Le dévracage industriel, extraction unitaire automatisée d'objets empilés en vrac par un bras robotisé, de plus en plus répandu dans des secteurs de plus en plus variés (automobile, alimentaire, valorisation des déchets, etc.), nécessite une sémantisation pixellique performante des données visuelles. Les approches actuelles, à savoir la détection de poses à partir de modèles CAO et la recherche de zones de préhension pour le robot sont contraignantes et limitées : d'une part, il n'est pas toujours possible d'avoir un a priori sur l'objet (aliments, déchets, etc.) et d'autre part, restreindre la notion d'objet à une géométrie locale occulte les problèmes de recouvrement partiel, qui empêchent l'extraction physique par le robot.
Face à la diversité croissante des objets à traiter, notre objectif est d'élaborer une solution viable en contexte industriel en vue de permettre le dévracage à grande échelle. Plus précisément, il s'agit de localiser et extraire des candidats-objets à partir de l’image RGB-D d'un vrac homogène (plusieurs instances d'un même objet), autrement dit de proposer des ensembles de pixels représentant des instances, sans a priori sur l'objet à dévraquer.