Uncertainty Modeling in Robotic Maintenance Using Computer Vision

L'inspection visuelle automatisée est une technologie en expansion dans le domaine industriel, notamment pour l'identification et la réparation de pièces aéronautiques critiques défectueuses. Pour mesurer des défauts de surface, des images prises par un ou plusieurs systèmes d'acquisition sont traitées. Le traitement de ces images requiert de nombreux algorithmes de détection, de recalage, de segmentation et de classification des défauts observés. Dans le cas d'une acquisition robotisée, la cinématique du robot doit également être connue et prise en compte. Tous ces systèmes nécessitent une étape préliminaire d'étalonnage pour pouvoir extraire des informations précises des images capturées. Chaque étape d'un tel procédé possède plusieurs sources d'incertitude dues à des facteurs internes ou externes. L'évaluation de ces incertitudes permet de quantifier la qualité d'une mesure et d'identifier les parties d'un processus ayant une sensibilité accrue. Devant la multitude de systèmes présents dans une technologie d'inspection, l'objectif de ce projet est d'estimer les incertitudes associées au procédé d'acquisition 2D d'AV&R, i.e. l'étalonnage d'une caméra et des algorithmes de détection de défauts associés. Les pièces d'inspection utilisées dans ce projet sont des aubes de soufflante. Plus particulièrement, seuls les défauts proches du bord d'attaque et du pied de l'aube sont considérés, zone considérée comme critique. Huit acquisitions sont prises pour capturer l'ensemble de la zone critique de l'aube. Pour évaluer les incertitudes des deux méthodes d'étalonnage de camera d'AV&R, la méthode de Monte Carlo est utilisée. Dû à des contraintes de correspondance de référentiels et aux coûts liés à l'implémentation de cette méthode, l'algorithme d'étalonnage du focus et de la profondeur de champ est adapté à un langage de programmation plus approprié. Une méthode d'estimation de la pose de la caméra pour des points coplanaires, appelée Pose from Orthography and Scaling with Iterations (POSIT), est implémentée pour un setup similaire à celui d'AV&R afin de proposer une alternative à leur seconde méthode d'étalonnage. Parmi toutes les méthodes utilisées dans la routine de détection, un algorithme déterministe de détection de contours appelé Slope Detection est très sensible. En particulier, trois paramètres clés jouent un rôle important dans la variation du nombre de défauts détectés et du nombre de fausses détections : la taille du filtre, le seuil d'intensité et la taille minimale de défauts détectés. La corrélation entre les deux sorties de détection et les trois paramètres sensibles est quantifiée pour une acquisition. L'importance de chacun des paramètres est évaluée à l'aide d'une régression par forêt d'arbres décisionnels. Les incertitudes des algorithmes de détection dépendent des incertitudes d'étalonnage de la caméra. Étant donné que l'ensemble des incertitudes d'étalonnage n'est pas connu, une série d'images obtenues après étalonnage est utilisée pour évaluer l'incertitude de chaque pixel en prenant l'écart-type de l'intensité comme incertitude standard. Cela permet donc de tenir en compte les variabilités présentes au sein des processus d'étalonnage de la caméra dans l'évaluation des incertitudes de détection. L'incertitude du nombre de défauts détectés et du nombre de fausses détection fournis par Slope Detection est évaluée au moyen de simulations de Monte Carlo.