Automatisation du contrôle qualité et réduction des non conformités en utilisant des techniques de machine learning chez Faurecia Clean Mobility

Automation of quality control and reduction of non-compliance using machine learning techniques at Faurecia Clean Mobility

• Auteur / Autrice : Charbel El Hachem
• Direction : Raphaël Couturier, Gilles Perrot
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 14/04/2022
• Etablissement(s) : Bourgogne Franche-Comté
• Ecole(s) doctorale(s) : École doctorale Sciences pour l'ingénieur et microtechniques (Besançon ; 1991-....)
• Partenaire(s) de recherche : Laboratoire : FEMTO-ST : Franche-Comté Electronique Mécanique Thermique et Optique - Sciences et Technologies (Besançon) - Franche-Comté Électronique Mécanique- Thermique et Optique - Sciences et Technologies (UMR 6174) / FEMTO-ST
• Partenaire(s) de recherche : Site de préparation : Université de Franche-Comté (1971-....)
• Jury : Président / Présidente : Sylvain Contassot-Vivier
• Jury : Examinateurs / Examinatrices : Raphaël Couturier, Gilles Perrot, Sylvain Contassot-Vivier, Stéphane Chrétien, Flavien Vernier
• Jury : Rapporteurs / Rapporteuses : Stéphane Chrétien, Flavien Vernier

Mots clés

Mots clés contrôlés

Automobiles -- Industrie et commerce

Apprentissage automatique

Qualité -- Contrôle

Mots clés libres

Apprentissage profond

Classification d'images

Réseau neuronal convolutif

Augmentation de données

Automatisation de l'industrie

Deep learning

Image classification

Convolutional neural network

Data augmentation

Industry automation

Résumé

Les applications de contrôle qualité dans l'industrie automobile sont nombreuses. Les constructeurs automobiles travaillent sur l'automatisation de ces applications et mettent un accent particulier sur la sécurité de leurs processus.Dans cette thèse, la première contribution propose un contrôle automatisé de présence de composants. La méthode proposée permet de déterminer si le composant est présent, absent ou a été remplacé par un autre composant. L'algorithme peut atteindre une précision de 100% avec des tests en conditions réelles.La deuxième contribution porte sur la classification des cordons de soudure non atteints par les tests d'étanchéité. Cette classification est relative aux aspects externes des soudures. Les images collectées à partir des usines ne sont pas équitablement réparties sur les classes du modèle d'intelligence artificielle. Des techniques d'augmentation de données ont été appliquées pour atteindre un ensemble de données mieux réparti. Dans cette contribution, un algorithme standard d'apprentissage profond appliqué sur des données brutes a été comparé à des approches d'augmentation de données. L'objectif, défini par l'usine, de 97% de détection des pièces de référence défectueuses a été atteint sur deux soudures. Le défi reste présent sur les deux autres soudures.Dans la troisième contribution, une approche hybride de CNN-Machine Learning Classifier est proposée pour améliorer la précision atteinte dans la seconde contribution. Ce travail présente une nouvelle optimisation pilotée par un modèle atteignant une précision supérieure à 98% lorsqu'elle est appliquée sur un jeu de données de cordons de soudure.Dans la quatrième contribution, les criques de monolithes en céramique sont étudiées. Leur contrôle qualité doit se faire lors de la fabrication de pots d'échappement. Une comparaison entre différents filtres de traitement d'images permettant la détection de l'orientation de la céramique est présentée. Les tests ont été réalisés en appliquant une rotation de la céramique par pas de 5 degrés. Les résultats montrent qu'avec la méthode "canny + hough lines", une précision de 99% est atteinte.Enfin, une Interface Homme Machine (IHM) a été développée et son objectif est de fournir un système Plug & Play aux usines. Cette contribution abordera les étapes à suivre pour déployer une solution numérique : son intégration dans le temps de cycle de l'usine suivant le Système de Gestion du Programme d'Innovation et son architecture.

Quality control applications in the automotive industry are numerous. Automotive companies are working on the automation of these applications and add a particular focus on securing their processes.In this thesis, the first contribution proposes an automated quality control for component presence. It allows to classify if the component is present, missing or has been replaced by another component. The algorithm can achieve an accuracy of 100% with live tests.The second contribution focuses on automating the quality control of welding seams that haven't been reached by leak tests, covering external aspects of welding defects. The images collected from the plants are not balanced, data augmentation techniques have been applied to reach more balanced dataset. In this contribution, a standard deep learning algorithm applied on raw data has been compared to data augmentation approaches. The target, defined by the plant, 97% of defected reference parts detection, has been reached on half of the welds. The challenge remains present on the other half.In the third contribution, deep learning model explainability and welding seams classification accuracy are combined. A hybrid approach of CNN-Machine learning classifier is proposed to improve the accuracy reached in the second contribution. This work presents a new model-driven optimization reaching an accuracy above 98% when applied on welding seams dataset.In the fourth contribution, ceramic monolith position and their relative breakages are studied. The quality control of these monoliths should be done during the production of exhaust pipes. A comparison between image processing filters for straight lines detection is presented. The tests were carried out by applying a rotation to the ceramic in a 5-degree step. The results show that canny filter applied with hough lines allows to achieve an accuracy of 99%.Finally, a Human Machine Interface (HMI) has been developed aiming to provide a Plug & Play system to the plants. The integration of this digital solution in the plant's cycle time will be discussed, as well as its architecture.