Apprentissage automatique pour une gestion intelligente des palettes : vers une solution innovante pour le comptage automatisé de colis

Machine learning for intelligent pallet management : towards an innovative solution for automated parcel counting

• Auteur / Autrice : Ikram Eddahmani
• Direction : Marwa El Bouz
• Type : Thèse de doctorat
• Discipline(s) : Signal, image, vision, son
• Date : Soutenance le 25/02/2025
• Etablissement(s) : Brest
• Ecole(s) doctorale(s) : École doctorale Mathématiques et sciences et technologies de l'information et de la communication en Bretagne Océane (Brest)
• Partenaire(s) de recherche : Laboratoire : Institut supérieur de l'électronique et du numérique
• Jury : Président / Présidente : Christian Brosseau
• Jury : Examinateurs / Examinatrices : Marwa El Bouz, Christian Brosseau, Denis Hamad, Fadi Dornaika, Yousri Ouerhani, Thibault Napoléon, Chi-Hieu Pham, Isabelle Badoc
• Jury : Rapporteurs / Rapporteuses : Denis Hamad, Fadi Dornaika

Mots clés

Mots clés contrôlés

Réseaux neuronaux (informatique)

Apprentissage automatique

Inventaires

Stockage

Automatisation

Entrepôts -- Gestion

Mots clés libres

Automatisation logistique

Comptage des colis

Apprentissage automatique

Représentations démêléés

Nuages de points

Reconstruction 2D/3D

Logistics automation

Parcel counting

Machine learning

Disentangled representation learning

Point clouds

2D/3D reconstruction

Résumé

Avec l’évolution rapide des technologies, le secteur de la logistique connait une transformation majeure avec l’automatisation des processus. Cette thèse propose une solution innovante pour automatiser le comptage des colis sur palettes dans les entrepôts, une tâche complexe, coûteuse et sujette aux erreurs lorsqu’elle est effectuée manuellement.L’objectif est de développer une méthode automatique de comptage en exploitant l’apprentissage automatique. Une première méthode utilisant des représentations démêlées a été mise en place pour séparer les informations statiques et dynamiques des palettes, facilitant le suivi des colis. Cependant, cette méthode présente des limites pour décomposer des piles complexes de colis. Pour répondre à ces défis, une approche reposant sur des nuages de points et des techniques de reconstruction 2D/3D a été développée. Elle offre une représentation spatiale précise des colis, même en cas d’occlusions. Une architecture neuronale spécifique a été conçue pour reconstruire la position des colis à partir d’images 2D. Enfin, le modèle a été validé dans un environnement réel à partir de données collectées chez un partenaire industriel.Un flux de traitement adapté a permis d’obtenir des résultats fiables, bien que certaines erreurs de comptage aient été constatées. Cette validation confirme l’efficacité du modèle et son potentiel d’intégration dans les processus logistiques.

With the rapid evolution of technology, the logistics industry is undergoing a major transformation through process automation. This thesis proposes an innovative solution to automate parcel counting on pallets in warehouses, a task that is complex, costly, and prone to errors when performed manually. The objective is to develop an automatic counting method using machine learning. An initial approach leveraging disentangled representations was implemented to separatestatic and dynamic information on pallets, facilitating parcel tracking. However, this method faces limitations when decomposing complex stacks of parcels. To address these challenges, a new approach based on point clouds and 2D/3D reconstruction techniques was developed. This approach provides an accurate spatial representation of parcels, even in cases of occlusion. A specific neural network architecture was designed to reconstruct the positions of parcels from 2D images. Finally, the model was validated in a realworld environment using data collected from an industrial partner. A tailored data processing pipeline produced reliable results, despite some counting errors. This validation confirms the model’s effectiveness and its potential for integration into logistics processes.