De l'inspection 2D à la mesure 3D : DEPZ priorise la disparité stéréo avec l'apprentissage automatique
Au T1 2024, DEPZ a décidé de se concentrer sur l'estimation de la disparité stéréo par apprentissage automatique. L'objectif est de transformer l'inspection en mesure — permettant une évaluation 3D reproductible des défauts et des écarts géométriques dans des conditions industrielles exigeantes.
Ce que nous avons appris des premiers pilotes
Lors des premiers pilotes de vision, une conclusion est devenue claire : dans de nombreux cas, il ne suffit pas de voir un défaut — il faut le mesurer par rapport aux tolérances.
Les produits grand format peuvent présenter :
- Gauchissement lent sur de larges surfaces
- Écarts petits mais importants aux bords et aux jonctions
- Défauts dont la gravité est définie par la profondeur/hauteur plutôt que l'apparence
Cela a naturellement orienté DEPZ vers la vision stéréo et la reconstruction de profondeur comme capacité fondamentale.
Pourquoi la disparité est le goulot d'étranglement technique
La profondeur par stéréo commence par la disparité : la correspondance de points entre les images gauche et droite. Dans des démos contrôlées, de nombreuses méthodes fonctionnent bien. En conditions de production réelles, le problème devient plus difficile en raison de :
- Surfaces à faible texture (plastiques lisses)
- Réflexions et reflets spéculaires
- Différences d'éclairage sur de grandes surfaces
- Contraintes de mouvement, vibration et débit
Si la disparité est instable, la profondeur devient instable — et la mesure devient peu fiable.
Pourquoi les approches d'apprentissage automatique sont prometteuses
Au T1 2024, DEPZ a priorisé la recherche sur l'estimation de disparité assistée par ML, y compris les approches hybrides combinant géométrie classique et correspondance par apprentissage. Les méthodes ML peuvent améliorer la robustesse en :
- Apprentissage des motifs de correspondance sur surfaces à faible texture
- Gestion plus élégante des motifs répétés et des régions ambiguës
- Adaptation à des domaines industriels spécifiques via des jeux de données sélectionnés
- Résultats plus cohérents dans les zones critiques pour les décisions QA
Ce que nous construisons réellement (pas seulement « un modèle »)
Le programme de disparité de DEPZ est traité comme une pile d'ingénierie complète :
- Pipeline de données. Collecte de données sur plusieurs états de surface et configurations d'éclairage ; scénarios de défauts et de géométrie représentatifs de la production ; stratégie d'étiquetage alignée sur des résultats mesurables.
- Stabilité de calibration. Procédures de calibration et recalibration ; contrôles de dérive et stabilité mécanique dans le temps.
- Environnement d'évaluation. Tests reproductibles sur des objets de référence et géométries connues ; métriques reflétant les exigences industrielles (reproductibilité, modes de défaillance, confiance).
- Contraintes de déploiement. Objectifs de débit et latence ; fiabilité en fonctionnement prolongé ; comportement prévisible en conditions dégradées.
Résultat attendu
L'objectif est de créer un noyau de profondeur capable d'alimenter :
- Inspection et métrologie en ligne
- Cas d'utilisation de manutention robotique et d'automatisation
- Futurs dispositifs et logiciels stéréo au niveau produit
C'est un investissement fondamental : une fois la disparité et la profondeur fiables, une large classe de problèmes d'automatisation devient plus facile et plus évolutive.