Méthode d'inspection des défauts innovante pour la fabrication
Un nouveau système automatisé combine la détection visuelle et tactile pour détecter les défauts avec précision.
― 8 min lire
Table des matières
- L'Importance de l'Inspection des Surfaces
- La Nouvelle Méthode d'Inspection
- Le Jeu de Données pour le Benchmarking
- Comment Fonctionne le Pipeline d'Inspection
- Étape I : Inspection Visuelle
- Étape II : Inspection Tactile
- Intégration dans un Système Robotique
- Composants de l'Installation
- Évaluation de la Performance
- Avantages de l'Approche
- Directions Futures
- Conclusion
- Source originale
- Liens de référence
Dans la fabrication, vérifier les surfaces pour des Défauts est super important pour assurer la qualité et la sécurité. Les systèmes automatisés pour détecter ces imperfections sont devenus essentiels dans les industries qui gèrent de grandes pièces, comme les avions et les machines lourdes. Un défi courant dans ces domaines est d'inspecter de gros composants qui peuvent avoir de petites imperfections, parfois aussi petites que 0,01 mm, et qui peuvent avoir des formes courbées.
Pour résoudre ce problème, une nouvelle méthode d'inspection des défauts a été mise au point, utilisant à la fois la détection visuelle et tactile. Ça consiste en deux étapes : d'abord, utiliser des données visuelles pour repérer les défauts potentiels, et ensuite, utiliser des données tactiles pour examiner de près ces zones. L'objectif est de combiner la rapidité des vérifications visuelles avec la précision des vérifications tactiles.
L'Importance de l'Inspection des Surfaces
Différentes industries font face à des risques à cause de facteurs comme les vibrations, les débris, la chaleur et la corrosion. Ces conditions peuvent affaiblir ou faire échouer des pièces. Pour éviter les accidents et garantir des opérations sûres, des inspections régulières sont essentielles. Par exemple, les avions doivent subir des contrôles tous les 100 heures de vol selon les réglementations de sécurité. Bien que ces inspections soient nécessaires, plus de 90 % sont encore réalisées par des inspecteurs humains.
Cela souligne le besoin de systèmes automatisés capables de faire le travail rapidement et de manière économique sans sacrifier la qualité. La demande pour une détection efficace des défauts de surface dans les industries augmente, entraînant une attention croissante sur les techniques basées sur la vision combinées à des algorithmes avancés pour identifier les défauts.
La Nouvelle Méthode d'Inspection
Le système d'inspection proposé a une approche en deux étapes. Plutôt que de se fier uniquement aux données visuelles, il fusionne les informations visuelles et tactiles. La première étape utilise une caméra RGB pour prendre des images et identifier les zones pouvant avoir des défauts. La seconde étape se concentre sur ces zones, utilisant un capteur tactile pour recueillir des informations détaillées pour une classification précise des défauts.
Cette méthode permet une scan complète des grandes surfaces tout en identifiant les petites imperfections, ce qui conduit à des résultats plus précis en moins de temps comparé aux méthodes traditionnelles.
Le Jeu de Données pour le Benchmarking
Pour valider cette nouvelle approche, un jeu de données unique de types de défauts trouvés dans des composants aéronautiques a été créé. Ce jeu de données comprend diverses surfaces métalliques avec plusieurs défauts montrés sur des images uniques, collectées dans des environnements de production réels. Le jeu de données est crucial pour former les systèmes de détection et mesurer leur performance dans des situations pratiques.
Le jeu de données inclut 184 images avec des défauts comme des rayures, des entailles et des forages. Chaque défaut a été créé pour ressembler à des scénarios réels dans la fabrication. Ce jeu de données sert de référence pour évaluer l'efficacité de l'algorithme de détection des défauts.
Comment Fonctionne le Pipeline d'Inspection
Étape I : Inspection Visuelle
Dans la première étape, le système utilise une caméra RGB pour scanner la surface de l'objet et identifier les défauts potentiels. Un algorithme spécialisé traite ces images, identifiant des régions qui pourraient avoir des défauts en fonction des motifs visuels.
Au cours de cette étape, le modèle est formé pour reconnaître divers défauts en utilisant des données d'inspections précédentes. Il peut prédire efficacement les zones où des défauts peuvent être présents en évaluant la probabilité de défauts dans différentes régions.
Étape II : Inspection Tactile
Une fois que des défauts potentiels sont identifiés, la seconde étape implique un capteur tactile appelé GelSight Mobile qui collecte des données haute résolution des zones suspectées de défauts. Ces données tactiles sont utilisées pour évaluer la profondeur et la largeur des défauts, fournissant une image plus claire de ce qui pourrait poser problème.
L'approche tactile offre une analyse plus détaillée des défauts, faisant la distinction entre différents types en fonction de leurs caractéristiques physiques. Cela permet une classification des défauts plus précise, ce qui est particulièrement utile pour l'assurance qualité.
Intégration dans un Système Robotique
Le système d'inspection des défauts est intégré à un bras robotique qui effectue des inspections en temps réel. Cette configuration robotique fournit des inspections cohérentes et fiables pouvant être utilisées sur les lignes de production.
Composants de l'Installation
Le système d'inspection robotique se compose de plusieurs éléments clés :
- Un bras robotique qui manœuvre autour du composant.
- Une caméra RGB qui capture des images de la surface.
- Un capteur tactile qui recueille des données détaillées des zones suspectées de défauts.
- Un éclairage qui assure une visibilité optimale pendant l'inspection.
Cette combinaison permet un scan efficace, ce qui réduit le temps nécessaire pour inspecter tout en augmentant la précision de l'identification des défauts.
Évaluation de la Performance
La performance du système d'inspection a été testée de manière approfondie dans diverses conditions. Les données collectées montrent que l'approche en deux étapes surpasse nettement les méthodes traditionnelles. Lors des tests, le système a atteint un rappel parfait, ce qui signifie qu'il a réussi à identifier tous les défauts présentés.
Comparé aux méthodes précédentes, ce nouveau système offre un processus d'inspection plus rapide avec une réduction substantielle du temps d'inspection. Par conséquent, l'inspection robotique permet des vérifications plus fréquentes sans alourdir les inspecteurs humains.
Avantages de l'Approche
Le système d'inspection en deux étapes présente de nombreux avantages :
- Précision Accrue : Combiner les données visuelles et tactiles aboutit à de meilleures capacités de détection par rapport à l'utilisation d'un seul type de détection.
- Inspections Plus Rapides : Le système peut réaliser des inspections beaucoup plus rapidement que les méthodes traditionnelles uniquement tactiles.
- Large Applicabilité : Les techniques utilisées dans cette approche peuvent être adaptées à diverses industries au-delà de l'aéronautique, y compris la construction navale et les machines lourdes.
- Insights Basés sur les Données : Le jeu de données collecté soutient non seulement le système d'inspection actuel mais peut aussi être utilisé pour des améliorations futures et la formation de nouveaux modèles.
Directions Futures
Bien que le système ait montré un grand potentiel, il y a encore plusieurs domaines pour de futures recherches :
- Explorer comment le système fonctionne après une utilisation prolongée et si les mesures du capteur maintiennent leur précision au fil du temps.
- Enquêter sur des moyens d'améliorer l'adaptabilité du modèle à différentes conditions d'éclairage et matériaux.
- Envisager l'intégration de plusieurs points de vue pour améliorer la précision de l'étape de détection visuelle.
- Incorporer des retours humains pour aider à mettre à jour et affiner les modèles de détection.
Conclusion
En résumé, ce système d'inspection robotique des défauts combine détection visuelle et tactile pour améliorer le processus de détection des défauts dans les composants industriels de grande taille. Les résultats montrent que cette approche non seulement augmente la précision de la détection des défauts mais réduit également le temps d'inspection. L'intégration réussie de cette technologie dans un système robotique démontre son potentiel pour améliorer les pratiques d'assurance qualité dans divers secteurs de fabrication.
L'introduction d'un jeu de données robuste ouvre de nouvelles avenues pour la recherche et aide à affiner encore les algorithmes de détection des défauts. Alors que les industries continuent de chercher des solutions innovantes pour la gestion de la qualité, ce système représente un pas en avant significatif dans l'automatisation des inspections de surface et l'assurance de normes de sécurité plus élevées dans la fabrication.
Titre: Robotic Defect Inspection with Visual and Tactile Perception for Large-scale Components
Résumé: In manufacturing processes, surface inspection is a key requirement for quality assessment and damage localization. Due to this, automated surface anomaly detection has become a promising area of research in various industrial inspection systems. A particular challenge in industries with large-scale components, like aircraft and heavy machinery, is inspecting large parts with very small defect dimensions. Moreover, these parts can be of curved shapes. To address this challenge, we present a 2-stage multi-modal inspection pipeline with visual and tactile sensing. Our approach combines the best of both visual and tactile sensing by identifying and localizing defects using a global view (vision) and using the localized area for tactile scanning for identifying remaining defects. To benchmark our approach, we propose a novel real-world dataset with multiple metallic defect types per image, collected in the production environments on real aerospace manufacturing parts, as well as online robot experiments in two environments. Our approach is able to identify 85% defects using Stage I and identify 100% defects after Stage II. The dataset is publicly available at https://zenodo.org/record/8327713
Auteurs: Arpit Agarwal, Abhiroop Ajith, Chengtao Wen, Veniamin Stryzheus, Brian Miller, Matthew Chen, Micah K. Johnson, Jose Luis Susa Rincon, Justinian Rosca, Wenzhen Yuan
Dernière mise à jour: 2023-09-08 00:00:00
Langue: English
Source URL: https://arxiv.org/abs/2309.04590
Source PDF: https://arxiv.org/pdf/2309.04590
Licence: https://creativecommons.org/licenses/by-nc-sa/4.0/
Changements: Ce résumé a été créé avec l'aide de l'IA et peut contenir des inexactitudes. Pour obtenir des informations précises, veuillez vous référer aux documents sources originaux dont les liens figurent ici.
Merci à arxiv pour l'utilisation de son interopérabilité en libre accès.