SONAR|HES-SO

SONAR|HES-SO

SONAR|HES-SO regroupe les travaux de bachelor et master diffusables de plusieurs écoles de la HES-SO. Consultez cette page pour le détails.

En cas de question, merci de contacter les bibliothécaires de la HES-SO : bibliotheques(at)hes-so.ch

Back to SONAR
Back
ribeiro_francisco_bt.pdf
Bachelor thesis

Système de surveillance en temps réel pour détection de défauts sur aluminium

  • Sion : Haute Ecole d'Ingénierie, HES-SO Valais-Wallis, 2025

Bachelor of Science (BSc) HES en Informatique et systèmes de communication: Haute Ecole d'Ingénierie, HES-SO Valais-Wallis, 2025

engineering
data
machine learning
anomaly detection
English French This Bachelor thesis was carried out in collaboration with the company Constellium, in the field of industrial vision applied to quality control.
The main objective is to design a system capable of automatically detecting visual defects in real time on extruded aluminum profiles moving at 0.7 m/s, specifically on the lower face, which is difficult for operators to access.
The project has two main objectives:
1. The implementation of a waterproof prototype, capable of capturing images on the production line, with the aim of automatically detecting defects
2. The exploration of several unsupervised methods for visual anomaly detection.
Defects appear on average once every two months, which makes supervised approaches impractical, as we do not have high-quality images of defective parts. To test our methods, we therefore created a dataset containing images with artificial defects: these defects were segmented from photos taken with a smartphone, then integrated into normal images.
A benchmark was conducted on six unsupervised methods: Autoencoder, AnoGAN, Isolation Forest, OneClass SVM, KMeans-ResNet, and PatchCore. The dataset contained approximately 100,000 training images (without defects) and 20,000 validation images with simulated defects.
PatchCore achieved the best performance with an AUROC of 87%, demonstrating good robustness, and an average inference time of 273 ms.
The current limitations of our system include motion blur caused by the moving profiles, low lighting conditions, exposure to aluminum chips, and the model’s inference time. The next steps would involve integrating a more powerful camera in a better protected capture area, and using a faster model. Ce travail de Bachelor a été réalisé en collaboration avec l’entreprise Constellium, dans le domaine de la vision industrielle appliquée au contrôle de qualité.
L’objectif principal est de concevoir un système capable de détecter automatiquement, en temps réel, des défauts visuels sur des profilés en aluminium extrudé se déplaçant à 0.7 m/s, plus précisément sur la face inférieure, difficilement accessible aux opérateurs.
Le projet a deux objectifs majeurs:
1. La mise en place d’un prototype étanche, capable de capturer des images sur la ligne de production, dans le but de détecter automatiquement des défauts.
2. L’exploration de plusieurs méthodes non supervisées pour la détection d’anomalies visuelles.
Les défauts appariassent en moyenne une fois tous les deux mois, ce qui rend les approches supervisées peu praticable car nous ne disposons pas d’images défectueuses de bonne qualité. Pour tester nos méthodes: nous avons donc créé un dataset contenant des images avec défauts artificiels: ces défauts ont été segmentés à partir de photos prises avec un smartphone, puis intégrés dans des images normales.
Un benchmark a été réalisé sur six méthodes non supervisées : Autoencoder, AnoGAN, Isolation Forest, One-Class SVM, KMeans-ResNet et PatchCore. Avec un dataset contenant environ 100′000 images d’entraînement (sans défauts) et 20′000 de validation avec des défauts simulés.
Patchcore a obtenu les meilleures performances avec un AUROC de 87% démontrant une bonne robustesse, avec un temps d’inférence moyen de 273 ms.
Les limitations de notre système sont le flou lié au mouvement des profilés, la faible luminosité, l’exposition aux copeaux d’aluminium et le temps d’inférence de notre modèle. Les prochaines étapes consisteraient à intégrer une caméra plus performante dans une zone de capture mieux protégée et à utiliser un modèle plus rapide.
Language
  • French
Classification
Computer science and technology
Notes
  • Haute Ecole d'Ingénierie Valais
  • Informatique et systèmes de communication - Informatik und Kommunikationssysteme
  • Data engineering major
  • hesso:heivs
Persistent URL
https://sonar.rero.ch/hesso/documents/335312
Statistics
Document views: 15 File downloads:
  • ribeiro_francisco_bt.pdf: 34