pièce en 3D ainsi que ses dimensions mais également de dégager l'ensemble des informations sémantiques liées au spécification ISO portées sur le dessin de définition. L'ensemble des informations ainsi identifiées sera utilisée pour obtenir un fichier CAO de la pièce initiale permettant ainsi d'envisager sa réalisation par fabrication additive. L'ensemble de cette procédure devra être réalisée de manière automatisée. Dans ce sens il est envisagé d'explorer les techniques développées dans le domaine de l'intelligence artificielle et plus particulièrement les algorithmes d'apprentissage profond appliqués à une étude très large en nombre de dessins de définitions constituant une base de données d'apprentissage et de test.

In a growing trend of using additive manufacturing processes to produce complex parts, this research work is devoted to the development of a methodology for the automatic generation of CAD files for pieces where only 2D technical drawings exist. In the framework of an industrial collaboration with the startup SP3D, the research work will combine several approaches stemming from the domains of mechanical engineering, computer vision, semantic analysis of technical data and artificial intelligence in order to enable the interpretation and analysis of 2D drawings as images or annotated files. The resulting analysis will enable the identification and extraction of the part's nominal geometric shapes and dimensions in 3D, as well as the extraction of all the semantic information linked to the ISO specifications included in the drawing. The information identified in the above manner will be used to obtain a CAD file of the original part, thus enabling its production by additive manufacturing. This complete process will be carried out in an automated mode. In this regard, it is intended to explore techniques developed in the field of artificial intelligence and more particularly deep learning algorithms that will be applied to a very large number of drawings that constitute a learning and test database.