De la détection de défauts de surface à l'évaluation automatique de la qualité des pneumatiques : Une approche d'inspection par apprentissage profond de bout en bout

L'inspection visuelle des défauts d'aspect dans l'industrie pneumatique est un processus historiquement manuel et complexe à automatiser. Cette thèse propose plusieurs contributions méthodologiques basées sur l'apprentissage profond visant à améliorer la détection et la classification des défauts selon leur type et leur niveau de sévérité. D'abord, nous introduisons une approche en deux étapes combinant un réseau de segmentation d'instances de type Mask R-CNN pour segmenter les défauts et une classification indépendante exploitant à la fois les caractéristiques visuelles et géométriques des instances détectées. Cette méthode permet notamment de traiter toutes les zones du pneumatique de manière efficace grâce à une stratégie de spécialisation par zone. Cependant, cette première approche en deux étapes présente certaines limites, notamment en termes de complexité de mise en œuvre dans un contexte industriel. Le deuxième chapitre se concentre donc sur la simplification de cette méthode en fusionnant la prédiction du type de défaut et de son niveau de sévérité en une seule étape, directement intégrée dans le réseau Mask R-CNN. Nous proposons ainsi une adaptation architecturale nommée DML Mask R-CNN (Dependent Multi-Label), conçue pour traiter la problématique de l'annotation multi-étiquette dans le cadre de la détection d'objets et de la segmentation d'instances. Cette nouvelle version permet l'attribution simultanée de plusieurs étiquettes à chaque instance détectée, telles que le type de défaut et son niveau de sévérité. Nous intégrons également un module dédié à l'extraction de propriétés géométriques, dont les sorties alimentent une branche de classification de sévérité, afin de guider cette prédiction à l'aide d'informations non visuelles issues de connaissances a priori du domaine. Après cette étude approfondie des approches de détection et segmentation d'instances, nous explorons également la segmentation sémantique pour évaluer ses performances en comparaison avec les méthodes précédentes. L'approche proposée repose sur une première étape de segmentation sémantique visant à identifier les types de défauts, suivie d'une classification au niveau de l'image basée sur le niveau de sévérité maximal. Cette deuxième étape se base sur la réinjection des sorties du premier réseau dans un modèle de classification d'images. Ce chapitre aborde également la question de l'ambiguïté des annotations, problématique répandue dans le contexte de l'annotation de défauts de surface sur pneumatiques. Pour la traiter, nous avons opté pour une modélisation stochastique des prédictions, qui capture les dépendances entre les différentes classes de défauts au niveau du pixel à l'aide d'une distribution normale multivariée. Enfin, nous présentons une approche basée sur l'apprentissage multi-instance (Multiple Instance Learning), qui permet de passer de prédictions localisées au niveau des défauts à une décision globale concernant l'état final du pneumatique, à savoir s'il doit être réparé ou peut être expédié au client. Cette modélisation permet d'agréger automatiquement les informations issues des différentes instances et zones d'un même pneumatique, sans annotations précises, mais uniquement à partir des verdicts globaux fournis par les opérateurs. Cette approche a l'avantage d'éviter la définition manuelle de règles empiriques complexes par des experts du domaine pour filtrer les détections selon les exigences qualité. Testée dans plusieurs usines en conditions réelles, cette méthode a démontré une réduction notable des faux positifs par rapport aux règles existantes. Elle est actuellement en cours d'industrialisation en vue d'un déploiement à grande échelle sur les différents sites de production. L'ensemble de ces contributions a été validé sur des jeux de données industriels réels et montre une amélioration significative en termes de performance par rapport aux méthodes existantes.