[go: up one dir, main page]

WO2020169833A1 - Procede de detection d'une degradation d'un pneumatique d'une roue - Google Patents

Procede de detection d'une degradation d'un pneumatique d'une roue Download PDF

Info

Publication number
WO2020169833A1
WO2020169833A1 PCT/EP2020/054684 EP2020054684W WO2020169833A1 WO 2020169833 A1 WO2020169833 A1 WO 2020169833A1 EP 2020054684 W EP2020054684 W EP 2020054684W WO 2020169833 A1 WO2020169833 A1 WO 2020169833A1
Authority
WO
WIPO (PCT)
Prior art keywords
tire
dimensional
real
detection method
captured
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Ceased
Application number
PCT/EP2020/054684
Other languages
English (en)
Inventor
Nicolas FANTON
Adrien PERIGORD
Emmanuel Couturier
Majurian VIJAYAKUMARAN
Nicolas LIPARI
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Safran Electronics and Defense SAS
Original Assignee
Safran Electronics and Defense SAS
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Safran Electronics and Defense SAS filed Critical Safran Electronics and Defense SAS
Priority to CN202080016009.5A priority Critical patent/CN113454435B/zh
Priority to US17/432,746 priority patent/US11391648B2/en
Priority to CA3130432A priority patent/CA3130432C/fr
Publication of WO2020169833A1 publication Critical patent/WO2020169833A1/fr
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M17/00—Testing of vehicles
    • G01M17/007—Wheeled or endless-tracked vehicles
    • G01M17/02—Tyres
    • G01M17/027—Tyres using light, e.g. infrared, ultraviolet or holographic techniques
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60C—VEHICLE TYRES; TYRE INFLATION; TYRE CHANGING; CONNECTING VALVES TO INFLATABLE ELASTIC BODIES IN GENERAL; DEVICES OR ARRANGEMENTS RELATED TO TYRES
    • B60C11/00—Tyre tread bands; Tread patterns; Anti-skid inserts
    • B60C11/24—Wear-indicating arrangements
    • B60C11/246—Tread wear monitoring systems
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60C—VEHICLE TYRES; TYRE INFLATION; TYRE CHANGING; CONNECTING VALVES TO INFLATABLE ELASTIC BODIES IN GENERAL; DEVICES OR ARRANGEMENTS RELATED TO TYRES
    • B60C25/00—Apparatus or tools adapted for mounting, removing or inspecting tyres
    • B60C25/002—Inspecting tyres
    • B60C25/007—Inspecting tyres outside surface
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/22—Measuring arrangements characterised by the use of optical techniques for measuring depth
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M17/00—Testing of vehicles
    • G01M17/007—Wheeled or endless-tracked vehicles
    • G01M17/02—Tyres
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T19/00—Manipulating 3D models or images for computer graphics
    • G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/37—Determination of transform parameters for the alignment of images, i.e. image registration using transform domain methods
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20048—Transform domain processing
    • G06T2207/20061—Hough transform
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2219/00—Indexing scheme for manipulating 3D models or images for computer graphics
    • G06T2219/008—Cut plane or projection plane definition
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2219/00—Indexing scheme for manipulating 3D models or images for computer graphics
    • G06T2219/20—Indexing scheme for editing of 3D models
    • G06T2219/2004—Aligning objects, relative positioning of parts
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2219/00—Indexing scheme for manipulating 3D models or images for computer graphics
    • G06T2219/20—Indexing scheme for editing of 3D models
    • G06T2219/2016—Rotation, translation, scaling

Definitions

  • the invention relates to the field of methods for detecting degradation of a tire of a wheel.
  • the tires of airplane wheels are subjected to very high stresses, in particular during the take-off and landing phases. On take-off, the tires are subjected to both the load of the aircraft and the take-off speed, and heat up briefly but significantly. On landing, when the wheels of the airplane touch the ground, the tires pass in a very short time from zero speed to very high speed.
  • the tire When the level of wear of a tire reaches a certain threshold, the tire is returned to the factory for retreading.
  • a certain threshold it is the tire manufacturers who manage the supply and maintenance of the tires for the airlines.
  • the number of tires used by airlines is very high, so it is important for tire manufacturers that tires are removed at the right time, not too early, so as not to immobilize operational tires unnecessarily, or too late so that the tire wear does not become excessive.
  • a first method consists in visually estimating the level of wear and damage to the tire.
  • a second method consists in carrying out measurements manually of the depth of the tread patterns and of the tire wear indicators.
  • the object of the invention is, on the one hand, to reliably detect deterioration of a tire (such as excessive wear), and on the other hand, to improve the maintenance of a large number of tires. .
  • the detection method according to the invention therefore makes it possible to detect degradation of the real tire automatically and therefore objectively and reliably.
  • the detection method also makes it possible to acquire and store data relating to the condition of a large number of real tires.
  • the data acquisition is both simple and fast, since it suffices to bring the electronic device close to the real tire to carry out the detection.
  • the detection method therefore makes it possible to carry out predictive maintenance operations on a very large number of real tires, and, in particular, allows to anticipate deterioration and replacement of real tires.
  • a detection method such as that which has just been described is also proposed, in which the determination of the position of the central point of the real tire comprises the steps, for each point captured, of defining a vector normal to a surface of the first three-dimensional object which passes through said captured point, and to estimate a position of the center point of the real tire from the normal vectors.
  • the estimation of the position of the central point is an iterative process during which, at each iteration, captured points which do not belong to not to the real tire, the captured points which belong to the real tire are kept, and the estimation of the position of the central point is refined by using the normal vectors of the captured points belonging to the real tire.
  • a detection method such as that which has just been described is also proposed, in which the determination of the position of the central point of the real tire implements a data partitioning method to distinguish between the first captured points belonging to the real tire. and second captured points belonging to the ground.
  • a detection method such as that which has just been described is also proposed, in which the registration uses a registration algorithm based on Euclidean transformations.
  • a detection method such as that which has just been described is also proposed, in which the registration also uses a JCP algorithm.
  • a detection method such as that which has just been described is also proposed, in which the transformation comprises the steps of cutting the second object in three dimensions along planes perpendicular to an axis of rotation of the reset tire in order to obtain a plurality of three-dimensional slices of low thickness, and likening each three-dimensional slice to a two-dimensional slice of zero thickness, the two-dimensional object (s) comprising the two-dimensional slices.
  • a detection method such as that which has just been described, comprising the steps of calculating, for each two-dimensional wafer, a radius p (a) of the two-dimensional wafer, which is a function of a angle a around the axis of rotation of the reset tire.
  • a detection method such as that which has just been described, in which an abnormal degradation which is an asymmetric wear or a flattening or a bump or a crevice or the presence of a foreign body on a tread of the real tire.
  • a detection method such as that just described, in which the position of grooves on the tread is detected and a depth of each groove is evaluated, the depth of the grooves being used to detect degradation. too great or abnormal, and the position of the grooves being used to locate the degradation that is too great or abnormal,
  • the electronic apparatus further comprises a photographic sensor arranged to acquire a color associated with each point captured, in which the transformation is a projection in two. dimensions applied to the second three-dimensional object, and in which the two-dimensional object or objects comprise a two-dimensional image of a tread of the reset tire obtained by said two-dimensional projection.
  • a detection method such as that which has just been described is also proposed, in which the analysis of the two-dimensional image comprises the step of analyzing an evolution of a color gradient of the image in two dimensions.
  • a detection method such as that which has just been described is also proposed, in which the analysis of the evolution of the color gradient is used to detect an abnormal degradation which is an excessive wear leading to the appearance of a metal frame of the actual tire, or which is heat release or contamination.
  • a detection method such as that which has just been described is also proposed, in which the analysis of the two-dimensional image comprises the step of applying to the two-dimensional image a Hough transform.
  • a detection method such as that which has just been described, in which the Hough transform makes it possible to detect an abnormal degradation which is a flattening or a bump or a crevice or the presence of a foreign body on the surface. tread.
  • a detection method such as that which has just been described is also proposed, in which the analysis of the two-dimensional image comprises the step of implementing a learning, based on convolutional neural networks, of the images of the real tire in good condition as well as images of the various degradations sought.
  • FIG. 1 represents a first three-dimensional object representative of the shape of an actual tire
  • FIG. 2 illustrates, in a two-dimensional frame, a method used to estimate the position of a central point of the real tire
  • FIG. 3 represents points captured and a first estimate of the position of the central point
  • Figure 4 shows, in the form of a histogram, a distribution of distances between the captured points and the first estimate of the position of the central point;
  • Figure 5 shows the captured points and a final estimate of the position of the center point
  • FIG. 6 represents, in the form of a histogram, a distribution of distances between the captured points and the final estimate of the position of the central point;
  • Figure 7 illustrates the implementation of a data partitioning method
  • FIG. 8 represents, before adjustment, the real tire and a theoretical tire
  • FIG. 9 shows, after resetting, a second three-dimensional object obtained by resetting the first three-dimensional object and forming a resized tire
  • FIG. 10 shows three-dimensional slices and two-dimensional slices of a recalibrated tire
  • FIG. 11 shows the tread of an actual tire, exhibiting normal wear
  • FIG. 12 is a graph comprising a curve representing the variation, along the axis of rotation, of the mean radius of the reset tire corresponding to the real tire of FIG. 11;
  • FIG. 13 shows the tread of an actual tire which exhibits asymmetric wear
  • FIG. 14 is a graph comprising a curve representing the variation, along the axis of rotation, the average radius of the reset tire corresponding to the real tire of FIG. 13;
  • Fig. 15 shows the tread of an actual tire, on which crevices are formed
  • FIG. 16 is a graph comprising a curve representing the variation, along the axis of rotation, of the mean radius of the reset tire corresponding to the real tire of FIG. 15;
  • FIG. 17 shows the tread of an actual tire, which exhibits flattening
  • FIG. 18 is a graph comprising a curve representing the variation, along the axis of rotation, of the mean radius of the reset tire corresponding to the real tire of FIG. 17;
  • Figure 19 shows the tread of an actual tire, into which a nail is driven
  • Figure 20 shows the tread of an actual tire, in which a nail was driven in, then came out leaving a hole
  • FIG. 21 is a graph comprising a curve representing the variation, along the axis of rotation, of the mean radius of the reset tire corresponding to the real tire of FIG. 20;
  • FIG. 22 represents the tread of an actual tire, on which can be seen two grooves and a hole;
  • FIG. 23 shows the application of a Hough transform to a two-dimensional image corresponding to Figure 22;
  • FIG. 24 represents the tread of a real tire, on which the metal frame of the real tire is visible;
  • Figure 25 shows the color gradients of Figure 24
  • FIG. 26 represents the application of a Hough transform to a two-dimensional image obtained from an actual tire having a tread on which a flattening is formed;
  • Fig. 27 shows a tread of an actual contaminated tire
  • FIG. 28 represents the evolution of the color gradient of a two-dimensional image corresponding to a real uncontaminated tire
  • Figure 29 shows the color gradients of a two-dimensional image corresponding to an actual contaminated tire
  • Figure 30 shows the implementation of an edge detection filter in the HSV space, implemented on a two-dimensional image obtained from the tread of Figure 19;
  • FIG. 31 represents the stages of a learning based on neural networks and implemented on two-dimensional images
  • Figure 32 is an edge detection matrix.
  • the detection method according to the invention is implemented here to detect a degradation of a real tire of a wheel of an airplane.
  • real tire is meant the real tire mounted on the wheel, and not a “virtual” tire as are the theoretical tire and the reset tire which will be discussed below.
  • the detection method firstly comprises the step of acquiring at least a first three-dimensional object 1, representative of the shape of the real tire, by using an electronic device comprising a three-dimensional sensor and a photographic sensor,
  • the electronic device is for example a smartphone which is approached to the real tire by an operator on the ground.
  • the three-dimensional sensor is for example a stereo camera adapted to implement a three-dimensional scanner function.
  • the first three-dimensional object 1 is for example a three-dimensional Image.
  • the first three-dimensional object 1 is formed by a set of captured points (or “cloud” of captured points).
  • the smartphone acquires and records the first three-dimensional object 1.
  • any type of three-dimensional sensor making it possible to obtain a three-dimensional object formed of points and representative of the shape of the real tire, could be used.
  • the electronic device may of course not be a smartphone.
  • a 3D camera connected to a computer could for example be used.
  • the photographic sensor for its part, makes it possible to acquire a color associated with each point captured.
  • Each point captured is made up of three-dimensional Cartesian coordinates (x; y; z). Dots captured represent the scanned portion of the actual tire.
  • 1 / recording has a sufficiently high density of captured points to be able to perform precise calculations from these captured points.
  • the density here is 60 points captured / cm 2 on average.
  • a fixed frame of reference is used for what follows, here a cylindrical coordinate system, in which the axis of rotation of the real tire is imposed to correspond to a line of coordinates;
  • the position of the central point of the real tire is determined from the set of captured points.
  • the position of the central point of the real tire will make it possible to extract the real tire from the first three-dimensional object 1, and therefore to remove from the first three-dimensional object 1 the environment of the real tire.
  • the environment includes in particular the ground on which the actual tire rests.
  • the position of the real tire is defined from an estimate of the position of a central point of the real tire.
  • the central point of the real tire is a point located "in the center" of the real tire.
  • the central point is located at the intersection of the axis of rotation of the real tire and a plane of symmetry of the real tire perpendicular to the axis of rotation.
  • the estimation of the position of the center point is carried out as follows.
  • the points captured from the recording are located on a surface of the real tire or on a ground surface. Each point captured therefore forms a vertex positioned on a surface.
  • the recording provided by the three-dimensional sensor produces the coordinates (x; y; z) of each vertex in a real-size Cartesian coordinate system.
  • the center of this Cartesian coordinate system is determined by the three-dimensional sensor.
  • the captured points, or vertices are normalized in [0; 1] to have an intrinsic repository to the data. A common scale is thus retained for all the points captured, and the definition of standards used in the calculations which follow is facilitated.
  • Pnorm (P-min (P)) /
  • - Pnorm is the set of normalized coordinates vertices (xpnorm; ypnorm; zpnorm), which are normalized in [0; 1];
  • - P is the set of non-normalized vertices, with coordinates
  • - min (P) is the minimum value of xp; yp; zp;
  • - ax (P) is the maximum value of xp; yp; zp.
  • the three-dimensional sensor also makes it possible to determine the vectors normal to the surface (of the real tire or of the ground) at each vertex.
  • Each normal vector has a norm equal to 1.
  • the circle 2 is an approximation of a sectional view, in a plane perpendicular to an axis of rotation of the real tire, of the tread of the real tire. The circle 2 therefore delimits the surface of the real tire at the level of the tread. Circle 2 has a center 3.
  • the lines 4 delimit the surface of the ground.
  • the opposite of the normal vector -ni therefore points towards the center 3 of circle 2, which is an estimate of the position of the center point.
  • the estimated central point 3 is the geometric mean of the points located in the first zone 5 and the second zone 6, and this, at each iteration.
  • the position of the central point is estimated using an iterative process during which, at each iteration, captured points which do not belong to the real tire (and which therefore include the captured points belonging to the ground) are deleted, the points are kept. captured points which belong to the real tire, and the estimation of the position of the central point is refined by using the normal vectors of the captured points belonging to the real tire.
  • Np oints is the number of captured points considered.
  • the peak of the portion of histogram 7 corresponds to the tread of the real tire, while the portion of histogram 8 corresponds to the environment of the real tire and in particular to the points captured. located on the ground.
  • the captured points which do not belong to the peak of the histogram portion 7 are then deleted, and a new calculation of the central point is carried out.
  • a second estimate of the position of the central point PC 2 is then obtained.
  • e is a predefined stopping threshold, for example equal to 0.001 meter.
  • the captured points belonging to the real tire are then isolated from the captured points belonging to the environment of the real tire (in particular on the ground), and only the captured points belonging to the real tire are kept.
  • the determination of the position of the real tire implements a data partitioning method to distinguish between the first captured points 11 belonging to the real tire and the second captured points 12 belonging to the real tire. ground.
  • Data partitioning is an analysis method that divides a set of data into several subsets that share common characteristics.
  • the first three-dimensional object 13 is registered relative to a theoretical tire 14 to obtain a second three-dimensional object 15 forming a registered tire.
  • the second three-dimensional object 15 is formed by a set of registered points. To do this, we first carry out sampling to reduce the number of points captured.
  • the adjustment makes it possible to know the axis of rotation of the real tire.
  • the theoretical tire 14 is specially created for the adjustment.
  • the theoretical tire 14 has in particular known dimensions and orientation.
  • the axis of rotation and the center point of the theoretical tire 14 are used as input data.
  • the registration uses a registration algorithm based on Euclidean transformations.
  • Euclidean transformations rotation, translation
  • the registration consists in finding the transformation which will make it possible to minimize the difference between the cloud of points captured and the cloud of theoretical points.
  • These treatments consist in carrying out a transformation of the second three-dimensional object 15 forming the reset tire in order to obtain one or more two-dimensional objects, then in analyzing the two-dimensional object or objects to detect a degradation of the real tire.
  • the transformation consists first of all in cutting the second three-dimensional object 15 along planes perpendicular to an axis of rotation Z of the reset tire to obtain a number n of slices.
  • three-dimensional T3di ... T3di ... T3d n thin.
  • the thickness e of each three-dimensional slice T3d ⁇ is of the order of a millimeter.
  • a number n of three-dimensional slices T3di is obtained which, stacked along the axis of rotation Z of the reset tire, form the reset tire.
  • the sum of the thicknesses of all the three-dimensional slices T3di is therefore equal to the width of the tread of the reset tire.
  • each three-dimensional slice T3d ⁇ is very small compared to the radius of the reset tire.
  • Each three-dimensional slice T3di is therefore likened to a two-dimensional slice T2di, l ⁇ i ⁇ n, of zero thickness.
  • the two-dimensional objects, results of the transformation therefore include the two-dimensional slices T2d ⁇ .
  • Each two-dimensional slice T2di has the general shape of a circle, in the case where the smartphone has acquired the entire circumference of the real tire, or an angular portion of a circle, in the case where the smartphone has acquired only an angular portion of the circumference of the actual tire.
  • n (a) of the two-dimensional slice T2di a radius n (a) of the two-dimensional slice T2di.
  • the radius ri (a) is a function of an angle a around the axis of rotation z.
  • the radius r1 (a) is not necessarily constant as a function of the angle ⁇ , since the wear of the actual tire is not necessarily uniform over the entire circumference of the two-dimensional edge T2di.
  • the variation in the radius ri (a) is then studied by varying i to detect a difference in the radius of the reset tire along the axis of rotation Z (that is to say according to the width of the tread), and therefore to detect a degradation of the real tire.
  • the variation of the radius r ⁇ ( a) according to the angle a is also studied, in order to detect angular variations in the radius of the reset tire and therefore to detect degradation of the real tire.
  • the radius r ⁇ (a) should normally exhibit very little variation as a function of the angle a, indicating even wear.
  • the coordinates (r; Q; z) of the points captured make it possible to inform about the presence, the shape and the depth of an anomaly.
  • One or more parameters are therefore analyzed among the variation of the radius n (a) as a function of i, the variation of the radius n (a) as a function of a, and the variation of the mean radius n as a function of i.
  • the study of these variations in radius makes it possible to determine an unexpected change, such as a one-off or continuous decrease in this radius.
  • FIG. 11 shows a tread 20 of an actual tire 21, which exhibits normal wear. There are four grooves 22 which are worn symmetrically and regularly around the axis of rotation of the real tire 21,
  • Curve 23 in FIG. 12 represents the variation as a function of the value of i of the mean radius ri of the reset tire corresponding to the real tire 21 in FIG.
  • curve 24 we can distinguish four portions of curve 24 corresponding to a reduced mean radius r ⁇ , which each correspond to one of the four grooves 22 present on the tread 20 of the real tire 21 (on the graph, the grooves 22 are represented by bold lines which indicate the position of said grooves 22 in the width of the tread 20),
  • each groove 22 can make it possible to detect the presence of a degradation on the tread 20.
  • Detecting the position of the grooves 22 makes it possible to position the degradation on the tread 20.
  • the tread 20 does not show any abnormal degradation.
  • the wear of the actual tire 21 is normal and symmetrical, and the grooves 22 each have an approximately constant depth.
  • FIG. 13 shows a tread 26 of a real tire 27, which exhibits abnormal, asymmetric wear, poorly distributed over the tread 26.
  • Sharp or repeated variations in the mean radius may indeed indicate a surface presenting anomalies such as crevices, bumps, abnormal growths, tears, chevrons, cracks, etc.
  • FIG. 17 shows the presence of a flattening (fiat spot) 40 present on the tread 41 of a real tire 42. This flattening 40 results from braking without rotation of the real tire 42.
  • the flattening 40 is perceptible on the curve 45 of the graph of FIG. 18.
  • the portion of curve 46 comprises, over a relatively flat zone, a succession of low amplitude peaks and troughs, representative of the presence of the flattening.
  • FIG. 20 shows a tread 54 of an actual tire 55, in which a nail has driven in, has formed a hole 56, and has then been extracted from the tread 54,
  • the mean radius of the reset tire decreases sharply in the portion of curve 58 between the two grooves 59, which is representative of the presence of the hole formed by the nail.
  • the transformation of the second three-dimensional object of the registered tire produces two-dimensional objects which are two-dimensional slices T2d ⁇ of the registered tire.
  • the transformation is a two-dimensional projection of the three-dimensional object 15
  • the two-dimensional objects comprise a two-dimensional image of a tread of the reset tire obtained by said two-dimensional projection. dimensions.
  • the two-dimensional objects also include a two-dimensional image of the right sidewall and a two-dimensional image of the left sidewall of the failed tire.
  • a two-dimensional image of the right sidewall and a two-dimensional image of the left sidewall of the failed tire.
  • no two-dimensional projection is necessary due to the shape of the flanks.
  • x R. (l - AO)
  • l corresponds to a current point of the projection and lq corresponds to a point fixed as the origin of the coordinate system.
  • the analysis of the two-dimensional images consists in analyzing an evolution of a color gradient of the two-dimensional image and / or in applying a Hough transform to the two-dimensional image.
  • FIG. 22 shows a tread 60 of an actual tire 61, on which can be seen two grooves 62 and a hole 63.
  • the two-dimensional projection is applied to the second three-dimensional object to obtain a two-dimensional image. dimensions of the tread.
  • each groove is delimited by two lines in a two-dimensional plane, each line corresponding to an edge of said groove.
  • the Eough transform thus makes it possible to detect the grooves 62, each delimited by two lines 64, as well as the hole 63.
  • FIG. 24 shows a tread 66 of a real tire 67, on which the metal frame 68 of the real tire 67 is visible.
  • the metal screen 68 is apparent due to excessive wear of the real tire 67.
  • the excessive wear is for example due to excessive heat generation on a part of the real tire 67 resulting from a braking problem, wet or frozen track, etc.
  • FIG. 25 shows the evolution of the color gradient on the two-dimensional image.
  • a zone 69 is identified in which abnormal color differences are observed, which here are significant of the appearance of the metal frame 68.
  • a tread may include flattening. Flattening is characterized by a circular shape on the tread. The two-dimensional image of the tread is produced, the two-dimensional image is processed to remove noise that may interfere with detection, and then the Hough transform is applied to this two-dimensional image.
  • the CHT type for Circle Hough Transform
  • the Hough transform makes it possible to obtain a shape 70 representative of the flattening.
  • the tread 71 of a real tire 72 can also be degraded by wear linked to the release of heat or to contamination by a corrosive liquid (oil, brake fluid, etc.).
  • a corrosive liquid oil, brake fluid, etc.
  • the evolution of the color gradient is used to identify the zones which present an abnormal granularity.
  • the real tire 72 is made of a single material, it can be assumed that, if the real tire 72 is in a normal state, a simple color gradient will be observed, linked only to external factors such as exposure. under the sun. On the contrary, the presence of a break in the linearity of the color gradient, as well as the presence of zones presenting colors different from those of the rest of the real tire and not linked to external light exposure, are signs of a degradation. of the rubber layer of the tread 71.
  • the evolution of the color gradient is observed in FIG. 28 in a case where the real tire is not contaminated.
  • the evolution of the color gradient is observed in FIG. 29 in a case where the real tire is contaminated.
  • the differences between these two figures clearly show that the change in the color gradient is a relevant parameter for detecting contamination of a real tire.
  • HSV Hue Saturation Value
  • Shape 75 corresponds to nail 52 in figure 19, while shape 76 corresponds to the groove located just to the left of nail 52 in figure 19,
  • the analysis of the two-dimensional images, obtained by two-dimensional projection of the second three-dimensional object 15 of the recalibrated tire, can also consist in implementing a learning process, based on neural networks, of images of the real tire in good condition. condition as well as images of the various degradations sought.
  • CNNs Convolutional neural networks
  • ConvNets Convolutional neural networks
  • the training firstly comprises the step of carrying out a convolution of the two-dimensional image with a predefined matrix (step E1).
  • step E1 the contour detection matrix of figure 32.
  • a pooling (or pooling) operation is implemented to reduce the size of the two-dimensional image (step E2).
  • step E4 consists in applying the Softmax formula:
  • the neural network input layers are thus converted to a distribution probability. It is then possible to classify the data of the two-dimensional images and to detect the abnormal degradations on the two-dimensional images.
  • ⁇ again, the data must be classified manually into several distinct categories.
  • CNN convolutional neural networks
  • an alert message is generated.
  • the alert message is sent by the smartphone to the operator on the ground, or is transferred from the smartphone to a server which centralizes the alert messages coming from a large number of real tires (for example from all the actual tires used by an airline).
  • the alert message contains a means of identifying the tire concerned (for example a reference of the tire or its position on the aircraft) as well as, optionally, the type of damage and its position on the tire.
  • the set of points captured is recorded as well as the results of the analyzes carried out, which can be used for large scale data analysis and verification. These analyzes can shed light on the correlations between excessive deterioration of tires and particular runways, particular take-off, landing or taxiing situations, a particular climate, the handling of the airplane by certain pilots, etc.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mechanical Engineering (AREA)
  • Quality & Reliability (AREA)
  • Architecture (AREA)
  • Computer Graphics (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

Procédé de détection d'une dégradation d'un pneumatique réel d'une roue, comprenant les étapes de : - acquérir au moins un premier objet en trois dimensions (1) représentatif d'une forme du pneumatique réel, en utilisant un appareil électronique comprenant au moins un capteur tridimensionnel, le premier objet en trois dimensions étant formé par un ensemble de points capturés; - déterminer, à partir de l'ensemble de points capturés, une position du point central du pneumatique réel; - recaler le premier objet en trois dimensions pour obtenir un deuxième objet en trois dimensions; - réaliser une transformation du deuxième objet en trois dimensions pour obtenir un ou plusieurs objets en deux dimensions; - analyser le ou les objets en deux dimensions pour détecter la dégradation du pneumatique réel.

Description

PROCEDE DE DETECTION D ' UNE DEGRADATION D'UN PNEUMATIQUE D'UNE ROUE
L' invention concerne le domaine des procédés de détection d'une dégradation d'un pneumatique d'une roue.
ARRIERE PLAN DE L' INVENTION
Les pneumatiques des roues d'avion sont soumis à de très fortes contraintes, en particulier au cours des phases de décollage et d'atterrissage. Au décollage, les pneumatiques subissent à la fois la charge de l'avion et la vitesse de décollage, et s'échauffent brièvement mais de manière importante. A l'atterrissage, au moment où les roues de l'avion touchent le sol, les pneumatiques passent en un temps très court d'une vitesse nulle à une vitesse très élevée.
Ces phénomènes ont tendance à user les pneumatiques. Or, la détérioration d'un pneumatique peut provoquer un glissement excessif, une friction excessive, voire même un éclatement dudit pneumatique. Il est donc fondamental, pour des raisons de sécurité, de pouvoir estimer de manière précise et fiable l'usure des pneumatiques pour assurer qu'elle demeure à un niveau acceptable.
Lorsque le niveau d'usure d'un pneumatique atteint un certain seuil, le pneumatique est renvoyé en usine pour être rechapé. Généralement, ce sont les fabricants de pneumatiques qui gèrent pour les compagnies aériennes l'approvisionnement et la maintenance des pneumatiques. Le nombre de pneumatiques utilisés par les compagnies aériennes est très élevé, de sorte qu'il est important, pour les fabricants de pneumatiques, que les pneumatiques soient retirés au bon moment, ni trop tôt, pour ne pas immobiliser inutilement des pneumatiques opérationnels, ni trop tard, pour que l'usure des pneumatiques ne devienne pas excessive.
Ainsi, une estimation précise et fiable du niveau d'usure des pneumatiques est nécessaire pour la sécurité de l'avion et est avantageuse d'un point de vue économique.
Actuellement, deux méthodes principales sont utilisées par les opérateurs au sol pour évaluer l'usure d'un pneumatique .
Une première méthode consiste à estimer visuellement le niveau d'usure et les dégradations du pneumatique.
Une deuxième méthode consiste à réaliser manuellement des mesures de profondeur des sculptures et des témoins d'usure du pneumatique.
Ces deux méthodes engendrent un grand nombre d'erreurs. Les estimations et les mesures réalisées sont subjectives et dépendent beaucoup de l'opérateur au sol qui les réalise. Il a donc été envisagé de faire faire ces mesures par plusieurs opérateurs au sol, mais cette solution est coûteuse et fastidieuse .
Par ailleurs, ces méthodes permettent uniquement de détecter un niveau d'usure nécessitant un remplacement du pneumatique, mais ne permettent pas d'anticiper le remplacement dudit pneumatique.
OBJET DE L'INVENTION
L'invention a pour objet, d'une part, de détecter de manière fiable une dégradation d'un pneumatique {telle qu'une usure excessive), et d'autre part, d'améliorer la maintenance d'un grand nombre de pneumatiques.
RESUME DE L ' INVENTION En vue de la réalisation de ce but, on propose un procédé de détection d'une dégradation d' un pneumatique réel d'une roue, comprenant les étapes de :
- acquérir au moins un premier objet en trois dimensions représentatif d'une forme du pneumatique réel, en utilisant un appareil électronique comprenant au moins un capteur tridimensionnel, le premier objet en trois dimensions étant formé par un ensemble de points capturés ;
- déterminer, à partir de l'ensemble de points capturés, une position d'un point central du pneumatique réel ;
- recaler le premier objet en trois dimensions par rapport à un pneumatique théorique, de dimensions et d'orientation connues, pour obtenir un deuxième objet en trois dimensions formant un pneumatique recalé ;
- réaliser une transformation du deuxième objet en trois dimensions pour obtenir un ou plusieurs objets en deux dimensions ;
- analyser le ou les objets en deux dimensions pour détecter la dégradation du pneumatique réel.
Le procédé de détection selon l'invention permet donc de détecter une dégradation du pneumatique réel de manière automatique et donc objective et fiable.
Le procédé de détection permet aussi d'acquérir et de conserver des données relatives à l'état d'un grand nombre de pneumatiques réels. L'acquisition des données est à la fois simple et rapide, puisqu'il suffit d'approcher l'appareil électronique du pneumatique réel pour réaliser la détection.
Le procédé de détection permet donc de mettre en œuvre des opérations de maintenance prédictive sur un très grand nombre de pneumatiques réels, et, en particulier, permet d'anticiper une dégradation et un remplacement des pneumatiques réels.
On propose de plus un procédé de détection tel que celui qui vient d'être décrit, dans lequel la détermination de la position du point central du pneumatique réel comprend les étapes, pour chaque point capturé, de définir un vecteur normal à une surface du premier objet en trois dimensions qui passe par ledit point capturé, et d'estimer une position du point central du pneumatique réel à partir des vecteurs normaux.
On propose de plus un procédé de détection tel que celui qui vient d'être décrit, dans lequel l'estimation de la position du point central est un processus itératif au cours duquel, à chaque itération, on supprime des points capturés qui n'appartiennent pas au pneumatique réel, on conserve des points capturés qui appartiennent au pneumatique réel, et on affine l'estimation de la position du point central en utilisant les vecteurs normaux des points capturés appartenant au pneumatique réel.
On propose de plus un procédé de détection tel que celui qui vient d'être décrit, dans lequel la détermination de la position du point central du pneumatique réel met en œuvre une méthode de partitionnement de données pour distinguer des premiers points capturés appartenant au pneumatique réel et des deuxièmes points capturés appartenant au sol.
On propose de plus un procédé de détection tel que celui qui vient d'être décrit, dans lequel le recalage utilise un algorithme de recalage basé sur des transformations euclidiennes . On propose de plus un procédé de détection tel que celui qui vient d'être décrit, dans lequel le recalage utilise en outre un algorithme JCP.
On propose de plus un procédé de détection tel que celui qui vient d'être décrit, dans lequel la transformation comprend les étapes de couper le deuxième objet en trois dimensions selon des plans perpendiculaires à un axe de rotation du pneumatique recalé pour obtenir une pluralité de tranches en trois dimensions de faible épaisseur, et d'assimiler chaque tranche en trois dimensions à une tranche en deux dimensions d'épaisseur nulle, le ou les objets en deux dimensions comprenant les tranches en deux dimensions .
On propose de plus un procédé de détection tel que celui qui vient d'être décrit, comprenant les étapes de calculer, pour chaque tranche en deux dimensions, un rayon p(a) de la tranche en deux dimensions, qui est fonction d'un angle a autour de l'axe de rotation du pneumatique recalé.
On propose de plus un procédé de détection tel que celui qui vient d'être décrit, dans lequel on calcule, pour chaque tranche en deux dimensions, un rayon moyen de 1a tranche en deux dimensions T2di, et dans lequel on étudie la variation du rayon moyen en fonction de i (qui est l'indice de la tranche T2di) .
On propose de plus un procédé de détection tel que celui qui vient d'être décrit, dans lequel on détecte, à partir de la variation du rayon moyen, une dégradation anormale qui est une usure asymétrique ou un aplatissement ou une bosse ou une crevasse ou la présence d'un corps étranger sur une bande de roulement du pneumatique réel. On propose de plus un procédé de détection tel que celui qui vient d'être décrit, dans lequel on détecte la position de rainures sur la bande de roulement et on évalue une profondeur de chaque rainure, la profondeur des rainures étant utilisée pour détecter une dégradation trop importante ou anormale, et la position des rainures étant utilisée pour localiser la dégradation trop importante ou anormale ,
On propose de plus un procédé de détection tel que celui qui vient d'être décrit, dans lequel l'appareil électronique comprend en outre un capteur photographique agencé pour acquérir une couleur associée à chaque point capturé, dans lequel la transformation est une projection en deux dimensions appliquée sur le deuxième objet en trois dimensions, et dans lequel le ou les objets en deux dimensions comprennent une image en deux dimensions d'une bande de roulement du pneumatique recalé obtenue par ladite projection en deux dimensions.
On propose de plus un procédé de détection tel que celui qui vient d'être décrit, dans lequel l'analyse de l'image en deux dimensions comprend l'étape d'analyser une évolution d'un gradient de couleur de l'image en deux dimensions .
On propose de plus un procédé de détection tel que celui qui vient d'être décrit, dans lequel l'analyse de l'évolution du gradient de couleur est utilisée pour détecter une dégradation anormale qui est une usure excessive conduisant à l'apparition d'une trame métallique du pneumatique réel, ou qui est un dégagement de chaleur ou une contamination. On propose de plus un procédé de détection tel que celui qui vient d'être décrit, dans lequel l'analyse de l'image en deux dimensions comprend l'étape d'appliquer sur l'image en deux dimensions une transformée de Hough.
On propose de plus un procédé de détection tel que celui qui vient d'être décrit, dans lequel la transformée de Hough permet de détecter une dégradation anormale qui est un aplatissement ou une bosse ou une crevasse ou la présence d'un corps étranger sur la bande de roulement. On propose de plus un procédé de détection tel que celui qui vient d'être décrit, dans lequel l'analyse de l'image en deux dimensions comprend l'étape de mettre en œuvre un apprentissage, basé sur des réseaux de neurones convolutifs, des images du pneumatique réel en bon état ainsi que des images des différentes dégradations recherchées .
L'invention sera mieux comprise à la lumière de la description qui suit d'un mode de mise en œuvre particulier non limitatif de l'invention.
BREVE DESCRIPTION DES DESSINS
Il sera fait référence aux dessins annexés, parmi lesquels :
[Fig. 1] la figure 1 représente un premier objet en trois dimensions représentatif de la forme d'un pneumatique réel ;
[Fig. 2] la figure 2 illustre, dans un repère en deux dimensions, une méthode utilisée pour estimer la position d'un point central du pneumatique réel ;
[Fig. 3] la figure 3 représente des point capturés et une première estimation de la position du point central ; [Fig, 4] la figure 4 représente, sous la forme d'un histogramme, une répartition de distances entre les points capturés et la première estimation de la position du point central ;
[Fig. 5] la figure 5 représente les point capturés et une estimation finale de la position du point central ;
[Fig. 6] la figure 6 représente, sous la forme d'un histogramme, une répartition de distances entre les points capturés et l'estimation finale de la position du point central ;
[Fig. 7] la figure 7 illustre la mise en œuvre d'une méthode de partitionnement de données ;
[Fig. 8] la figure 8 représente, avant recalage, le pneumatique réel et un pneumatique théorique ;
[Fig. 9] la figure 9 représente, après recalage, un deuxième objet en trois dimensions obtenu par recalage du premier objet en trois dimensions et formant un pneumatique recalé ;
[Fig. 10] la figure 10 représente des tranches en trois dimensions et des tranches en deux dimensions d'un pneumatique recalé ;
[Fig. Il] la figure 11 représente la bande de roulement d'un pneumatique réel, présentant une usure normale ;
[Fig. 12] la figure 12 est un graphique comprenant une courbe représentant la variation, selon l'axe de rotation, du rayon moyen du pneumatique recalé correspondant au pneumatique réel de la figure 11 ;
[Fig. 13] la figure 13 représente la bande de roulement d'un pneumatique réel qui présente une usure asymétrique ; [Fig. 14] la figure 14 est un graphique comprenant une courbe représentant la variation, selon l'axe de rotation, du rayon moyen du pneumatique recalé correspondant au pneumatique réel de la figure 13 ;
[Fig, 15] la figure 15 représente la bande de roulement d'un pneumatique réel, sur laquelle des crevasses sont formées ;
[Fig. 16] la figure 16 est un graphique comprenant une courbe représentant la variation, selon l'axe de rotation, du rayon moyen du pneumatique recalé correspondant au pneumatique réel de la figure 15 ;
[Fig. 17] la figure 17 représente la bande de roulement d'un pneumatique réel, qui présente un aplatissement ; [Fig, 18] la figure 18 est un graphique comprenant une courbe représentant la variation, selon l'axe de rotation, du rayon moyen du pneumatique recalé correspondant au pneumatique réel de la figure 17 ;
[Fig. 19] la figure 19 représente la bande de roulement d'un pneumatique réel, dans laquelle un clou est enfoncé ; [Fig. 20] la figure 20 représente la bande de roulement d'un pneumatique réel, dans laquelle un clou était enfoncé, puis est ressorti en laissant un trou ;
[Fig, 21] la figure 21 est un graphique comprenant une courbe représentant la variation, selon l'axe de rotation, du rayon moyen du pneumatique recalé correspondant au pneumatique réel de la figure 20 ;
[Fig. 22] la figure 22 représente la bande de roulement d'un pneumatique réel, sur laquelle on voit deux rainures et un trou ;
[Fig. 23] la figure 23 représente l'application d'une transformée de Hough sur une image en deux dimensions correspondant à la figure 22 ; [Fig. 24] la figure 24 représente la bande de roulement d'un pneumatique réel, sur laquelle la trame métallique du pneumatique réel est apparente ;
[Fig. 25] la figure 25 représente les gradients de couleur de 1a figure 24 ;
[Fig. 26] la figure 26 représente l'application d'une transformée de Hough sur une image en deux dimensions issue d'un pneumatique réel ayant une bande roulement sur laquelle est formé un aplatissement ;
[Fig. 27] la figure 27 représente une bande de roulement d'un pneumatique réel contaminé ;
[Fig. 28] la figure 28 représente l'évolution du gradient de couleur d'une image en deux dimensions correspondant à un pneumatique réel non contaminé ;
[Fig. 29] la figure 29 représente les gradients de couleur d'une image en deux dimensions correspondant à un pneumatique réel contaminé ;
[Fig. 30] la figure 30 représente la mise en œuvre d'un filtre de détection de contours dans l'espace HSV, mis en œuvre sur une image en deux dimensions obtenue à partir de la bande de roulement de la figure 19 ;
[Fig. 31] la figure 31 représente des étapes d'un apprentissage basé sur des réseaux de neurones et mis en œuvre sur des images en deux dimensions ;
[Fig. 32] la figure 32 est une matrice de détection de contours .
DESCRIPTION DETAILLEE DE L' INVENTION
Le procédé de détection selon l'invention est ici mis en œuvre pour détecter une dégradation d'un pneumatique réel d'une roue d'un avion. Par « pneumatique réel », on entend le véritable pneumatique monté sur la roue, et non un pneumatique « virtuel » comme le sont le pneumatique théorique et le pneumatique recalé dont on parlera plus bas .
En référence à la figure 1, le procédé de détection comprend tout d' abord l'étape d'acquérir au moins un premier objet en trois dimensions 1, représentatif de la forme du pneumatique réel, en utilisant un appareil électronique comprenant un capteur tridimensionnel et un capteur photographique,
L'appareil électronique est par exemple un smartphone qui est approché du pneumatique réel par un opérateur au sol. Le capteur tridimensionnel est par exemple une caméra stéréo adaptée à mettre en œuvre une fonction de scanner en trois dimensions. Le premier objet en trois dimensions 1 est par exemple une Image en trois dimensions.
Le premier objet en trois dimensions 1 est formé par un ensemble de points capturés (ou « nuage » de points capturés) .
Le smartphone acquiert et enregistre le premier objet en trois dimensions 1.
On note que tout type de capteur tridimensionnel, permettant d' obtenir un objet en trois dimensions formés de points et représentatif de la forme du pneumatique réel, pourrait être utilisé. On note aussi que l'appareil électronique peut bien sûr ne pas être un smartphone. Une caméra 3D reliée à un ordinateur pourrait par exemple être utilisée .
Le capteur photographique, quant à lui, permet d'acquérir une couleur associée à chaque point capturé.
Chaque point capturé est composé de coordonnées cartésiennes en trois dimensions (x ; y ; z) . Les points capturés représentent la partie scannée du pneumatique réel .
1/ enregistrement présente une densité de points capturés suffisamment élevée pour que l'on soit en mesure de réaliser des calculs précis à partir de ces points capturés. La densité est ici de 60 points capturés/cm2 en moyenne .
On utilise pour ce qui suit un référentiel fixe, ici un système de coordonnées cylindriques, dans lequel on impose que l' axe de rotation du pneumatique réel corresponde à une droite de coordonnées ;
(r ; Q ; 2) = (0 ; 0 ; z)
On détermine, à partir de l'ensemble de points capturés, la position du point central du pneumatique réel. La position du point central du pneumatique réel va permettre d'extraire le pneumatique réel du premier objet en trois dimensions 1, et donc de supprimer du premier objet en trois dimensions 1 l'environnement du pneumatique réel. L'environnement comprend en particulier le sol sur lequel le pneumatique réel repose.
Dans un premier mode de réalisation, la position du pneumatique réel est définie à partir d'une estimation de la position d'un point central du pneumatique réel. Le point central du pneumatique réel est un point situé « au centre » du pneumatique réel. Le point central est situé à l'intersection de l'axe de rotation du pneumatique réel et d'un plan de symétrie du pneumatique réel perpendiculaire à l'axe de rotation.
L'estimation de la position du point central est réalisée de la manière suivante. Les points capturés de l' enregistrement sont situés sur une surface du pneumatique réel ou bien sur une surface du sol. Chaque point capturé forme donc un sommet positionné sur une surface. L'enregistrement fourni par le capteur tridimensionnel produit les coordonnées (x ; y ; z) de chaque sommet dans un repère cartésien à taille réel . Le centre de ce repère cartésien est déterminé par le capteur tridimensionnel .
Pour simplifier les calculs, les points capturés, ou sommets, sont normés en [ 0 ; 1 ] pour avoir un référentiel intrinsèque aux données . On conserve ainsi une échelle commune pour tous les points capturés, et on facilite la définition de normes utilisées dans les calculs qui suivent .
Pour produire des sommets normés, on réalise le calcul suivant :
Pnorm : = ( P-min ( P) ) / | max ( P) | ,
où :
- Pnorm est l' ensemble des sommets normés de coordonnées (xpnorm ; ypnorm ; zpnorm) , qui sont normés en [ 0 ; 1] ;
- P est l' ensemble des sommets non normés, de coordonnées
(xp ; yp ; zp) ;
- min (P) est la valeur minimale de xp ; yp ; zp ;
- ax (P) est la valeur maximale de xp ; yp ; zp .
Le capteur tridimensionnel permet également de déterminer les vecteurs normaux à la surface (du pneumatique réel ou du sol) en chaque sommet . Chaque vecteur normal a une norme égale à 1.
On utilise les sommets normés ainsi que les vecteurs normaux pour évaluer la position du point central . En référence à la figure 2, le cercle 2 est une approximation d'une vue en coupe, dans un plan perpendiculaire à un axe de rotation du pneumatique réel, de la bande de roulement du pneumatique réel. Le cercle 2 délimite donc la surface du pneumatique réel au niveau de la bande de roulement. Le cercle 2 a un centre 3.
De même, les lignes 4 délimitent la surface du sol.
Chaque vecteur normal ni à la surface du pneumatique réel, qui passe par un point capturé Pi situé sur le cercle 2, pointe par définition vers l'opposé du centre 3 dudit cercle 2. L'opposé du vecteur normal -ni pointe donc vers le centre 3 du cercle 2, qui est une estimation de la position du point central.
Par contre, les vecteurs normaux à la surface du sol, qui passent par des points capturés Pi situés sur les lignes 4, pointent dans des directions différentes.
On calcule donc la position Pi-ni/2 pour chaque point capturé Pi .
Ces positions sont comprises dans une première zone 5 proche du point central 3 pour les points capturés Pi qui sont situés sur la bande de roulement {c'est-à-dire sur le cercle 2 de la figure 2) et qui sont largement majoritaires .
Pour les points capturés « parasites » Pi appartenant au sol sur lequel repose le pneumatique réel, ces positions sont comprises dans une deuxième zone 6 éloignée du point central 3.
Le point central estimé 3 est la moyenne géométrique des points situés dans la première zone 5 et la deuxième zone 6, et ce, à chaque itération. On estime la position du point central en utilisant un processus itératif au cours duquel, à chaque itération, on supprime des points capturés qui n' appartiennent pas au pneumatique réel (et qui comprennent donc les points capturés appartenant au sol) , on conserve les points capturés qui appartiennent au pneumatique réel, et on affine l'estimation de la position du point central en utilisant les vecteurs normaux des points capturés appartenant au pneumatique réel.
En référence à la figure 3, on obtient une première estimation Pci de la position du point central à partir des vecteurs normaux :
Figure imgf000017_0001
où Npoints est le nombre de points capturés considérés.
On calcule alors les distances entre chacun des points capturés et la première estimation Pci de la position du point central.
En supposant que l'opérateur au sol, en utilisant le smartphone, acquiert principalement le pneumatique réel, et que le pneumatique réel présente une forme sphérique, on obtient une concentration de points capturés sur un rayon donné,
Ceci est bien visible sur la figure 4. Le pic de la portion d' histogramme 7 correspond à la bande de roulement du pneumatique réel, alors que la portion d' histogramme 8 correspond à l'environnement du pneumatique réel et en particulier aux points capturés situés sur le sol.
On supprime alors les points capturés qui n'appartiennent pas au pic de la portion d'histogramme 7, et on effectue un nouveau calcul du point central. On limite de la sorte l'ensemble de points capturés à une zone englobant le rayon ayant la plus grande fréquence d'apparition.
On obtient alors une deuxième estimation de la position du point central PC2.
On réitère ce processus jusqu'à obtenir la relation suivante entre l'estimation courante Pcn de la position du point central et l'estimation Pcn-i obtenue à l'itération précédente :
I [ PCn-PCn-l I I < s,
où e est une seuil d'arrêt prédéfini, par exemple égal à 0.001 mètre.
On obtient finalement l'estimation finale Pcf de la position du point central, visible sur la figure 5.
En référence à la figure 6, on distingue bien, à partir des distances entre les points capturés et l'estimation finale Pcf de la position du point central, la portion d'histogramme 9 qui correspond au pneumatique réel et la portion d'histogramme 10 qui correspond au sol.
On isole alors les points capturés appartenant au pneumatique réel des points capturés appartenant à l'environnement du pneumatique réel {notamment au sol), et on conserve uniquement les points capturés appartenant au pneumatique réel.
En partant de la forme sphérique du pneumatique réel et en utilisant l'estimation finale Pcf de la position du point central, il est possible de définir la position de la bande de roulement. On part du principe que tous les points capturés de la bande de roulement sont situés à une distance fixe R du point central.
On obtient donc la position du pneumatique réel. Dans un deuxième mode de réalisation, en référence à la figure 7, la détermination de la position du pneumatique réel met en œuvre une méthode de partitionnement de données pour distinguer des premiers points capturés 11 appartenant au pneumatique réel et des deuxièmes points capturés 12 appartenant au sol.
Le partitionnement de données (ou data clustering, en anglais) est une méthode d'analyse qui permet de diviser un ensemble de données en plusieurs sous-ensembles partageant des caractéristiques communes.
Dans le cas de la détection de la position et de 1/ orientation du pneumatique réel dans l'ensemble de points capturés, on part du postulat que la partie du pneumatique réel en contact avec le sol ne pourra pas être enregistrée. Cela implique une forme de « coupure » entre les premiers points capturés 11 et les deuxièmes points capturés 12.
On utilise ici un algorithme DBSCAN (pour Densi ty-Based Spatial Clustering of Applications with Noise) pour réaliser le partitionnement de données.
Comme on peut le voir sur la figure 7, on distingue parfaitement les premiers points capturés 11 appartenant au pneumatique réel et les deuxièmes points capturés 12 appartenant au sol ; on détermine ainsi de manière efficace la position du pneumatique réel.
En référence aux figures 8 et 9, une fois que la position du pneumatique réel 13 a été estimée, on recale le premier objet en trois dimensions 13 par rapport à un pneumatique théorique 14 pour obtenir un deuxième objet en trois dimensions 15 formant un pneumatique recalé. Le deuxième objet en trois dimensions 15 est formé par un ensemble de points recalés. Pour cela, on procède tout d' abord à un échantillonnage pour réduire le nombre de points capturés.
Puis, en se basant uniquement sur une partie de la bande de roulement et sur une partie des flancs du pneumatique réel, on applique un algorithme de recalage par rapport à un nuage de points théoriques correspondant au pneumatique théorique 14.
Le recalage permet de connaître l'axe de rotation du pneumatique réel. Le pneumatique théorique 14 est créé spécialement pour le recalage. Le pneumatique théorique 14 a en particulier des dimensions et une orientation connues. On utilise notamment comme données d'entrée l'axe de rotation ainsi que le point central du pneumatique théorique 14.
Le recalage utilise un algorithme de recalage basé sur des transformations euclidiennes.
On réalise des transformations euclidiennes (rotation, translation) vers un référentiel connu, qui ne transforment pas l'objet. Les transformations euclidiennes sont définies par :
T (v) = R v + t , où ;
- v est un vecteur de l'objet ;
- R est une transformation orthogonale ;
- t est un vecteur de translation.
Le recalage consiste à trouver la transformation qui permettra de minimiser 1a différence entre le nuage de points capturés et le nuage de points théoriques. On utilise ici un algorithme de type ICP (pour Itérative Corresponding Point) , On décrit maintenant les traitements mis en œuvre sur le deuxième objet en trois dimensions 15 formant le pneumatique recalé.
Ces traitements consistent à réaliser une transformation du deuxième objet en trois dimensions 15 formant le pneumatique recalé pour obtenir un ou plusieurs objets en deux dimensions, puis à analyser le ou les objets en deux dimensions pour détecter une dégradation du pneumatique réel.
En référence à la figure 10, dans un premier mode de réalisation, la transformation consiste tout d' abord à couper le deuxième objet en trois dimensions 15 selon des plans perpendiculaires à un axe de rotation Z du pneumatique recalé pour obtenir un nombre n de tranches en trois dimensions T3di...T3di...T3dn de faible épaisseur. L' épaisseur e de chaque tranche en trois dimensions T3d± est de l'ordre du millimètre.
On obtient un nombre n de tranches en trois dimensions T3di qui, empilées selon l'axe de rotation Z du pneumatique recalé, forment le pneumatique recalé.
La somme des épaisseurs de toutes les tranches en trois dimensions T3di est donc égale à la largeur de la bande de roulement du pneumatique recalé.
L'épaisseur de chaque tranche en trois dimensions T3d± est très faible par rapport au rayon du pneumatique recalé.
On assimile donc chaque tranche en trois dimensions T3di à une tranche en deux dimensions T2di, l<i<n, d'épaisseur nulle. Les objets en deux dimensions, résultats de 1a transformation, comprennent donc les tranches en deux dimensions T2d± . Chaque tranche en deux dimensions T2di a pour forme générale un cercle, dans le cas où le smartphone a acquis la totalité de la circonférence du pneumatique réel, ou une portion angulaire de cercle, dans le cas où le smartphone a acquis uniquement une portion angulaire de la circonférence du pneumatique réel.
On calcule alors, pour chaque tranche en deux dimensions T2di, un rayon n (a) de la tranche en deux dimensions T2di. Le rayon ri (a) est fonction d' un angle a autour de l'axe de rotation z. Le rayon ri (a) n'est pas nécessairement constant en fonction de l'angle «, car l'usure du pneumatique réel n'est pas nécessairement uniforme sur toute 1a circonférence de la tranche en deux dimensions T2di.
On étudie alors la variation du rayon ri (a) en faisant varier i pour détecter une différence de rayon du pneumatique recalé selon l'axe de rotation Z (c'est-à-dire selon la largeur de la bande de roulement) , et donc pour détecter une dégradation du pneumatique réel.
L'écart selon i entre les rayons r± (a) doit alors présenter des variations régulières, représentatives de la présence des structures du pneumatique réel, dont on pourra alors quantifier 1a profondeur.
On doit ainsi percevoir la présence des rainures de la bande de roulement du pneumatique réel, qui permettent actuellement d'évaluer visuellement l'usure du pneumatique réel .
Bien sûr, cette analyse peut être faite avec a constant, ou bien en faisant varier l'angle a dans un intervalle angulaire défini. On peut aussi, pour chaque tranche en deux dimensions T2d±, calculer le rayon moyen r± de chaque tranche en deux dimensions T2di . On étudie alors la variation du rayon moyen ¾ en fonction de i, c'est-à-dire selon l'axe de rotation z .
On étudie aussi la variation du rayon r± (a) selon l'angle a, pour détecter des variations angulaires du rayon du pneumatique recalé et donc pour détecter une dégradation du pneumatique réel.
Pour une tranche en deux dimensions T2d± donnée, le rayon r± (a) doit normalement présenter une très faible variation en fonction de l'angle a, ce qui indique une usure régulière .
Si ce n'est pas le cas, les coordonnées (r ; Q ; z) des points capturés permettent d'informer de la présence, de la forme et de la profondeur d'une anomalie.
On analyse donc un ou plusieurs paramètres parmi la variation du rayon n (a) en fonction de i, la variation du rayon n (a) en fonction de a, et la variation du rayon moyen n en fonction de i. L'étude de ces variations de rayon permet de déterminer un changement inattendu, tel qu'une diminution ponctuelle ou continue de ce rayon.
On voit sur la figure 11 une bande de roulement 20 d'un pneumatique réel 21, qui présente une usure normale. On distingue les quatre rainures 22 qui sont usées de manière symétrique et régulière autour de l'axe de rotation du pneumatique réel 21,
La courbe 23 de la figure 12 représente la variation en fonction de la valeur de i du rayon moyen ri du pneumatique recalé correspondant au pneumatique réel 21 de la figure
11. On distingue sur la courbe 23 quatre portions de courbe 24 correspondant à un rayon moyen r± réduit, qui chacune correspondent à l' une des quatre rainures 22 présentes sur la bande de roulement 20 du pneumatique réel 21 (sur le graphique, les rainures 22 sont représentées par des traits en gras qui indiquent la position desdites rainures 22 dans la largeur de la bande de roulement 20) ,
On peut donc détecter la position des rainures 22 sur la bande de roulement 20 et évaluer la profondeur de chaque rainure 22.
L'évaluation de la profondeur de chaque rainure 22 peut permettre de détecter la présence d'une dégradation sur la bande de roulement 20.
La détection de la position des rainures 22 permet de positionner la dégradation sur la bande de roulement 20.
Ici, 1a bande de roulement 20 ne présente pas de dégradation anormale. L'usure du pneumatique réel 21 est normale et symétrique, et les rainures 22 ont chacune une profondeur à peu près constante.
On distingue sur la figure 13 une bande de roulement 26 d'un pneumatique réel 27, qui présente une usure anormale, asymétrique, mal répartie sur la bande de roulement 26.
On voit sur la courbe 28 du graphique de la figure 14 que la rainure 29 et la rainure 30 ont une profondeur très faible par rapport aux autres rainures. Le rayon moyen du pneumatique recalé varie très peu au niveau de ces rainures, ce qui est le signe d'une usure excessive et non symétrique, puisqu'elle concerne deux rainures situées d'un même côté de la bande de roulement 26. On voit sur la figure 15 que des crevasses 32 sont formées sur la bande de roulement 33 d'un pneumatique réel 34, entre la rainure 35 et la rainure 36.
On voit sur la courbe 38 de la figure 16 que le rayon moyen diminue dans la portion de courbe 37 entre les deux rainures 35 et 36, ce qui est représentatif de la présence de la crevasse.
Des variations nettes ou répétées du rayon moyen peuvent en effet indiquer une surface présentant des anomalies de type crevasse, bosse, excroissance anormale, déchirure, chevron, craquelure, etc.
On voit sur la figure 17 la présence d'un aplatissement (fiat spot) 40 présent sur la bande de roulement 41 d'un pneumatique réel 42. Cet aplatissement 40 résulte d'un freinage sans rotation du pneumatique réel 42.
L'aplatissement 40 est perceptible sur la courbe 45 du graphique de la figure 18. La portion de courbe 46 comprend, sur une zone relativement plate, une succession de pics et de creux de faible amplitude, représentative de la présence de l'aplatissement.
On ne distingue pas de portion de courbe de rayon moyen réduit : les rainures 47 ne sont pas détectées à cause de l'aplatissement 40.
En référence à la figure 19, il est aussi possible de détecter la présence d'un corps étranger dans la couche supérieure de la bande de roulement 50 d' un pneumatique réel 51. Le corps étranger est par exemple un clou 52 enfoncé dans la bande de roulement 50. On détecte la présence du clou 52 en repérant une modification ponctuelle du rayon moyen du pneumatique recalé dans un intervalle donné : [ (r ; Q ; z) ; (r+dΐ ; Q+52 ; z+53) ] ,
où [ | dΐ 1 , I d2 I , I d3 I ] représentent les dimensions de la partie émergente du clou 52.
On note qu'il serait également possible d'utiliser des données de couleurs pour déterminer une différence ponctuelle, qui dépasserait un certain seuil, dans le cas où le corps étranger présenterait une couleur ou une luminosité significativement différentes du caoutchouc du pneumatique réel.
II serait aussi envisageable d'utiliser un capteur spécifique, par exemple un capteur à ultrasons, pour détecter un changement de matière représentatif de la présence d'un corps étranger ou bien de l'apparition d'une trame métallique du pneumatique.
On pourrait aussi détecter une anomalie grâce à l'analyse d'un gradient de chaleur si l'on utilise une caméra thermique adaptée, éventuellement intégrée dans le smartphone.
On voit sur la figure 20 une bande de roulement 54 d'un pneumatique réel 55, dans laquelle un clou s'est enfoncé, a formé un trou 56, puis a été extrait de la bande de roulement 54,
On voit sur la courbe 57 du graphique de la figure 21 que le rayon moyen du pneumatique recalé diminue fortement dans la portion de courbe 58 entre les deux rainures 59, ce qui est représentatif de la présence du trou formé par le clou, On a donc vu que, dans un premier mode de réalisation, la transformation du deuxième objet en trois dimensions du pneumatique recalé produit des objets en deux dimensions qui sont des tranches en deux dimensions T2d± du pneumatique recalé . Dans un deuxième mode de réalisation, la transformation est une projection en deux dimensions de l'objet en trois dimensions 15, Les objets en deux dimensions comprennent une image en deux dimensions d'une bande de roulement du pneumatique recalé obtenue par ladite projection en deux dimensions .
Les objets en deux dimensions comprennent aussi une image en deux dimensions du flanc droit et une image en deux dimensions du flanc gauche du pneumatique recalé. Pour obtenir les images des flancs, aucune projection en deux dimensions n'est nécessaire du fait de la forme des flancs. Pour réaliser la projection en deux dimensions, on utilise les coordonnées cylindriques et les formules suivantes : x = R. (l - AO)
y = R, (tan (f) )
l correspond à un point courant de la projection et lq correspond à un point fixé comme origine du repère.
Comme cela a été dit plus tôt, on dispose par ailleurs des couleurs associées aux points capturés de l'ensemble de points capturés acquis et enregistré par le smartphone .
L'analyse des images en deux dimensions consiste à analyser une évolution d'un gradient de couleur de l'image en deux dimensions et/ou à appliquer sur l'image en deux dimensions une transformée de Hough.
L'analyse de l'évolution du gradient de couleur permet de détecter une dégradation anormale qui a pour résultat une évolution anormale des couleurs de la bande de roulement, alors que la transformée de Hough permet de détecter des contours et donc une dégradation anormale qui a pour résultat un relief anormal sur la bande de roulement. On voit sur la figure 22 une bande de roulement 60 d' un pneumatique réel 61, sur laquelle on aperçoit deux rainures 62 et un trou 63, On applique la projection en deux dimensions sur le deuxième objet en trois dimensions pour obtenir une image en deux dimensions de la bande de roulement. On applique alors sur cette image la transformée de Eough pour obtenir l' image de la figure 23,
On considère que chaque rainure est délimitée par deux lignes dans un plan en deux dimensions, chaque ligne correspondant à un bord de ladite rainure. La transformée de Eough permet ainsi de détecter les rainures 62, délimitées chacune par deux lignes 64, ainsi que le trou 63.
On voit sur la figure 24 une bande de roulement 66 d'un pneumatique réel 67, sur laquelle la trame métallique 68 du pneumatique réel 67 est apparente. La trame métallique 68 est apparente à cause d'une usure excessive du pneumatique réel 67. L'usure excessive est par exemple due à un dégagement de chaleur excessif sur une partie du pneumatique réel 67 résultant d'un problème de freinage, d'une piste mouillée ou gelée, etc.
On représente sur la figure 25 l'évolution du gradient de couleur sur l'image en deux dimensions.
On repère une zone 69 dans laquelle on observe des différences de couleur anormales, qui sont ici significative de l'apparition de la trame métallique 68. En référence à la figure 26, une bande de roulement peut comporter un aplatissement. L'aplatissement est caractérisé par une forme circulaire sur la bande de roulement . On produit l'image en deux dimensions de la bande de roulement, on traite l'image en deux dimensions pour retirer le bruit pouvant gêner la détection, puis on applique la transformée de Hough sur cette image en deux dimensions. On utilise ici plus précisément un algorithme de type CHT (pour Circle Hough Transform) .
La transformée de Hough permet d'obtenir une forme 70 représentative de l'aplatissement.
En référence à la figure 27, la bande de roulement 71 d'un pneumatique réel 72 peut aussi être dégradée par une usure liée à un dégagement de chaleur ou à une contamination par un liquide corrosif (huile, liquide de frein, etc.).
Dans le cas de dommages de ce type, on utilise l'évolution du gradient de couleur pour repérer les zones qui présentent une granularité anormale. Le pneumatique réel 72 étant constitué d'une unique matière, on peut partir de l'hypothèse que, si le pneumatique réel 72 est dans un état normal, on observera un gradient de couleur simple, lié uniquement à des facteurs extérieurs comme l'exposition au soleil. Au contraire, la présence d'une rupture dans la linéarité du gradient de couleur, tout comme la présence de zones présentant des couleurs différentes de celles du reste du pneumatique réel et non liées à une exposition lumineuse extérieure, sont les signes d'une dégradation de la couche de caoutchouc de la bande de roulement 71.
On observe sur 1a figure 28 l'évolution du gradient de couleur dans un cas où le pneumatique réel n'est pas contaminé. On observe sur la figure 29 l'évolution du gradient de couleur dans un cas où le pneumatique réel est contaminé . Les différences entre ces deux figures montrent bien que l ' évolution du gradient de couleur est un paramètre pertinent pour détecter une contamination d' un pneumatique réel .
En référence à la figure 30, en utilisant un filtre de détection de contours dans l'espace HSV ( Hue Saturation Value) , il est possible de détecter un corps étranger dans le pneumatique réel, tout comme une rainure du pneumatique réel .
La forme 75 correspond au clou 52 de la figure 19, alors que la forme 76 correspond à la rainure située juste à gauche du clou 52 sur la figure 19,
L'analyse des images en deux dimensions, obtenues par projection en deux dimensions du deuxième objet en trois dimensions 15 du pneumatique recalé, peut aussi consister à mettre en œuvre un apprentissage, basé sur des réseaux de neurones, des images du pneumatique réel en bon état ainsi que des images des différentes dégradations recherchées .
On utilise une base de données comprenant un nombre très important de données constituées d' images en deux dimensions similaires, acquises à partir d'un très grand nombre de pneumatiques réels.
Comme les projections en deux dimensions sont standardisées, on peut effectuer des comparaisons efficaces entre les images en deux dimensions, en éliminant les différences dues à l'acquisition de ces données (et donc non pertinentes pour l'analyse). Les données doivent être classifiées manuellement en plusieurs catégories distinctes au cours d'une étape préliminaire .
On utilise les réseaux de neurones convolutifs (CNN ou ConvNets) pour élaborer l'algorithme de prédiction.
En référence à la figure 31, pour une image en deux dimensions donnée, l'apprentissage comprend tout d'abord l'étape d'effectuer une convolution de l'image en deux dimensions avec une matrice prédéfinie (étape El) . On utilise ici la matrice de détection de contour de la figure 32.
Puis, on applique une fonction de correction.
On utilise par exemple une fonction de type ReLu (pour REctified Linear Unit) ;
f (x) = max (0, x) ,
ou bien une fonction tangente hyperbolique :
f (x) = tanh (x) ,
ou bien une fonction tangente hyperbolique saturante ; f (x) = | tanh (x) | ,
ou bien une fonction sigmoïde :
f (x) = (1 + e~x) -1.
Puis, on met en œuvre une opération de pooling (ou mise en commun) pour réduire la taille de l'image en deux dimensions (étape E2) .
II est alors possible de traiter chacune des zones de l'image en deux dimensions de manière individuelle via un neurone artificiel (étape E3) .
La dernière étape (étape E4 ) consiste à appliquer la formule Softmax :
[Math. 2]
Figure imgf000032_0001
On convertit ainsi les calques d'entrée du réseau de neurones à une probabilité de distribution. Il est alors possible de classifier les données des images en deux dimensions et de détecter les dégradations anormales sur les images en deux dimensions.
On peut aussi mettre en œuvre un apprentissage basé sur des réseaux de neurones directement sur les deuxièmes objets en trois dimensions du pneumatique recalé.
Dans une première étape,· à nouveau, les données doivent être classifiées manuellement en plusieurs catégories distinctes .
Pour élaborer l'algorithme de prédiction, on utilise également les réseaux de neurones convolutifs (CNN ou
ConvNets} .
On note ici que, suite à la détection d'une dégradation d'un pneumatique réel, on génère un message d'alerte. Le message d'alerte est émis par le smartphone à destination de l'opérateur au sol, ou bien est transféré depuis le smartphone à un serveur qui centralise les messages d'alerte provenant d'un grand nombre de pneumatiques réels (par exemple de tous les pneumatiques réels utilisés par une compagnie aérienne) .
Le message d'alerte contient un moyen d'identification du pneumatique concerné (par exemple une référence du pneumatique ou sa position sur l'avion) ainsi que, éventuellement, le type de la dégradation et sa position sur le pneumatique .
On enregistre l'ensemble de points capturés ainsi que les résultats des analyses réalisées, qui pourront être utilisés à des fins de vérifications et d'analyses de données à grande échelle. Ces analyses peuvent mettre en lumière des corrélations entre une détérioration excessive de pneumatiques et des pistes particulières, des situations particulières de décollage, d'atterrissage ou de taxiage, un climat particulier, le pilotage de l'avion par certains pilotes, etc.
Bien entendu, l'invention n'est pas limitée aux modes de réalisation décrits mais englobe toute variante entrant dans le champ de l'invention telle que définie par les revendications .

Claims

REVENDICATIONS
1. Procédé de détection d'une dégradation d' un pneumatique réel d'une roue, comprenant les étapes de ;
- acquérir au moins un premier objet en trois dimensions (1) représentatif d'une forme du pneumatique réel (21 ; 27 ; 34) , en utilisant un appareil électronique comprenant au moins un capteur tridimensionnel, le premier objet en trois dimensions étant formé par un ensemble de points capturés ;
- déterminer, à partir de l'ensemble de points capturés, une position d'un point central du pneumatique réel ;
- recaler le premier objet en trois dimensions par rapport à un pneumatique théorique (14), de dimensions et d'orientation connues, pour obtenir un deuxième objet en trois dimensions (15) formant un pneumatique recalé ;
- réaliser une transformation du deuxième objet en trois dimensions (15) pour obtenir un ou plusieurs objets en deux dimensions ;
analyser le ou les objets en deux dimensions pour détecter la dégradation du pneumatique réel.
2. Procédé de détection selon la revendication 1, dans lequel la détermination de la position du point central du pneumatique réel comprend les étapes, pour chaque point capturé (Pi) , de définir un vecteur normal à une surface du premier objet en trois dimensions qui passe par ledit point capturé (Pi), et d'estimer la position du point central du pneumatique réel à partir des vecteurs normaux.
3. Procédé de détection selon la revendication 2, dans lequel l'estimation de la position du point central est un processus itératif au cours duquel, à chaque itération, on supprime des points capturés qui n'appartiennent pas au pneumatique réel, on conserve des points capturés qui appartiennent au pneumatique réel, et on affine l'estimation (Pci, Pcf) de la position du point central en utilisant les vecteurs normaux des points capturés appartenant au pneumatique réel.
4. Procédé de détection selon la revendication 1, dans lequel la détermination de la position du point central du pneumatique réel met en œuvre une méthode de partitionnement de données pour distinguer des premiers points capturés (11} appartenant au pneumatique réel et des deuxièmes points capturés (12) appartenant au sol.
5. Procédé de détection selon l'une des revendications précédentes, dans lequel le recalage utilise un algorithme de recalage basé sur des transformations euclidiennes.
6. Procédé de détection selon la revendication 5 précédentes, dans lequel le recalage utilise en outre un algorithme JCP.
7. Procédé de détection selon l'une des revendications précédentes, dans lequel la transformation comprend les étapes de couper le deuxième objet en trois dimensions selon des plans perpendiculaires à un axe de rotation (z) du pneumatique recalé pour obtenir une pluralité de tranches en trois dimensions (T3di) de faible épaisseur (e ) , et d'assimiler chaque tranche en trois dimensions (T3di) à une tranche en deux dimensions (T2d±) d'épaisseur nulle, le ou les objets en deux dimensions comprenant les tranches en deux dimensions.
8. Procédé de détection selon la revendication 7, comprenant les étapes de calculer, pour chaque tranche en deux dimensions (T2di) , un rayon ri (a) de la tranche en deux dimensions (T2di) , qui est fonction d'un angle a autour de l'axe de rotation (z) du pneumatique recalé.
9. Procédé de détection selon la revendication 8 , dans lequel on calcule, pour chaque tranche en deux dimensions (T2di) , un rayon moyen (r±) de la tranche en deux dimensions (T2di) , et dans lequel on étudie la variation du rayon moyen (ri) en fonction de i, i étant l' indice de la tranche (T2di) .
10. Procédé de détection selon 1a revendication 9, dans lequel on détecte, à partir de la variation du rayon moyen (ri) , une dégradation anormale qui est une usure asymétrique ou un aplatissement (40) ou une bosse ou une crevasse (32) ou la présence d'un corps étranger (52) sur une bande de roulement du pneumatique réel.
11. Procédé de détection selon la revendication 10, dans lequel on détecte la position de rainures (22) sur la bande de roulement et on évalue une profondeur de chaque rainure, la profondeur des rainures étant utilisée pour détecter une dégradation trop importante ou anormale, et la position des rainures étant utilisée pour localiser la dégradation trop importante ou anormale.
12. Procédé de détection selon l'une des revendications précédentes, dans lequel l'appareil électronique comprend en outre un capteur photographique agencé pour acquérir une couleur associée à chaque point capturé, dans lequel la transformation est une projection en deux dimensions appliquée sur le deuxième objet en trois dimensions, et dans lequel le ou les objets en deux dimensions comprennent une image en deux dimensions d'une bande de roulement du pneumatique recalé obtenue par ladite projection en deux dimensions .
13. Procédé de détection selon la revendication 12, dans lequel l'analyse de l'image en deux dimensions comprend l' étape d' analyser une évolution d' un gradient de couleur de l'image en deux dimensions,
14, Procédé de détection selon la revendication 13, dans lequel l'analyse de l'évolution du gradient de couleur est utilisée pour détecter une dégradation anormale qui est une usure excessive conduisant à l'apparition d'une trame métallique (68) du pneumatique réel, ou qui est un dégagement de chaleur ou une contamination.
15, Procédé de détection selon la revendication 12, dans lequel l'analyse de l'image en deux dimensions comprend l'étape d'appliquer sur l'image en deux dimensions une transformée de Hough.
16, Procédé de détection selon la revendication 15, dans lequel la transformée de Hough permet de détecter une dégradation anormale qui est un aplatissement ou une bosse ou une crevasse ou la présence d'un corps étranger sur la bande de roulement,
17 Procédé de détection selon la revendication 12, dans lequel l'analyse de l'image en deux dimensions comprend l'étape de mettre en œuvre un apprentissage, basé sur des réseaux de neurones convolutifs , des images du pneumatique réel en bon état ainsi que des images des différentes dégradations recherchées.
PCT/EP2020/054684 2019-02-22 2020-02-21 Procede de detection d'une degradation d'un pneumatique d'une roue Ceased WO2020169833A1 (fr)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202080016009.5A CN113454435B (zh) 2019-02-22 2020-02-21 用于检测轮胎退化的方法
US17/432,746 US11391648B2 (en) 2019-02-22 2020-02-21 Method for detecting a degradation of a wheel tire
CA3130432A CA3130432C (fr) 2019-02-22 2020-02-21 Procede de detection d'une degradation d'un pneumatique d'une roue

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FRFR1901852 2019-02-22
FR1901852A FR3093183B1 (fr) 2019-02-22 2019-02-22 Procédé de détection d’une dégradation d’un pneumatique d’une roue

Publications (1)

Publication Number Publication Date
WO2020169833A1 true WO2020169833A1 (fr) 2020-08-27

Family

ID=68072488

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2020/054684 Ceased WO2020169833A1 (fr) 2019-02-22 2020-02-21 Procede de detection d'une degradation d'un pneumatique d'une roue

Country Status (5)

Country Link
US (1) US11391648B2 (fr)
CN (1) CN113454435B (fr)
CA (1) CA3130432C (fr)
FR (1) FR3093183B1 (fr)
WO (1) WO2020169833A1 (fr)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113352506A (zh) * 2021-06-22 2021-09-07 邵阳市黑宝石再生资源有限公司 一种利用废旧轮胎生产胶粉的方法、胶粉及其再生产品
WO2022207375A1 (fr) 2021-03-31 2022-10-06 Compagnie Generale Des Etablissements Michelin Procédé de prévision de l'état d'usure actuel d'un pneu identifié installé sur un avion identifié

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115720620A (zh) * 2020-05-11 2023-02-28 普利司通美国轮胎运营有限责任公司 轮胎感测系统和方法
CN114638877A (zh) * 2022-02-14 2022-06-17 苏州大学 一种基于3d结构光技术的胎纹深度提取方法和系统
CN116007526B (zh) * 2023-03-27 2023-06-23 西安航天动力研究所 一种膜片刻痕深度自动测量系统及测量方法
DE102023203617A1 (de) * 2023-04-20 2024-10-24 Continental Reifen Deutschland Gmbh Verfahren zur Vermessung von Oberflächenstrukturen eines Fahrzeugreifens
WO2025145001A1 (fr) * 2023-12-29 2025-07-03 Compagnie Generale Des Etablissements Michelin Procédé de rechapage amélioré d'une carcasse de pneu

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1477765A1 (fr) * 2002-02-21 2004-11-17 Kabushiki Kaisha Bridgestone Procede et dispositif de detection d'un objet, procede et dispositif d'examen d'un objet
EP1826529A1 (fr) * 2004-11-22 2007-08-29 Bridgestone Corporation Appareil d inspection d apparence exterieure
FR2925706A1 (fr) * 2007-12-19 2009-06-26 Michelin Soc Tech Dispositif d'evaluation de la surface d'un pneumatique.
WO2012156260A1 (fr) * 2011-05-19 2012-11-22 Compagnie Generale Des Etablissements Michelin Methode de determination des elements en relief presents sur la surface d'un pneumatique
WO2015016888A1 (fr) * 2013-07-31 2015-02-05 Compagnie Generale Des Etablissements Michelin Système et procédé d'analyse de paramètres de la bande de roulement d'un pneu
US20150035971A1 (en) * 2012-04-19 2015-02-05 Continental Reifen Deutschland Gmbh Method for determining the tread depth of a vehicle pneumatic tire
WO2015110841A1 (fr) * 2014-01-27 2015-07-30 Pre-Chasm Research Limited Détermination de la profondeur de la bande de roulement et de l'état d'un pneumatique
WO2017017371A1 (fr) * 2015-07-27 2017-02-02 Compagnie Generale Des Etablissements Michelin Procédé optimise d'analyse de la conformité de la surface d'un pneumatique
US9805697B1 (en) * 2012-06-01 2017-10-31 Hunter Engineering Company Method for tire tread depth modeling and image annotation
US10179487B1 (en) * 2016-01-15 2019-01-15 Hunter Engineering Company Method for generating images of predicted tire tread wear

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11935222B2 (en) * 2018-12-13 2024-03-19 Uveye Ltd. Method of automatic tire inspection and system thereof

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1477765A1 (fr) * 2002-02-21 2004-11-17 Kabushiki Kaisha Bridgestone Procede et dispositif de detection d'un objet, procede et dispositif d'examen d'un objet
EP1826529A1 (fr) * 2004-11-22 2007-08-29 Bridgestone Corporation Appareil d inspection d apparence exterieure
FR2925706A1 (fr) * 2007-12-19 2009-06-26 Michelin Soc Tech Dispositif d'evaluation de la surface d'un pneumatique.
WO2012156260A1 (fr) * 2011-05-19 2012-11-22 Compagnie Generale Des Etablissements Michelin Methode de determination des elements en relief presents sur la surface d'un pneumatique
US20150035971A1 (en) * 2012-04-19 2015-02-05 Continental Reifen Deutschland Gmbh Method for determining the tread depth of a vehicle pneumatic tire
US9805697B1 (en) * 2012-06-01 2017-10-31 Hunter Engineering Company Method for tire tread depth modeling and image annotation
WO2015016888A1 (fr) * 2013-07-31 2015-02-05 Compagnie Generale Des Etablissements Michelin Système et procédé d'analyse de paramètres de la bande de roulement d'un pneu
WO2015110841A1 (fr) * 2014-01-27 2015-07-30 Pre-Chasm Research Limited Détermination de la profondeur de la bande de roulement et de l'état d'un pneumatique
WO2017017371A1 (fr) * 2015-07-27 2017-02-02 Compagnie Generale Des Etablissements Michelin Procédé optimise d'analyse de la conformité de la surface d'un pneumatique
US10179487B1 (en) * 2016-01-15 2019-01-15 Hunter Engineering Company Method for generating images of predicted tire tread wear

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022207375A1 (fr) 2021-03-31 2022-10-06 Compagnie Generale Des Etablissements Michelin Procédé de prévision de l'état d'usure actuel d'un pneu identifié installé sur un avion identifié
CN113352506A (zh) * 2021-06-22 2021-09-07 邵阳市黑宝石再生资源有限公司 一种利用废旧轮胎生产胶粉的方法、胶粉及其再生产品

Also Published As

Publication number Publication date
FR3093183A1 (fr) 2020-08-28
CN113454435B (zh) 2022-08-26
US20220099531A1 (en) 2022-03-31
FR3093183B1 (fr) 2021-02-19
CA3130432A1 (fr) 2020-08-27
CN113454435A (zh) 2021-09-28
US11391648B2 (en) 2022-07-19
CA3130432C (fr) 2022-01-11

Similar Documents

Publication Publication Date Title
CA3130432C (fr) Procede de detection d&#39;une degradation d&#39;un pneumatique d&#39;une roue
FR3039684A1 (fr) Procede optimise d&#39;analyse de la conformite de la surface d&#39;un pneumatique
EP2561479A1 (fr) Methode de controle de l&#39;aspect de la surface d&#39;un pneumatique
FR3075433B1 (fr) Procede de determination des bords saillants d&#39;une cible sur une image
US11087450B1 (en) Wheel matcher
WO2014198777A1 (fr) Methode de traitement de l&#39;image numerique de la surface d&#39;un pneumatique en vue de la detection d&#39;une anomalie
FR2905188A1 (fr) Procede et dispositif de conversion de densites d&#39;image
FR3116902A1 (fr) Procede pour detecter d’eventuels enfoncements sur une surface apte a reflechir la lumiere
FR3065097B1 (fr) Procede automatise de reconnaissance d&#39;un objet
EP3776471B1 (fr) Procédé pour la localisation d&#39;une cible à partir d&#39;un contour elliptique
FR3107359A1 (fr) Procede et dispositif de determination d&#39;obstacles d&#39;altitude
WO2018229391A1 (fr) Plateforme de commande et de suivi des inspections de surfaces d&#39;objets par des robots d&#39;inspection et système d&#39;inspection mettant en oeuvre une telle plateforme
WO2016151247A1 (fr) Procédé de détermination de la teneur en eau dans l&#39;atmosphère, procédé de détection de conditions givrantes et programmes d&#39;ordinateur
WO2021099395A1 (fr) Procédé de détection de pics d&#39;intensité de faisceau lumineux réfléchi de manière spéculaire
EP4526843B1 (fr) Procédé et dispositif de détermination de pose absolue d&#39;une caméra embarquée dans un engin aérien ou spatial
FR3097974A1 (fr) Procede et dispositif de telemetrie passive par traitement d&#39;image et utilisation de modeles en trois dimensions
FR3066815A1 (fr) Procede de controle de l&#39;etat d&#39;une surface interne d&#39;un pneumatique
Wei et al. Integrated Road Information Perception Framework for Road Type Recognition and Adaptive Evenness Assessment
FR3075417A1 (fr) Procede d’estimation de l’etat de surface d’une piste d’un aerodrome
FR3160128A3 (fr) Système de shearographie permettant de détecter des soufflures à l’intérieur d’un pneumatique
EP4550295A1 (fr) Procédé de contrôle de l&#39;observation par un système de pistage d&#39;un espace et dispositif associé
WO2023199009A1 (fr) Procédé de détermination d&#39;un niveau de salissure d&#39;une chaussée
FR3097975A1 (fr) Procede et dispositif de telemetrie passive par traitement d&#39;image
FR3111723A1 (fr) Procédé et système de caractérisation géométrique de feux
WO2024100349A1 (fr) Système et procédé d&#39;aide à la navigation d&#39;un système mobile

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 20705731

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 3130432

Country of ref document: CA

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 20705731

Country of ref document: EP

Kind code of ref document: A1