Joe KHALIL : "Amélioration de la Vision Industrielle par des Pipelines de Données Simulées et Génératives"

Résumé : Les systèmes de vision industrielle s’appuient de plus en plus sur l’Apprentissage profond (AP) pour la détection d’objets, l’inspection et la robotique, mais leurs performances sont limitées par la rareté, le déséquilibre et le coût des jeux de données annotés du monde réel. Les données synthétiques constituent une alternative, toutefois les approches existantes manquent souvent de réalisme, de diversité et de transférabilité. Cette thèse propose des chaînes de simulation et de génération visant à améliorer la Génération de Données Synthétiques (GDS) pour les tâches industrielles et à réduire l’écart entre données synthétiques et réelles. Premièrement, nous présentons une chaîne de GDS fondée sur la simulation pour la détection d’objets industriels, intégrant une Randomisation du Domaine (RD) structurée, des textures de vieillissement réalistes et une annotation automatique. L’évaluation sur des images réelles montre que l’enrichissement en textures d’usure améliore la précision de détection par rapport à des textures propres ou aléatoires. Deuxièmement, nous introduisons un cadre génératif de synthèse de textures construisant un espace de textures multidimensionnel décrivant les stades du cycle de vie des actifs industriels. En combinant traduction d’état, interpolation et fusion, ce cadre permet des variations contrôlées, une visualisation fidèle des évolutions de surface, la généralisation à de nouvelles variantes de forme et, une fois intégré à la simulation, une meilleure détection d’objets. Troisièmement, nous étendons le simulateur NVIDIA Omniverse Isaac Sim avec une chaîne de génération de défauts prenant en charge plusieurs types, la projection simultanée et une RD avancée. Appliquée à un cas d’assemblage robotisé intelligent sur des composants automobiles imprimés en trois dimensions, cette approche montre que le mélange d’environnements réalistes et randomisés produit les jeux de données les plus efficaces, améliorant la détection de défauts ainsi que la détection d’objets. Ces contributions démontrent que nos méthodes de simulation et de génération produisent des jeux de données réalistes, diversifiés et évolutifs, réduisent la dépendance aux données réelles coûteuses et renforcent la robustesse des systèmes de vision industrielle.

Composition du jury : 

Raphaël COUTURIER Professeur Université Marie et Louis Pasteur Directeur de thèse
Olivier AYCARD Professeur Université Grenoble Alpes Rapporteur
Stéphane CHRETIEN Professeur Université Lumière Lyon 2 Rapporteur
Hamida SEBA Professeur Université Claude Bernard Lyon 1 Examinateur
Najib METNI Associate Professor Notre Dame University Co-encadrant de thèse

Localisation : 19 avenue du Maréchal Juin Bâtiment E BP 527 90016 BELFORT - salle Salle E 206 - Université Marie et Louis Pasteur IUT Nord Franche-Comté