Inspection automatisée d’assemblages mécaniques vers une approche couplée vision 2D vision 3D

Inspection automatisée d’assemblages mécaniques vers une approche couplée vision 2D vision 3D

Cet article propose une méthodologie d’inspection auto- matisée d’assemblages mécaniques basée sur l’utilisation d’un bras manipulateur, équipé en tête d’effecteur d’un capteur de vision artificielle. La méthodologie d’inspection proposée dans cet article se base sur le couplage d’infor- mations 2D et 3D, pour tirer profit de la rapidité de l’ana- lyse en 2D et de la complétude des données 3D.De surcroît l’inspection peut être une tâche difficile voire irréalisable par des humains. Sont inclus dans cette catégo- rie, des tâches exigeant un contrôle rigoureux qui ne peut pas être réalisé par l’Homme compte tenu des limitations du système visuel humain, en terme de perception spatio- temporelle, l’inspection dans des environnements hostiles, l’inspection de volumes de production importants. Cer- taines applications dans l’aérospatiale, dans la médecine, etc, ne tolèrent aucun défaut. Inspecter une grande quantité de pièces peut être épuisant tant au plan physique que mental pour un Homme. Lorsque c’est le cas, cela peut avoir un impact négatif sur la fiabilité, l’uniformité et donc sur la qualité de l’inspection [1, 2, 3, 4].

Pour contrôler un élément, il faut le sélectionner dans la maquette numérique. Les trajectoires menant à la position de cet élément ainsi que les points d’acquisition correspondants sont calculés hors ligne. Le capteur stéréo utilisé est calibré en amont, de façon précise, par une procédure hors ligne. Connaissant le modèle géométrique direct du robot, la position du capteur peut être estimée pour chaque point d’acquisition.Cependant, pour certaines applications industrielles ce temps de calcul n’est pas satisfaisant. Par exemple, contrôler 1000 éléments prend plus de 2h30 de calcul. L’approche 3D nécessite une étape de calibration et de reconstruction. Cela ralentit le système et le rend sensible à la qualité du calibrage. Ces raisons ont conduit à la recherche d’une autre méthode d’inspection automatisée, qui puisse être complémentaire à l’approche 3D pure, tout en étant aussi fiable que cette méthode 3D mais plus rapide.

Au cours des années, l’intérêt pour l’inspection augmente aussi bien au sein des laboratoires de recherche que dans le milieu industriel. Au début de l’inspection par vision artificielle, les approches 2D étaient privilégiées en raison de la faible puissance des calculateurs. Malgré cela, ces approches 2D ont pu faire leurs preuves.Modayur et al. [5] ont présenté l’inspection visuelle de pièces manufacturées. Dans ce travail, ils décrivent un système automatisé de vision artificielle pour l’inspection dimensionnelle, basé sur la CAO. Ils ont défini des tolérances géométriques précises et ont développé des algorithmes de mesure correspondant à ces définitions de tolérances géométriques.L’évolution de l’électronique et l’augmentation de la puissance de calcul ont permis de simplifier l’inspection [7, 8], notamment en rendant possible ou plus performante l’utilisation des techniques basées sur la 3D. Etudier la 3D est très intéressant car elle décrit les objets à inspecter de manière plus exhaustive que la 2D. L’enjeu autour de la vision 3D est de plus en plus important, toutefois, le temps de calcul émerge comme une difficulté importante à contourner. Plusieurs travaux intéressants d’inspection utilisant des techniques de vision 3D ont été réalisés y compris celui qui a été présenté dans la section précédente, concernant la société Noomeo.

Boutarfa et al. [11] ont présenté une méthode de contrôle automatique de pièces manufacturées. Ils ont utilisé les nuages de points 3D de la pièce à inspecter ainsi que le modèle CAO correspondant, dans les formats STL et IGES. D’abord, ils procèdent à un recalage entre ces deux entités, suivi d’une segmentation du nuage des points, en calculant la distance minimale entre celui-ci et les surfaces présentes dans le modèle CAO, format STL. Ensuite, ils ont comparé quelques caractéristiques géométriques du nuage de points 3D avec le point le plus proche dans le modèle. Puisqu’ils ont travaillé aussi avec un autre mode sous le format IGES, dans lequel les surfaces sont définies comme des surfaces paramétriques NURBS, ils ont su extraire des caractéristiques géométriques telles que la normale à la surface, les courbures Gaussienne et moyenne, pour les comparer au modèle CAO.

Inspection automatisée par cou- plage de techniques 2D/3D

Afin de répondre aux objectifs fixés (vérifier la pré- sence/absence d’un élément que l’on souhaite contrôler, la conformité de son positionnement et son exactitude géométrique par rapport à un élément idéal décrit dans un modèle CAO), l’approche présentée dans cet article se base sur une mise en correspondance entre les données 3D du modèle CAO (cf. figure 5) projetées dans une image 2D (cf. figure 7) avec l’image 2D de l’élément réel (cf. figure 4), en utilisant des contours (cf. figures 8, 9). Cela permet d’éviter l’étape de reconstruction 3D de l’élément réel, économisant ainsi le temps de calcul.

Afin de récupérer des contours 2D à partir du modèle CAO de l’élément à contrôler, une rastérisation (conversion des données vectorielles, ici des triangles, en données matri- cielles, ici une image de profondeur) est faite, puis elle est suivie d’une extraction de contours. La matricialisation est effectuée à l’aide d’OpenGL. L’algorithme de matricialisa- tion utilise les paramètres de calibration des caméras, aussi bien les paramètres intrinsèques qu’extrinsèques et renvoie l’image de profondeur correspondante. Les paramètres de calibrage des caméras sont requis lors de cette étape parce qu’ils permettent de calculer les matrices de projection et de vue (cela inclut les caractéristiques du capteur ainsi que la position de l’élément observé). L’image de profondeur est extraite directement de la carte graphique, du buffer de profondeur connu sous le nom de Z-buffer. L’utilisation des données 2D est un point clé de cette approche, notamment en termes d’économie en temps de calcul. Plus l’élément réel se rapproche des spécifications définies par le modèle théorique, plus l’image rastérisée sera proche de l’image de l’élément réel. Cela est une condition nécessaire pour prétendre avoir une méthode d’inspection automatisée qui soit rapide et fiable.