Académique Documents
Professionnel Documents
Culture Documents
4 (2005)
DOI : 10.1051/j3ea:2006002
DESCRIPTION
Ce cours de 2me cycle sinscrit dans le prolongement du cours de vision numrique. Le volume
dheures consacr au cours de vision industrielle varie dune matrise lautre. Il est compris entre
15 et 24 heures. Nous prsentons le cours que nous donnons dans le cadre de la matrise EEA. Il nest
pas question dans ce cours de reprendre les mthodes danalyse ou de traitements de limage. Cependant
lorsquune application donne en exemple ncessite un traitement particulier, non abord dans le cours
de traitements dimage, celui-ci sera dvelopp.
Pour suivre ce cours il est indispensable davoir comme pr-requis le cours de traitement dimages.
Dans une moindre mesure des notions dinformatique industrielle et de programmation sont utiles. De
plus des notions doptique de base seront utilises dans ce cours de vision industrielle. On peut ainsi se
rendre compte du spectre trs large des connaissances acqurir avant dentreprendre la ralisation dun
systme dinspection visuelle.
OBJECTIFS
A la fin de ce cours, ltudiant devrait tre laise avec les concepts de vision automatique en industrie
et tre en mesure de participer activement des tudes de faisabilit dimplantation de systmes de
vision. Il devrait aussi tre familier avec les recherches que sous-tendent ces dmarches (bibliographie,
rdaction technique, contact avec le milieu...).
CONTENU
Laccent est ici mis sur lapplication de la vision au domaine, trs vaste, de linspection industrielle le
long de la ligne de production. On y prsente une justification de lautomatisation et du contrle des
procds comme outils indispensables la poursuite de la qualit. Des considrations relatives aux types
de matriaux, aux modes dacquisition optique, aux mthodes de traitement du signal, aux schmas dim-
plantation pratique de systmes dinspection et aux caractristiques de lenvironnement industriel sont
galement prsentes. Lorsque cela est ncessaire le cours est illustr par des applications industrielles,
ralises par les auteurs.
Cet enseignement fait appel aux travaux pratiques pour asseoir la prsentation thorique sur une expri-
mentation concrte. Il sappuie galement sur une large base dapplications dans des domaines varis
des sciences de lingnieur qui sont prsents en illustration.
BIBLIOGRAPHIE
Un tel cours est bas sur une revue extensive de la littrature courante. Des notes condensant ces articles
seront mises la disposition des tudiants.
PREAMBULE
Beaucoup dentreprises industrielles utilisent aujourdhui la vision pour automatiser des oprations fas-
tidieuses de tri ou de contrle des cadences trs rapides. Ainsi pour tenter de se rapprocher des con-
traintes industrielles, nous nous sommes bass pour la progression de ce cours sur la dmarche suivie
lors de linstallation dun systme de contrle qualit par vision artificielle. Pratiquement, ce cours est
assur sous forme de petits sminaires. Nous abordons essentiellement les systmes de contrle utilisant
les camras linaires. En parallle avec cette progression nous donnons en exemple une tude ralise
par nos soins. Nous avons fait le choix de diviser cette progression en cinq tapes :
Pertinence dun contrle par vision artificielle,
Slection des moyens matriels,
Dveloppement logiciel,
Installation du systme et validation du contrle,
Acceptation et prennit du systme.
Dans le point nous nous posons la question de la ncessit dun systme de contrle qualit par vision
artificielle. Pour rpondre cette question nous discutons des possibilits et des limites des systmes de
vision artificielle appliqus au contrle qualit. Les points et reprsentent lessentiel de ce cours.
Nous calculons alors sur des exemples concrets les lments matriels quil est souhaitable dutiliser.
Nous discutons ensuite des algorithmes permettant deffectuer le contrle des produits en temps rel.
Bien que dans certains cas, des calculs lmentaires suffisent rsoudre les problmes poss, tout larse-
nal des mthodes du traitement dimage vient bien point pour parvenir extraire linformation perti-
nente. Le point permet de sapercevoir des problmes et dans ce cas de modifier tout ou une partie du
matriel ou encore un traitement logiciel. Par exprience, le dernier point reste le plus dlicat puisquil
fait intervenir des facteurs humains : au niveau du personnel de production charg du fonctionnement au
quotidien ainsi quau niveau du personnel du service "contrle qualit" charg du bon fonctionnement
dans le temps du systme.
Afin de rester concis nous prsentons uniquement dans cet article les grandes lignes du cours, qui
reprend les points ennoncs prcdemment. En fin darticle nous donnons les textes des travaux pra-
tiques que les tudiants effectuent la suite du cours.
1.2 Dfinitions
Afin de fixer les ides, nous rappelons galement quelques dfinitions gnralement utilises dans la
communaut de la vision industrielle.
La vision industrielle, appel "Machine Vision" par les Anglo-Saxons, est une discipline applique de
la vision artificielle qui emploie le traitement numrique dimages pour automatiser des tches.
Elle utilise des moyens lectroniques et informatiques pour doter des machines et robots de capacits
sensorielles analogues la vision humaine. Autrement dit, elle utilise des camras comme capteurs pour
dtecter des dfauts sur des objets manufacturs, inspecter des pices en cours de fabrication, les compter,
les trier, les classer, les mesurer, ... partir de leur apparence visuelle. Il faut nanmoins se garder
dimaginer une analogie trop profonde entre les performances de la vision humaine, capable dexplorer
la structure spatiale de son environnement et dy reconnatre des objets complexes et varis, connus ou
inconnus, en deux dimensions comme en trois, et les capacits bien plus modestes des systmes de vision
industriels.
Inspecter un produit au sens de la vision industrielle consiste dterminer sil rpond un certain
nombre de spcifications. Cela revient souvent vrifier si un assemblage a t correctement ralis, si
les dimensions dun produit sont respectes ou si son aspect extrieur est satisfaisant ou encore conforme
par rapport un modle de rfrence.
On parle dinspection implicite lorsque les dfauts dtecter sont connus lavance car les produits
examins et leurs dfaillances ventuelles sont parfaitement identifis. Par exemple, la prsence dun
bouchon sur une bouteille ou dune tiquette sur un emballage, lintgrit dun afficheur cristaux liq-
uides, sont des lments qui peuvent tre identifis par rfrence un modle.
Linspection est explicite quand les dfauts recherchs sont mal dfinis ou quils sont mme imprvisi-
bles. Laspect visuel dun tat de surface, dune dchirure, dune fissure ou dune tache sont difficilement
prvisibles. Loprateur humain est trs performant pour dtecter ces types de dfauts qui ne peuvent tre
dcrits a priori par des paramtres explicites. Il sagit donc dune inspection explicite dont lautomatisa-
tion est souvent difficile et qui ouvre la porte dun domaine de recherche actif.
A titre dexemple, nous prsentons dans cette partie du cours des secteurs industriels concerns par le
contrle qualit par vision linaire.
On peut citer notamment les procds o dfilent grande vitesse des matriaux en feuille et en rouleaux
qui doivent tre exempts de dfauts tels que taches, griffes, trous, plis, reliefs et autres htrognits,
(cf. figure 1).
Camras
linaires
Contre
Rouleaux
Produit
inspecter
Nons
Ce type dapplication se rencontre dans lindustrie papetire, dans la sidrurgie, la fabrication du verre
plat, lindustrie textile, ... Dans les cas les plus simples, il sagit de surfaces parfaitement lisses et uni-
formes o il suffit de dtecter des changements de couleur ponctuels; dans dautres, on est confront
des textures priodiques ou non, et il est plus dlicat de sparer les variations normales et accidentelles.
Dans ce cas la camra et lclairage sont de part et dautre du produit inspecter. Le rtro-clairage
permet de mettre en vidence le contour dun objet, son ombre. On lutilise pour faire des mesures ou
dtecter des imperfections (trous, dchirures, ...).
2.1.2 piscopique
Dans cette configuration la camra et lclairage sont du mme cot par rapport au produit inspecter.
En fonction du type de dfaut que lon veut faire ressortir, on trouve distingue alors diffrentes stratgies
dclairage :
clairage diffus : Lintrt dun clairage diffus est de donner une image qui nest pas perturbe
par des ombres ou des reflets. Un tel clairage sutilise avec un objet contrast et marqu. On peut
utiliser une sphre intgratrice qui donne un clairage homogne.
clairage directionnel (Bright field) : Un clairage directionnel permet de mettre en valeur une
caractristique de lobjet.
clairage rasant (Dark field) : Un clairage rasant peut faire ressortir le relief (rayures, bosses...).
clairage laser : Projeter une ligne laser va permettre de localiser des contours ou des points car-
actristiques de lobjet.
Polarisation : Polariser la lumire revient crer une direction privilgie. La polaristion attnue
les reflets parasites de lobjet. Si on a un dfaut en relief, la lumire peut perdre son axe de polari-
sation, alors le dfaut apparatra sur le capteur.
Les lampes halognes sont souvent utilises comme sources avec des fibres optiques qui trans-
portent la lumire jusqu un systme dclairage dport. Cette technologie est souple dutili-
sation : lintensit lumineuse est rglable et la forme peut tre ponctuelle, linaire, annulaire ou
surfacique (rtro-clairage). Par contre, la dure de vie de ces lampes est relativement faible, de
lordre de 1000 heures.
Les clairages fluorescents offrent une grande uniformit, une dure de vie importante et un faible
chauffement. Leur fonctionnement repose sur des dcharges priodiques dlectrons travers le
gaz contenu dans lampoule ce qui provoque la fluorescence. Ces dcharges sont inities par un
ballast et leur frquence doit tre leve. Les lampes fluorescentes sont exploites en clairage
linaire et annulaire.
Les clairages LED fournissent une lumire uniforme et ont une dure de vie de plusieurs an-
nes. Elles fournissent chacune une petite quantit de lumire et il faut donc en aligner plusieurs
pour avoir un systme dclairage. La lumire produite est uniforme et a en gnral une longueur
donde prcise, infrarouge, rouge, vert.... Des systmes produisant une lumire blanche existent
nanmoins. Compte tenu de leur temps de rponse trs court, les LED peuvent tre utilises comme
source stroboscopique. Lune des caractristiques les plus remarquables des LED est leur dure de
vie de plusieurs annes. Lassemblage de LED permet dobtenir des dispositifs linaires, annu-
laires ou surfaciques.
La plupart des techniques dclairage dcrites ci-dessus sont illustres dans le cours par des exemples
dapplications. travers ces exemples nous voulons montrer limportance et la difficult de la dfinition
de lclairage dans un systme de vision. De nombreux paramtres entrent en ligne de compte. Les plus
importants sont lis lobjet tudi : ltat de surface, les caractristiques accentuer, celles qui sont
gommer... Nous voyons que les stratgies dclairage sont nombreuses et reposent sur lorientation des
rayons lumineux, la technologie et la gomtrie du systme. Dans la cadre de la premire sance de
travaux pratiques ltudiant devra mettre en oeuvre une de ces techniques en fonction du type de dfauts
dtecter.
Pour ltudiant intress par les techniques dclairage ainsi que sur loffre dans ce domaine, voici une
adresse de sites web : www.cs.cf.ac.uk/User-bin/M.R.F.Lewis/lightidx.cgi
Luniversit de Cardiff propose un site trs complet rpertoriant lensemble des techniques dclairage
avec leurs particularits, leurs applications ainsi que les camras et optiques appropries.
Limage qui arrive au capteur de la camra rsulte de linteraction de la lumire avec la scne observe.
Pour minimiser les traitements logiciels, il est intressant dobtenir un clairage distribu de faon par-
faitement uniforme et homogne. Malheureusement, il est trs difficile en pratique dassurer cette unifor-
mit, et la constance de lintensit au cours du temps. De plus, des effets tels que les ombres portes, qui
occultent une partie de la scne, ou les reflets, qui blouissent le capteur, dtruisent par endroit le signal.
Ces dfauts sont dautant plus vrais que le champ de vue de la camra est important. Il est plus facile
dassurer cette uniformit de lclairage pour une camra linaire, dont le champ de vue correspond
une ligne sur le produit. Les ombres peuvent tre minimises par la disposition judicieuse des sources,
moins que leur prsence ne soit dsire. Dans le cas des systme de vision linaire la non-uniformit de
lclairage peut tre compense facilement par la carte dacquisition, par un calibrage de lchelle des
niveaux de gris pour chacun des pixels.
Il faut tre vigilant sur la frquence de fonctionnement du systme dclairage, ce qui peut tre prjudi-
ciable pour la prise dimages. Par exemple, dans le cas dun clairage par tubes au non il est impratif
que la frquence de lalimentation des tubes soit suprieure la frquence dacquisition des images-ligne,
pour viter le phnomne de battement.
2.2 Choix de loptique
Nous prsentons dans ce paragraphe la dmarche qui conduit au choix de lobjectif. Ce choix est, dans
un premier temps, conditionn par la distance focale.
Langle de vue.
Le nombre douverture : Le nombre douverture F = f / d avec f la focale et d le diamtre de la
pupille dentre. Nombres douvertures normaliss : 1,4 - 2 - 2,8 - 4 - 5,6 .
Plus le nombre douverture augmente, plus la quantit de lumire diminue au travers de lobjectif
(d diminue), plus la profondeur de champ est grande. A linverse, plus le nombre douverture
diminue, plus la quantit de lumire augmente (d augmente), plus la profondeur de champ diminue,
plus lobjectif est rapide. Si le nombre douverture est petit, alors le diamtre de la pupille dentre
est grand. On sloigne alors des conditions de Gauss (rayons proches de laxe optique), ce qui
peut entrainer des aberrations gomtriques et chromatiques.
Remarque : on peut parfois voir la notation f/xx sur lobjectif. xx est le nombre douverture. On
voit aussi la notation 1:4 quivalent f/4.
Pour rsumer, le nombre douverture influe sur :
la quantit de lumire,
la profondeur de champ,
la rsolution.
La distance focale : Le choix de la focale de lobjectif est dtermin partir de la taille du capteur,
de la taille de lobjet et de la distance laquelle est vu lobjet.
La profondeur de champ dun objectif reprsente la distance entre deux points telle que tout objet
entre les deux points soit vu net par le capteur et au del des deux points soit vu flou. La profondeur
de champ augmente quand :
Le nombre douverture augmente.
La distance objet/objectif augmente.
La focale diminue.
Le grandissement diminue.
agrandissement gal, la profondeur de champ reste constante focale diffrente.
Pouvoir sparateur et FTM : La fonction de transfert de modulation FTM (ou MTF = Modulation
Transfer Function) est une courbe qui relie la variation de contraste de limage la frquence
spatiale de lobjet (dfinie par le nombre de paires de lignes par millimtres). Lobjectif doit avoir
un pouvoir sparateur suprieur celui du capteur. On peut le mesurer avec une mire.
Distorsion : Plus la focale diminue, plus le risque de distorsions sera important car on aura un
grand angle.
Un peu de vocabulaire
Objectif grand angle : petite focale (<50mm), grand champ.
Tlobjectif : grande focale (>50mm), petit champ.
Tlcentrique : grandissement constant quelle que soit la distance objet-objectif, donc pas de
perspective.
Doubleur de focale : cest une lentille qui se place entre lobjectif et le capteur qui dou-
ble la focale. Le grandissement est multipli par deux mais ceci pose quelques problmes :
augmentation de la distorsion lie au grandissement, augmentation du nombre douverture,
diminution de la profondeur de champ.
Focale variable : les zooms sont des objectifs focale variable. Une focale variable permet de
choisir le meilleur cadrage sans changer dobjectif. On joue sur le grossissement de lobjectif.
Le manque de luminosit par rapport une focale fixe peut tre un inconvnient.
Tirage optique (Back Focal Length) : distance entre le plan focal image et la lentille de sortie
de lobjectif.
Tirage mcanique (Flange Back) : distance entre la face mcanique dappui de la monture de
lobjectif et la plan du capteur.
Les imperfections et mauvais rglages de loptique introduisent des distorsions dues aux aberrations
et leffet de perspective, du flou d la dfocalisation ou la diffraction, de la non-uniformit de
luminosit transmise. Ces distorsions peuvent tre minimises par des connaissances doptique de bases.
Cependant il faudra faire un compromis entre la distance camra produit, la puissance de lclairage,
la priode dacquistion et louverture de lobjectif. Par ailleurs il est toujours possible de corriger ces
distorsions de faon logicielle par calibration gomtrique du champ visuel. En observant limage dune
mire de forme connue, on peut mesurer la distorsion et la compenser au moyen de la transformation
inverse. Dans certains cas, cest lobjet mesur lui-mme qui peut servir de mire.
La teinte (Hue) correspond la longueur donde dominante : vert, orange,... cest dire la couleur.
La saturation dfinit la quantit de blanc ajoute la teinte. Le degr de saturation (de puret)
est inversement proportionnel la quantit de blanc. Un rose par exemple est moins satur quun
rouge.
La teinte est trs peu sensible aux variations dclairage, aux ombres et aux reflets. De plus, elle contient
lessentiel de linformation ncessaire pour reconnatre une couleur. Comme on nutilise quune seule
composante pour la reconnaissance, le traitement est plus rapide quen RGB mais la prcision est plus
faible.
Deux technologies sont utilises dans les camras couleur :
Mono-CCD : des masques colors placs devant chaque capteur CCD servent sparer les com-
posantes RVB.
Tri-CCD : Pour chaque pixel de limage, trois capteurs spcifiques chaque composante sont
sollicits. La lumire est diffracte travers un prisme qui oriente chaque composante vers le
capteur associ.
Les mono-CCD sont meilleur march alors que les tri-CCD restituent plus prcisment la couleur.
Une fois le type de camra choisi il faut dterminer :
Rsolution du capteur? La rsolution du capteur doit tre choisie en fonction de la taille de lobjet
et du dfaut dtecter.
Sensibilit du capteur?
Exemple 1 :
Les spcifications du cahier des charges nous imposent la dtection de trous de 0.5 mm de diamtre sur
un produit de largeur 1900 mm. Le produit dfile une vitesse de 30 m/mn. Calculer les caractristiques
techniques du systme dacquisition
Exemple 2 :
Une camra linaire acquiert des images de pices poses sur un tapis roulant. La rsolution dans le sens
de dfilement souhaite est de 1mm/pixel. On fixe donc sur un rouleau davancement, un encodeur qui
servira dclencher lacquisition dune ligne tous les 1 mm. Si la circonfrence du rouleau est de 10 cm
combien lencodeur devra fournir dimpulsions/sec?
Les camras et leurs capteurs sont susceptibles dintroduire un grand nombre de dfauts. Diverses
sources de bruit, de nature thermique et lectronique, polluent le signal. Pour les attnuer, on est par-
fois amen refroidir la camra. Les lments sensibles du capteur peuvent prsenter des sensibilits
diffrentes, ce qui a pour consquence lapparition dune non-uniformit de rponse permanente. Cette
dernire peut tre compense par une calibration approprie.
Lorsque lespacement des pixels diffre horizontalement et verticalement, on dit que lon a affaire
des pixels non carrs. Cet effet entraine une dformation de limage, sous forme dun tirement. Le
mme tirement apparait avec les camras linaires, lorsque la vitesse de dfilement nest pas ajuste par
rapport la frquence de prise dimage. De telles dformations ncessitent un r-chantillonnage.
3 Dveloppement logiciel
La prparation des images peut bnficier une vaste gamme de mthodes aptes rsoudre divers prob-
lmes. En voici une liste largement non exhaustive :
Compensation de non-uniformit dclairage et de rponse du capteur :
Pour corriger cette non-uniformit des niveaux de gris il faut calibrer le systme dacquisition. Le but de
ce calibrage est dobtenir intensit lumineuse gale une rponse identique pour chaque pixel du capteur.
On obtient alors pour chaque pixel du capteur une relation linaire en x, de la forme : y = a.x + b avec x
la valeur du niveau de gris du pixel corriger et y sa valeur corrige. Les paramtres a et b reprsentent
respectivement le gain et loffset associs au pixel. Pour dterminer le gain on prsente une mire uniforme
de blanc et pour loffset on obture compltement lobjectif de manire placer le capteur dans lobscurit
totale.
La plupart des cartes dacquisition dimages ligne possde en standard cette correction logicielle de
faon cble sous forme de LUT (Look Up Table).
Amlioration du contraste :
Lorsque la quantit de lumire incidente est faible ou que les surfaces observes prsentent des teintes
voisines (en couleur comme en noir et blanc), le contraste peut tre insuffisant. Ltirement dhis-
togramme (transformation linaire ou non-linaire) et son galisation peuvent amliorer grandement
la lisibilit de limage.
Amlioration de la nettet :
Le flou peut tre rduit trs simplement par utilisation de filtres passe-haut, qui combinent dune certaine
faon limage donne et ses drives (rehaussement des bords), de faon accentuer les variations au
dtriment des zones uniformes. Rduction de bruit par moyenne spatiale (filtres passe-bas) ou temporelle
(intgration multi-images): les pixels dune image sont normalement fortement corrls spatialement
(dun pixel ses voisins) et temporellement (dun instant lautre). Cette corrlation peut tre exploite
pour liminer les pixels "dviants".
Compensation des variations de contraste :
En raison du vieillissement des sources dclairage, des conditions de lumire ambiante ou dinterven-
tions sur les rglages du systme, la quantit totale de lumire incidente peut varier. Cela peut influencer
le rsultat des traitements. Une faon de compenser de telles variations est la normalisation : on mesure la
luminosit moyenne dans les conditions dapprentissage, puis lors des inspections suivantes, on mesure
nouveau la luminosit moyenne de limage et on applique un coefficient correcteur appropri. Cette
technique nest efficace que si le contenu de limage ne change pas dune image lautre.
Ralignement (correction de position et direction) :
Pour diverses raisons, en particulier cause du jeu mcanique de la fixation des pices, ou un dplace-
ment involontaire de la camra ou des pices elles-mmes, ... les objets observs noccupent pas toujours
exactement la mme position dans le champ de vue. Si on est capable, par des mthodes exposes ci-
aprs, de dterminer la position effective des pices, on peut ramener celles-ci en position nominale par
ralignement (translation et rotation, ventuellement remise lchelle). Cela permet de ramener lobjet
inspect dans une position telle que les rgions dintrt utiles peuvent rester fixes.
Compensation des distorsions optique, perspective, des pixels non carrs :
Comme on la vu, la chane de formation de limage peut introduire diffrents types de dformations
qui donnent des objets observs une image fausse. Si on est capable de mesurer les dformations corre-
spondantes, notamment par lemploi de mires de formes connues grilles, matrices de points, damiers on
est galement capable de compenser ces dformations et de restituer la gomtrie dorigine de la scne.
La plupart de techniques prsentes ci-avant permettent dans une certaine mesure de rduire ou liminer
des causes derreurs accidentelles ou systmatiques. Elles le font souvent au dtriment dautres qualits
de limage. Par exemple, la rduction de bruit saccompagne toujours dune perte de rsolution qui se
manifeste par une disparition des dtails fins ( partir dun certain niveau, et sans connaissance a priori,
un algorithme ne peut pas faire la diffrence entre du bruit et un dtail fin). Bien que le traitement
numrique dimages procure une large gamme doutils propres rduire divers dfauts, il est bien plus
recommandable de les liminer la source, autant pour rduire la charge de calcul que pour viter
dintroduire dautres dfauts.
La segmentation des objets dans une image est une tche difficile dans le cas gnral. On sarrange,
par des artifices dclairage ou autres, pour crer un contraste important entre les objets observer et le
fond. De cette faon, une simple opration de seuillage permet de les sparer. Sinon, des techniques plus
labores doivent tre employes. Ces techniques ont t traites dans le cours de traitement dimages
du tronc commun. Cependant dans le cadre dune application de contrle qualit les traitements utiliss
doivent rpondre un certain nombre de rgles.
Les approches utilises doivent fonctionner de faon autonome, non supervise. Aprs une phase
de dmarrage ventuellement ralise par un oprateur en dbut de production, les systmes doivent
fonctionner sans intervention pendant de longues priodes et une cadence rapide. Ils doivent pour
cela tre capables de sadapter dans une certaine mesure et rsister aux changements des conditions
de fonctionnement telles que lclairage ambiant ou la disposition des pices.
Les mthodes de mesure, qui peuvent tre qualitatives (prsent/absent, nombre, bon/mauvais...) ou
quantitatives (longueur, diamtre, couleur moyenne, rugosit, ...), doivent tre fiables, prcises et
reproductibles. Cela implique une prise en compte correcte des variations du contenu de limage in-
hrentes au processus observ et une exploitation judicieuse des dtails pertinents dans les images.
Une solution intressante consiste comparer le produit en cours dinspection une rfrence.
Dans ce cas les imperfections introduites par la chane dacquisition peuvent tre acceptes. Si les
imperfections correspondent des erreurs systmatiques, cest--dire se prsentent toujours avec
la mme intensit et le mme signe (distorsion optique permanente, non-uniformit stable dans
le temps, dsalignement constant, ...), une simple soustraction dimage, ou la comparaison une
tolrance de variation prs suffit.
Les traitements doivent suivre la cadence du temps rel impos par la chane de fabrication. tant
donnes les hautes vitesses de dfilement souhaites (souvent comptes en pices ou dizaines de
pices par secondes) et le gros volume de donnes traiter (de lordre du mga-octet par image),
des processeurs puissants combins des algorithmes simples et efficaces sont requis. Si nces-
saire, on peut avoir recours du matriel spcialis pour acclrer les calculs.
Dans la plupart des cas, on se ramne des problmes deux dimensions en choisissant judicieuse-
ment le point de vue et la disposition des objets pour se ramener des cas plans. Le travail en trois
dimensions ncessite en effet une reconstruction de linformation de profondeur absente des im-
ages, qui fait appel des techniques de triangulation spatiale telles que la stroscopie (emploi de
deux images) ou lclairage structur (motif projet sur les objets observs). Ces techniques sont
relativement dlicates mettre en oeuvre.
On se contente galement la plupart du temps dutiliser des images en niveaux de gris. Celles-ci
permettent en effet souvent de voir les caractristiques pertinentes des objets et suffisent pour les
besoins courants. Dautre part, les images en couleur sont plus volumineuses (trois fois plus en
gnral) et les valeurs associes aux pixels doivent tre vues comme des vecteurs plutt que des
scalaires. Le surcrot de complexit ainsi introduit nest pas toujours justifiable. Lemploi de la
couleur simpose uniquement lorsquelle permet de rvler des contrastes invisibles en niveaux
de gris. Dans la pratique, les niveaux de gris sont quantifis sur 8 bits (256 niveaux distincts);
exceptionnellement, 10 ou 12 bits sont utiliss.
Enfin, les industriels apprcient la facilit dutilisation avec un minimum dintervention humaine,
dintgration dans des automatismes existants. Les mthodes et outils proposs doivent rester sim-
ples demploi et ne pas ncessiter les comptences de spcialistes en vision.
3.1.3 Dcision
De cette varit dapplications, on peut nanmoins dgager un ensemble de procds utiliss de faon
rcurrente et combins pour rsoudre compltement les problmes de vision poss.
Dans une grande catgorie de cas, on ne connait pas lavance le contenu de limage, ou seulement qual-
itativement, et on se propose de le quantifier: lorsquil sagit dobjets en vrac ou de dfauts imprvisibles,
on est amen les compter. Cette tche est triviale pour des objets simples et bien contrasts. Elle peut
se compliquer si les objets prsentent une structure interne, quils se touchent ou se chevauchent et se
distinguent mal du fond et si leur aspect est trs variable.
Lorsquon est capable disoler les objets de leur contexte, on peut dcrire leur forme, leur taille, leur
couleur, ... au moyen de mesurandes bien choisis. Cest notamment le cas de la recherche de dfauts de
surface, quils soient contrasts, colors ou en relief, ... On peut galement faire des tudes statistiques
de la rpartition des valeurs associes. On caractrise ainsi des populations entires.
Par comparaison des paramtres mesurs avec des valeurs de rfrence, on peut ainsi classer les objets
individuels ou populations dchantillons en catgories pr-dfinies telles que "bon" et "mauvais", ou
encore "bonne qualit" , "qualit moyenne" et "rejet".
Lorsquil sagit de pices de forme et dimensions bien connues lavance, les mesures peuvent tre
plus fines: un contrle dtaill des cotes et de la forme des contours devient possible. Ces informations
peuvent tre compares des gabarits ou intervalles dacceptation qui prcisent les limites de variations
tolres.
Lutilisation de plusieurs bandes spectrales, et en particulier la traditionnelle dcomposition en canaux
rouge, vert et bleu, enrichit de faon notable les possibilits de mesure. En particulier, on peut se livrer
une classification beaucoup plus fine, sur la base dune description qualitative ou quantitative de la
couleur (dfauts plutt rouges, plutt jaunes, ...). Il faut cependant rappeler que le traitement en couleur
est plus exigeant de nombreux points de vue. Il requiert en particulier que lon se proccupe de la
stabilit des couleurs et de la fidlit de leur mesure. Par exemple, dans lindustrie de limprimerie, il
est utile de pouvoir comparer les couleurs imprimes aux couleurs affiches lcran du systme de
composition de pages. On utilise pour ce faire des systmes de reprsentation des couleurs indpendants
du matriel.
4 Travaux pratiques
Les sances de manipulations de 3h chacune, sont ralises laide du logiciel Matlab. Lobjectif de
ces sances est de permettre aux tudiants, face un problme concret de contrle qualit de produit en
dfilement continu, de savoir dfinir larchitecture matriel et logicielle pour la dtection de dfauts.
On demande en fonction des informations sur le film plastique de choisir le type dclairement
adquat et la position de la camra.
La largeur de la bobine est de 670mm. A quelle hauteur doit tre place la camra linaire?
On dispose de plusieurs objectifs, calculer la focale et en dduire lobjectif utiliser. Calculer la
profondeur de champ. Ne risque t-on pas une dfocalisation sur les cots?
On vous demande de faire des acquisitions de lignes du produit en dfilement. Pour cela, visualiser
sous forme dimages en niveaux de gris et sous forme de profil le rsultat de vos acquisitions. On
utilise le logiciel CAP fourni avec la carte dacquisition. Que constatez-vous sur la qualit des
images lignes? Que proposez-vous comme solution, et la mettre en oeuvre. Donner alors le rsultat
des images ligne obtenu.
On vous demande de faire des acquisitions de lignes du produit en dfilement en y ajoutant vous-
mme des dfauts. Ces acquisitions devront tre sauvegardes pour tre utilises dans la sance de
TP No 2.
Avec le matriel votre disposition, on vous demande de dterminer les limites du systme au
niveau des rsolutions spatiales et temporelles.
Visualiser le profil de niveaux de gris de limage en prsence et en abscence de dfaut. Que con-
statez vous? Que proposez-vous pour mettre en vidence ces variations?
On vous demande de dtecter ces variations de niveau de gris correspondant aux dfauts par des
oprateurs differentiels Rponse Impusionnelle Finie (RIF ou filtre non rcursif) vu en cours de
traitement dimages. Faire la simulation pour diffrentes tailles doprateurs
On propose maintenant dutiliser des oprateurs Rponse Impusionnelele Infinie (RII) ou encore
filtres rcursifs. On fournit en annexe les quations de rcurrence des oprateurs du second ordre
(Deriche, Wan). Raliser les fonctions ncessaire la mise en oeuvre de ces oprateurs. Comparer
avec les images donnes la question les performances de ces oprateurs.
Indiquer les avantages et inconvnients de ces oprateurs RIF et RII.
Dans cette sance on vous demande de mettre en oeuvre une solution logicielle pour tre en mesure de
dtecter et de classifier les dfauts prsents dans les images. On vous fournit une base de donnes qui
contient des images de produit textur (cf figure 4). On utilise pour cette sance le logiciel Matlab.
Dans une 1re partie on vous donne les grandeurs statistique du 1er et du 2nd ordre sur une banque
dimages sans dfauts pour diffrents voisinage : 20pixels*12lignes, 40pixels*25lignes, 80pix-
els*50lignes. Calculer pour vos images au voisinage du dfaut les grandeurs statistiques du 1er
et du 2nd ordre. Que constatez-vous?
Modifier la taille du voisinage et reprendre la question prcdente. Que peut on dire sur la taille de
ce voisinage?
Quelle est la relation entre la taille du voisinage et la taille du dfaut?
Raliser les fonctions permettant de dtecter les dfauts. Si maintenant on a une variation de
niveaux de gris (par exemple clairage non constant), que se passe t-il ? Que faut il prendre en
compte?
Dans cette partie on ne connat pas les caractristiques statistique du 1er et du 2nd ordre de limage
de rfrence. Proposer une dmarche qui permette de dtecter les dfauts prsents dans limage.
F IG . 4: Images textures sans et avec dfauts
5 Rfrences