Contexte

L’avènement de l’industrie 4.0 se traduit par une tendance à la personnalisation et la diminution des volumes de fabrication par série, voir même la disparition de la production en série. Les nouvelles exigences d’immédiateté et la nécessité de s’adapter rapidement bousculent les modes de contrôle qualité en place, établis sur la définition stricte de normes et de processus de qualification longs. Par ailleurs, l’expertise et le temps nécessaire pour paramétrer des systèmes de vision devient de plus en plus rare. Certains secteurs dont l’industrie de la mode, l’industrie de la fabrication additive, l’industrie des composants électroniques sont particulièrement en avance dans cette dynamique.

En 2023, le contrôle qualité manuel par des opérateurs est toujours majoritaires dans les usines. Il est aujourd’hui bien plus simple a mettre en place et ne demande pas d’expertise spécifique.

L’objectif de Visionairy est de permettre aux industriels d’accéder au potentiel de l’intelligence artificielle pour augmenter la qualité de leur processus de contrôle. Cette amélioration s’effectue à la fois au niveau de la qualité de travail, assistant l’opérateur sur les tâches répétitives et le sollicitant sur les cas compliqués nécessitant son expertise, et au niveau de la performance, avec des algorithmes plus robustes et plus rapides sur la grande majorité des pièces à contrôler.

Travail proposé

Depuis quelques années, le sujet de la détection d’anomalie industrielle est revenu à la mode notamment avec la publication de la base de données publique MvTec. Cette base de données a permis la publication de nombreuses méthodes dont la notre, avec d’excellentes performances. Toutefois, la base de données n’est pas complètement représentative des données industrielles.

L’objectif de ce stage est de tester et comparer les dernières méthodes les plus prometteuses de détection d’anomalies publiées dans les conférences de Computer vision (CVPR2023, ICCV 2023, …) pour les positionner par rapport à notre méthode, et ce sur des cas réels de pièces et défauts d’aspects.

Pour cela, le stagiaire aura accès à la propre base de données de pièces industrielles de Visionairy.

En fonction des résultats et des pistes envisagées, le sujet aura la possibilité d’être étendu en thèse CIFRE.

Références

• https://paperswithcode.com/sota/anomaly-detection-on-mvtec-ad

• https://www.mvtec.com/company/research/datasets/mvtec-ad

• Deep Industrial Image Anomaly Detection: A Survey

• GLAD: A Global-to-Local Anomaly Detector

Encadrement

• Superviseur(s) : Tom Veniat (Post-doc, Visionairy), Yannis Kolodziej (Directeur Technique, Visionairy)

• Équipe R&D : Aitor Artola (Doctorant CIFRE, Visionairy, Centre Borelli), Yannis Kolodziej (Directeur Technique, Visionairy), Tom Veniat (Ingénieur R&D, Visionairy), Centre Borelli (Professeur, Post-Doc)

• Possibilité d’étendre en thèse: Oui

Must have

• Bonnes bases ML

• Python + ML framework (Pytorch)

• Lire un papier

• Communication skills

Nice to have

• Azure

• Déjà implémenté un papier

1. Intro (20 min)

2. Entretien RH (45 min)

3. Entretien technique (1h)