On parle énormément de l’intelligence artificielle, de Machine Learning et surtout de Deep Learning. Comment et pourquoi la vision industrielle basée sous ces différentes technologies arrivent dans l’industrie ? Qu’apportent-elles et quels sont leurs avantages par rapport aux solutions classiques ?
Dans l’industrie manufacturière, les solutions de vision industrielle dites classiques existent depuis plusieurs décennies, là où les contrôles qualité sont nécessaires et très présents. Elles sont utilisées pour faire des contrôles de présence/absence, de la mesure ou du positionnement quand les objets sont connus par avance et que leurs différences sont parfaitement identifiées.
Ces solutions de vision sont basées sur des règles de distinction pour un défaut défini et donc il faut multiplier ces règles quand les défauts se multiplient. Ce qui peut devenir ingérable quand le produit en fabrication présente un très grand nombre de variantes possibles sans pour autant que ce soit considéré comme un défaut de qualité.
L’apport du Deep Learning en vision industrielle
L’avantage du Deep Learning, c’est qu’on n’a plus besoin de fournir ces règles de distinction spécifiques, mais on va fournir des exemples significatifs.
En utilisant des exemples, c’est-à-dire des images prises sur la ligne de production, on effectue un entrainement de réseau neuronal, ce qui nous permettra ensuite d’être capable d’analyser des défauts ou produits que l’on n’a jamais vu.
L’approche consiste donc à dire à l’algorithme que telle ou telle image correspond à tel défaut ou produit parfait, pour qu’ensuite il trouve par lui-même comment traiter cette tâche pour fournir des résultats corrects.
Un entrainement de réseau neuronal est donc réalisé en amont de l’utilisation en produit, dans le Cloud ou dans la caméra directement, pour permettre ensuite d’effectuer de la classification ou de la détection d’anomalie par exemple, qui sont deux des principes du Deep Learning.
Le Deep Learning en relais des méthodes classiques de vision industrielle
La vision industrielle classique répond déjà à un grand nombre d’applications. Beaucoup de briques technologiques existent, comme les recherches de formes ou le « matching » pour la localisation, peuvent être utilisées en amont. Les outils de Deep Learning apportent un complément aux outils de vision industrielle classique quand ceux-ci deviennent insuffisants seuls.
Car l’association de ces différentes méthodes permet de résoudre des applications qui étaient pratiquement impossibles à faire auparavant.
Par exemple, contrôler des produits ou pièces constitués de matière « vivante », comme le bois, ou contrôler des produits dans le domaine de la nourriture, était autant de défi que nous pouvons relever assez aisément aujourd’hui !
En plus de résoudre des applications complexes, l’effort de configuration et le niveau de compétence demandés sont vraiment très faibles et accessibles à tous. Pour détecter des anomalies sur un produit par exemple, une installation mécanique d’une de caméra, un réglage de l’image (souvent automatique) et un triage des images reçues (en nombre très faire <20 images) sont les trois uniques étapes pour réaliser des applications.
Les domaines d’applications et industries sont très variés, et là où les méthodes classiques ne fonctionnent pas, l’ajout de l’intelligence artificielle obtient des résultats.
Pour en savoir plus et découvrir comme il est simple de mettre en œuvre une solution de contrôle qualité par Deep Learning, visionnez le webinar réalisé par SICK en cliquant ici.