The automated visual inspection is a fast growing technology used in many industrial applications such as for the identification and the repair of damaged critical aeronautical parts. Measuring surface defects consists in taking images with one or several acquisition systems in order to apply digital image processing techniques. These methods use many different algorithms from detection and image registration to segmentation and classification of defects. For a robot-based acquisition, the robot kinematics must be taken into account. The aforementioned systems need a preliminary step of calibration to extract accurate information from the acquired images.

Each step of this technology contains several sources of uncertainty due to internal and external factors. The evaluation of those uncertainties allows to quantify the quality of a measurement and identify the parts of the process having higher sensitivity to errors. Considering this large number of systems present in an inspection technology, the main objective of this project is to the estimate the uncertainties associated to the 2D acquisition process of AV&R, i.e. the camera calibration and the related defect detection algorithms. The inspection parts used in this project are fan blades. In particular, the assessment of detection uncertainties is focused on the defects near the leading edge and the root of the blade, the most critical zone. Eight acquisitions are acquired to cover the entire zone.

To evaluate the uncertainty of both calibration methods developed by AV&R, the Monte Carlo method is used. Due to technical constrains on reference frames correspondence and the costs involved in the implementation of this method, the focus and depth of field calibration algorithm is adapted to a suitable programming language able to run Monte Carlo simulations. A camera pose estimation algorithm, called Pose from Orthography and Scaling with Iterations (POSIT), is implemented on a setup similar to the one used by AV&R in order to propose an alternative to their second calibration method. Among all the methods involved in the detection routine, a deterministic edge detection algorithm called Slope Detection is highly sensitive. In particular, three key parameters play an important role in the number of detected defects and the number of false detections:​ the filter size, the intensity threshold and the minimum size of detected defects. The correlation between both detection outputs and the three sensitive parameters is quantified for one particular acquisition. The importance of each variable is also estimated using a random forest regressor.

The uncertainty of the detection algorithms relies on the uncertainty of the camera calibration methods. Since not all calibration uncertainties are known, a series of acquired post-calibration images is used to assess the uncertainty of each pixel considering the intensity standard deviation as the standard uncertainty. Therefore, the variability present within the camera calibration methods is taken into account in the evaluation of the detection uncertainties. The uncertainty of the detected defects and the number of false detections provided by Slope Detection is evaluated using Monte Carlo simulations. The sensitivity of the detection uncertainties to different surface finishes and to the defects location on the blade is quantified. Finally, the impact of each acquisition uncertainty on the detection uncertainties is also quantified.

The results of Monte Carlo simulations for the focus and depth of field calibration show that the uncertainty of the added noise in pixels cannot exceed an intensity of 7 or risk of obtaining results outside the tolerance zone set by AV&R. The implementation of POSIT provides a camera pose with good accuracy. The uncertainty evaluation of the camera pose allowed to state that the uncertainty of the focal length and the 3D points of the calibration target has a significant impact on the depth coordinate of the translation vector. The other two coordinates are mainly sensitive to the position of the image center. The camera orientation is mostly sensitive to the uncertainty of the measured 3D points and the corresponding image points. In view of the accuracy of AV&R’s setup, the POSIT algorithm could potentially reduce the pose uncertainty of the camera used.

The number of detected defects and false detections returned by the algorithm Slope Detection do not show a strong sensitivity to any of the three key parameters. Nevertheless, the size of the filter and the threshold have a higher impact on the results than the minimum defect size. However, the generation of a dataset without outliers is required to better characterize this sensitivity but above all to identify optimal values of the key parameters that would give better detection results. The Monte Carlo method applied to the Slope Detection algorithm highlights that the detection uncertainties are low. Indeed, for each fan blade the expanded uncertainty at 95%, on average, is unitary for the number of false detections and around 0.2 for the number of detected defects. Three adjacent acquisitions of the blade critical zone present increased detection uncertainties compared to the other acquisitions. Among all the acquisitions, one has significant effect on the uncertainty of the number of detected defects. The number of false detections is not more affected by a particular acquisition though.

Finally, the results show that the defect repair increases the detection uncertainties. A repaired fan blade has a 5 times higher uncertainty for the number of detected defects and 2.3 times higher for the number of false detections compared to an unrepaired blade. The accuracy of the repair process performed by AV&R must therefore be increased in order to reduce the number of artifacts present in the images.

L’inspection visuelle automatisée est une technologie en expansion dans le domaine industriel, notamment pour l’identification et la réparation de pièces aéronautiques critiques défectueuses. Pour mesurer des défauts de surface, des images prises par un ou plusieurs systèmes d’acquisition sont traitées. Le traitement de ces images requiert de nombreux algorithmes de détection, de recalage, de segmentation et de classification des défauts observés. Dans le cas d’une acquisition robotisée, la cinématique du robot doit également être connue et prise en compte. Tous ces systèmes nécessitent une étape préliminaire d’étalonnage pour pouvoir extraire des informations précises des images capturées.

Chaque étape d’un tel procédé possède plusieurs sources d’incertitude dues à des facteurs internes ou externes. L’évaluation de ces incertitudes permet de quantifier la qualité d’une mesure et d’identifier les parties d’un processus ayant une sensibilité accrue. Devant la multitude de systèmes présents dans une technologie d’inspection, l’objectif de ce projet est d’estimer les incertitudes associées au procédé d’acquisition 2D d’AV&R, i.e. l’étalonnage d’une caméra et des algorithmes de détection de défauts associés. Les pièces d’inspection utilisées dans ce projet sont des aubes de soufflante. Plus particulièrement, seuls les défauts proches du bord d’attaque et du pied de l’aube sont considérés, zone considérée comme critique. Huit acquisitions sont prises pour capturer l’ensemble de la zone critique de l’aube.

Pour évaluer les incertitudes des deux méthodes d’étalonnage de camera d’AV&R, la méthode de Monte Carlo est utilisée. Dû à des contraintes de correspondance de référentiels et aux coûts liés à l’implémentation de cette méthode, l’algorithme d’étalonnage du focus et de la profondeur de champ est adapté à un langage de programmation plus approprié. Une méthode d’estimation de la pose de la caméra pour des points coplanaires, appelée Pose from Orthography and Scaling with Iterations (POSIT), est implémentée pour un setup similaire à celui d’AV&R afin de proposer une alternative à leur seconde méthode d’étalonnage. Parmi toutes les méthodes utilisées dans la routine de détection, un algorithme déterministe de détection de contours appelé Slope Detection est très sensible. En particulier, trois paramètres clés jouent un rôle important dans la variation du nombre de défauts détectés et du nombre de fausses détections :​ la taille du filtre, le seuil d’intensité et la taille minimale de défauts détectés. La corrélation entre les deux sorties de détection et les trois paramètres sensibles est quantifiée pour une acquisition. L’importance de chacun des paramètres est évaluée à l’aide d’une régression par forêt d’arbres décisionnels.

Les incertitudes des algorithmes de détection dépendent des incertitudes d’étalonnage de la caméra. Étant donné que l’ensemble des incertitudes d’étalonnage n’est pas connu, une série d’images obtenues après étalonnage est utilisée pour évaluer l’incertitude de chaque pixel en prenant l’écart-type de l’intensité comme incertitude standard. Cela permet donc de tenir en compte les variabilités présentes au sein des processus d’étalonnage de la caméra dans l’évaluation des incertitudes de détection. L’incertitude du nombre de défauts détectés et du nombre de fausses détection fournis par Slope Detection est évaluée au moyen de simulations de Monte Carlo. La sensibilité des incertitudes de détection à différents finis de surface et à la position des défauts sur l’aube est quantifiée. Enfin, l’impact de l’incertitude de chaque acquisition sur les incertitudes de détection est également quantifié.

Les résultats des simulations de Monte Carlo pour l’étalonnage du focus et de la profondeur de champ montrent que l’incertitude d’intensité ajoutée aux pixels ne peut dépasser 7 sans obtenir des résultats hors des tolérances fixées par AV&R. L’implémentation de POSIT donne la pose de la caméra avec une bonne précision. L’évaluation de l’incertitude de cette pose a permis d’établir que l’incertitude de la longueur focale et des points 3D de la cible d’étalonnage a un impact conséquent sur la coordonnée de profondeur du vecteur de translation. Les deux autres coordonnées de ce vecteur sont surtout sensibles au centre de l’image. L’orientation de la caméra est principalement sensible aux incertitudes de mesure des points 3D et de leurs images. L’incertitude de cette orientation est très élevée à cause du bruit important ajouté aux points 3D. Au vu de la précision du setup d’AV&R, l’algorithme POSIT pourrait potentiellement réduire l’incertitude de la pose de la caméra utilisée.

Le nombre de défauts détectés et de fausses détections fournis par Slope Detection ne montrent pas de sensibilité accrue à un des trois paramètres clés. Néanmoins, la taille du filtre et du seuil choisis affectent plus les résultats que la taille minimale des défauts. Toutefois, un jeu de données exempt de valeurs aberrantes permettrait de mieux caractériser cette sensibilité et d’identifier les valeurs optimales des paramètres clés. La méthode de Monte Carlo appliquée à Slope Detection montre que les incertitudes de détection sont faibles. En effet, en moyenne pour chaque aube l’incertitude élargie à 95% est unitaire pour le nombre de fausses détections et de 0.2 pour le nombre de défauts détectés. Trois acquisitions adjacentes de la zone critique présentent des incertitudes de détection accrue comparée aux autres acquisitions. Parmi toutes les acquisitions, une seule a un impact plus conséquent sur l’incertitude du nombre de défauts détectés. Le nombre de fausses détections n’est pas plus affecté par une acquisition en particulier. Enfin, les résultats montrent que la réparation de défauts accroît les incertitudes de détection. Une aube réparée présente une incertitude 5 fois plus élevée pour le nombre de défauts détectés et 2.3 fois plus élevée pour le nombre de fausses détections comparée à une aube non réparée. La précision des réparations effectuées par AV&R doit donc être accentuée afin de réduire le nombre d’artefacts présents sur les images.