Rob’Occ Détection

ROS2/Rosbridge :

Interface de communication permettant de relier le système ROS à des applications externes via WebSocket. Elle facilite l’échange de données (topics, services, messages) entre le robot et des outils tiers, notamment pour le pilotage, la supervision et l’analyse des résultats de tests.

Python3 :

Langage de programmation utilisé pour le développement des scripts de traitement, l’exploitation des données issues des capteurs et l’implémentation des algorithmes de vérification et d’inspection automatique.

Roboflow :

Plateforme dédiée à la gestion des datasets en vision par ordinateur. Elle a été utilisée pour l’annotation des images du robot, l’augmentation des données et l’export du jeu de données au format compatible YOLO.

Google colab :

Environnement de calcul cloud permettant l’entraînement du modèle de vision artificielle sur GPU. Il a facilité l’entraînement rapide du modèle sans contrainte matérielle locale.

1 – Détection des capteurs ultrason par rotation du robot

Cette étape a porté sur la mise en œuvre d’un protocole automatisé de vérification du positionnement des capteurs ultrason.
Le principe repose sur l’observation de l’évolution des distances mesurées lorsque le robot tourne sur lui-même. Le robot est d’abord placé dans un environnement dégagé, avec un obstacle positionné à une distance connue devant un capteur de référence. Lors de la rotation contrôlée du robot, chaque capteur est successivement aligné avec l’obstacle. La distance mesurée est alors analysée afin de confirmer l’ordre, l’orientation et le bon câblage des capteurs

2 – Inspection visuelle externe par vision artificielle

Cette partie a porté sur la mise en place d’un système d’inspection visuelle automatique visant à vérifier la conformité externe du robot avant sa sortie d’usine. Une première approche par comparaison d’images (SSIM) a été évaluée mais s’est révélée trop sensible aux variations de position et d’éclairage pour un usage industriel. Une seconde méthode a été retenue basée sur un modèle de segmentation YOLO, entraîné spécifiquement pour détecter et segmenter le robot Noeme (figure 1), indépendamment de sa position ou des conditions d’éclairage. Cette approche offre une solution robuste, rapide et évolutive, adaptée à un contexte industriel.