La vision 3D permet non-seulement de capturer une image, mais surtout d’étudier le relief ou le profil de l’élément inspecté par la prise en compte de l’altitude des points saisis. La vision 3D fournit ainsi une représentation topographique de l’élément à contrôler ; elle permet la mesure des caractéristiques 3D d’un élément, telles que sa longueur, sa largeur, sa hauteur, son inclinaison ou son volume.
Depuis 2015, les équipes de PROCiD développent et mettent en œuvre des applications de vision 3D, notamment pour la mesure dimensionnelle ou de position en trois dimensions, la définition de l’enveloppe réelle d’une pièce, la détection de manques ou d’excès de matière, le contrôle d’aspect tenant compte de la profondeur des défauts constatés (ex : contrôle de porosités) ou le guidage de robot dans une application de dévracage (voir HANDOGA).
La vision 3D fait principalement appel à trois technologies distinctes : la profilométrie laser, la stéréovision et la projection de franges.
La profilométrie laser combine le principe de la caméra matricielle et l’utilisation d’une ligne laser chargée de mettre en évidence le profil de l’élément observé. Cette technologie nécessite une prise de données au défilé par le déplacement linéaire du profilomètre par rapport à l’élément analysé.
La stéréovision consiste à capturer plusieurs images d’un même point sous différents angles de vue pour déterminer le relief, les dimensions, les formes ou les positions de l’élément observé. La stéréovision ne nécessite pas de déplacement de l’élément.
La projection de franges utilise une caméra chargée d’inspecter une succession de lignes lasers de largeurs différentes, et dont l’espace n’est pas constant ; la caméra acquiert plusieurs images successives et les reconstruit de façon à générer un nuage de points dans l’espace, qui sera ensuite analysé.
Inspection de process automatisé par analyse d'image
Identifier des éléments en mouvement
Contrôle industriel ou guidage robot grâce aux technologies de vision 2D ou 3D
Localiser les pièces, détecter les anomalies et les classer grâce au deep learning