Détection de défauts ou de motifs sur des pneus d’avions grâce à l’usage des réseaux de neurones convolutifs : Étude de cas de Bridgestone Aircraft Europe SA

Details

Supervisors

Vande Kerckhove, Corentin

Faculty

Louvain School of Management

Degree label

Master [120] : ingénieur de gestion, à finalité spécialisée

Abstract

Dans une société où l'intégration croissante de l'intelligence artificielle révolutionne les processus industriels, Bridgestone Aircraft Tires Europe S.A explore l'utilisation des réseaux de neurones convolutifs pour assister l'inspection de la qualité de leurs pneus d'avions. Ce travail vise à développer différents modèles construits à partir de quatre architectures connues, telles que VGGNet16, GoogleNet, ResNet50 et DenseNet121, et à évaluer leur capacité à détecter des défauts ou des motifs associés à certaines étapes du processus de rechapage, sur des pneus d’avions Bridgestone. Les modèles sont entrainés sur deux ensembles de 1200 images, dans des contextes de classification binaire et multiple. Lors de ces tests, plusieurs hyperparamètres, à savoir la proportion d'images allouée à la phase d’entraînement, le choix de l'optimiseur, le taux d'apprentissage, la taille du batch ou encore le nombre d'époques, font l’objet d’un processus de fine-tuning afin de maximiser la qualité des divers modèles en termes d’accuracy et de perte. Actuellement, les modèles développés affichent des scores d'accuracy supérieurs ou égaux à 95%, ce qui est très encourageant, compte tenu des résultats des travaux connexes basés sur des pneus de véhicules terrestres. Cependant, une architecture ResNet50 montre une accuracy moins convaincante, avec un score de 84%, lorsqu'elle est entrainée dans un contexte de classification multiple. In a society where the increasing integration of artificial intelligence is revolutionising industrial processes, Bridgestone Aircraft Tires Europe S.A. is exploring the use of convolutional neural networks to support the quality inspection of their aircraft tyres. The aim of this work is to develop different models based on four known architectures, such as VGGNet16, GoogleNet, ResNet50 and DenseNet121, and to evaluate their ability to detect defects or patterns associated with certain stages of the retreading process on Bridgestone aircraft tyres. The models were trained on two sets of 1200 images, in binary and multiple classification contexts. During these tests, several hyperparameters, namely the proportion of images allocated to the training phase, the choice of optimiser, the learning rate, the batch size and the number of epochs, are subject to a fine-tuning process in order to maximise the quality of the various models in terms of accuracy and loss. Currently, the models developed show accuracy scores of 95% or more, which is very encouraging, given the results of related work based on land vehicle tyres. However, a ResNet50 architecture shows less convincing accuracy, with a score of 84%, when trained in a multiple classification context.