Génération automatique de données multimodales d’assemblages de pièces mécaniques pour l’apprentissage machine en rétro-conception de produits – GENERAT3D
Génération automatique de données multimodales d’assemblages de pièces mécaniques pour l’apprentissage machine en rétro-conception de produits
/
Enjeux et objectifs
Récolter et labelliser des données pour l'apprentissage machine est un travail qui peut s'avérer chronophage, tout particulièrement dans un contexte multimodal (la rétro-conception peut se faire depuis plusieurs modalités) où il est nécessaire d'avoir une labellisation (par pièce) dans plusieurs types de représentations (modèles B-Rep, images, nuages de points, cartes de profondeur, etc.). L’objectif du projet GENERAT3D est de développer des méthodes de génération automatique de grands volumes de données labellisées pour alimenter des méthodes d’apprentissage pour la rétro-conception de pièces et d'assemblages mécaniques. L’originalité du projet repose sur le fait qu’il est possible de labelliser automatiquement certains types de données (e.g. surfaces B-Rep) et de propager ces labels lors de la génération des autres modalités. Des méthodes de génération d'images photo-réalistes, de nuages de points tels que scannés, ainsi que de cartes de profondeurs seront développées. Finalement, des cas d'études utilisant ces données illustreront leur exploitation.
/
Le principal résultat majeur de ce projet est la création d’un moteur de réassemblage automatique de pièces mécaniques, qui a été publié dans un article de journal. Ce système permet de proposer des assemblages mécaniques possibles à partir d’un ensemble de pièces partiellement assemblées ou non-assemblées. Cela permet d’envisager plusieurs scénarios d’utilisation, le principal étant l’expansion de bases de données d’assemblages à partir d’un petit sous-ensemble d’assemblages mécaniques, afin de construire de grandes bases de données contenant une grande variété d’assemblages pour l’apprentissage machine. Ce système permet aussi d’effectuer des recherches de pièces compatibles pour une interface donnée, cela peut permettre de faire de la recherche automatique de pièces de remplacement dans des assemblages existants (par exemple pour faire du recyclage de pièces existantes dans d’autres assemblages). Une seconde partie ayant pour objectif de rendre ces données multimodales est en cours, en s’appuyant sur des moteurs de rendus photo-réalistes et des générateurs de nuages de points, des bases de données d’images et de nuages de points pourront être construites en s’appuyant sur ces assemblages générés, afin de faire de l’apprentissage machine sur ces nouvelles données.
/
Vergez, L.; Polette, A.; Pernot, J.P. «Interface-Based Search and Automatic Reassembly of CAD Models for Database Expansion and Model Reuse.« Computer-Aided Design. 2024, 167, 103630.
Vergez, L.; Polette, A.; Pernot, J.P. «Automatic CAD Assemblies Generation by Linkage Graph Overlay for Machine Learning Applications.« Computer-Aided Design and Applications. 2021, 19 (4), 722-732.
Vergez, L.; Polette, A.; Pernot, J.P. «Détection automatique de contraintes cinématiques d'assemblages de modèles CAO.« S-MART 2023: 18ème Colloque national S. mart.
Récolter et labelliser des données pour l'apprentissage machine est un travail qui peut s'avérer chronophage, tout particulièrement dans un contexte multimodal (la rétro-conception peut se faire depuis plusieurs modalités) où il est nécessaire d'avoir une labellisation (par pièces) dans plusieurs types de représentations (modèles B-Rep, images, nuages de points, cartes de profondeur, etc). L’objectif de ce projet est de développer des méthodes de génération automatique de grands volumes de données labellisées pour alimenter des méthodes d’apprentissage pour la rétro-conception de pièces et d'assemblages mécaniques. L’originalité du projet repose sur le fait qu’il est possible de labelliser automatiquement certains types de données (e.g. surfaces B-Rep) et de propager ces labels lors de la génération des autres modalités. Des méthodes de génération d'images photo-réalistes, de nuages de points tels que scannés, ainsi que de cartes de profondeurs seront développées. Finalement des cas d'études utilisant ces données illustreront leur exploitation.
Coordination du projet
ARNAUD POLETTE (Ecole Nationale Supérieure d'Arts et Métiers - Laboratoire d Ingénierie des Systèmes Physiques et Numériques)
L'auteur de ce résumé est le coordinateur du projet, qui est responsable du contenu de ce résumé. L'ANR décline par conséquent toute responsabilité quant à son contenu.
Partenariat
ENSAM - LISPEN Ecole Nationale Supérieure d'Arts et Métiers - Laboratoire d Ingénierie des Systèmes Physiques et Numériques
Aide de l'ANR 172 704 euros
Début et durée du projet scientifique :
décembre 2021
- 42 Mois
