Techniques de deep learning et vision par ordinateur pour les applications de Digital Twins

Deep Learning Techniques and 3D Computer Vision for Digital Twin Applications

• Auteur / Autrice : Anthony Yaghi
• Direction : Raphaël Couturier
• Type : Projet de thèse
• Discipline(s) : Informatique
• Date : Inscription en doctorat le 11/01/2023
• Etablissement(s) : Bourgogne Franche-Comté
• Ecole(s) doctorale(s) : École doctorale Sciences pour l'ingénieur et microtechniques (Besançon ; 1991-....)
• Partenaire(s) de recherche : Laboratoire : FEMTO-ST Franche Comté Electronique Mécanique Thermique et Optique - Sciences et Technologies
• Partenaire(s) de recherche : Equipe de recherche : DISC - Département Informatique et Systèmes Complexes

Mots clés

Mots clés libres

Deep learning

Vision par ordinateur

Mesures d'évaluation

Application industrielle

Deep learning

Computer vision

Evaluation metrics

Industrial application

Résumé

Le processus de simulation d'une usine déjà existante est appelé, "digital twining" - puisque nous créons un 'digital twin' de l'usine réelle. Créer ces immenses scènes 3D à la main peut être très chronophage et coûteux. L'objectif de cette thèse est d'exploiter les techniques de deep learning afin d'automatiser la création de digital twins. Nous proposerons un pipeline qui peut être utilisé dans un contexte industriel pour mettre en place des digital twins basés sur une représentation 3D de l'environnement, comme des point clouds.

The process of simulating an already existing factory is called, digital twining - since we are creating a digital 'twin' of the real factory. Creating these huge 3D scenes by hand can be very time consuming and costly. The objective of this thesis is to leverage deep learning techniques in order to automate and streamline the creation of digital twins. We will propose an end to end pipeline that can be used in industrial settings to setup digital twins based on a 3D representation of the environment, like a point clouds.