Actualités et vidéos
Le Le LE laboratoire LISPEN décroche un projet ANR Jeune Chercheur GENERAT3D
L’objectif de GENERAT3D est de développer des méthodes de génération automatique de grands volumes de données pour alimenter des méthodes d’apprentissage machine pour la rétro-conception de pièces et d’assemblages mécaniques.
Des méthodes de génération de données artificielles pour l’apprentissage machine
Récolter et labelliser des données pour l’apprentissage machine est un travail qui peut s’avérer chronophage, tout particulièrement dans le contexte multimodal de la rétro-conception de produits où il est nécessaire d’avoir une labellisation par pièce et par assemblage dans plusieurs types de représentations 2D et 3D. Pour cela des méthodes d’augmentation de données CAO, de génération d’images photo-réalistes, de nuages de points « tels que scannés », ainsi que de cartes de profondeurs seront développées. Des cas d’études utilisant ces données seront développés lors du projet afin d’illustrer leurs exploitations.
Impacts et retombées prévus pour l’Industrie du Futur
La mise à disposition de ces méthodes de génération de grands volumes de données (ainsi que de jeux de données déjà générés) permettra en premier lieu la mise en place de nouvelles méthodes de rétro-conception de produits telles que l’aide à la rétro-conception ou l’automatisation de la rétro-conception.
À plus long terme, ces méthodes seront également profitables à d’autres applications en lien avec l’ingénierie des systèmes dans un contexte d’Industrie du Futur où l’apprentissage machine permet aujourd’hui de lever de nouveaux verrous scientifiques, telles que la conception de produits, le fonctionnement en temps réel des jumeaux numériques, la détection de défaut de fabrication, ou encore la réalité virtuelle et augmentée.
Poursuivre votre lecture
dernière Success Stories
Projet Descartes, l’IA au chevet de la ville du futur
Projet Descartes, l'IA au chevet de la ville du futureDerrière ce nom très français se cache un des plus grands projets collaboratifs à l’international porté par le CNRS, avec un budget de 35 M€ sur...
dernière Actualité
Le Carnot ARTS et Global Industrie 2019
5-8 mars 2019 – Les Carnot à la rencontre des entreprises.
Un projet ?
L’objectif de GENERAT3D est de développer des méthodes de génération automatique de grands volumes de données pour alimenter des méthodes d’apprentissage machine pour la rétro-conception de pièces et d’assemblages mécaniques.
Des méthodes de génération de données artificielles pour l’apprentissage machine
Récolter et labelliser des données pour l’apprentissage machine est un travail qui peut s’avérer chronophage, tout particulièrement dans le contexte multimodal de la rétro-conception de produits où il est nécessaire d’avoir une labellisation par pièce et par assemblage dans plusieurs types de représentations 2D et 3D. Pour cela des méthodes d’augmentation de données CAO, de génération d’images photo-réalistes, de nuages de points « tels que scannés », ainsi que de cartes de profondeurs seront développées. Des cas d’études utilisant ces données seront développés lors du projet afin d’illustrer leurs exploitations.
Impacts et retombées prévus pour l’Industrie du Futur
La mise à disposition de ces méthodes de génération de grands volumes de données (ainsi que de jeux de données déjà générés) permettra en premier lieu la mise en place de nouvelles méthodes de rétro-conception de produits telles que l’aide à la rétro-conception ou l’automatisation de la rétro-conception.
À plus long terme, ces méthodes seront également profitables à d’autres applications en lien avec l’ingénierie des systèmes dans un contexte d’Industrie du Futur où l’apprentissage machine permet aujourd’hui de lever de nouveaux verrous scientifiques, telles que la conception de produits, le fonctionnement en temps réel des jumeaux numériques, la détection d
Institut Carnot ARTS
151 boulevard de l'Hôpital
75013 Paris
+33 (0)1 71 93 65 66
contact@ic-arts.eu
Plan du site
Accueil
Nos compétences
Nos offres
Actualités
Success Stories
Nous contacter
Membre de
Réferencé par
