Pour optimiser vos investissements dans les nouvelles technologies, il est essentiel de savoir différencier vision industrielle traditionnelle et deep learning, et comprendre leur complémentarité. Cet article apporte un éclairage dans ce domaine : comment l’intelligence artificielle peut aider les robots assembleurs à identifier les bonnes pièces, à détecter si une pièce est présente, manquante ou incorrectement installée…
*deep learning ou “apprentissage approfondi » encore appelé apprentissage hiérarchique. (Cf ci après).
Les progrès technologiques se sont multipliés au cours des dix dernières années : mobilité des appareils, Big data, intelligence artificielle (IA), Internet des objets, robotique, blockchain, impression 3D, vision industrielle… L’adoption de nouvelles technologies dans l’environnement industriel impose souvent leur adaptation à des contraintes spécifiques.
Intéressons-nous à l’IA, et plus particulièrement à l’analyse des images via le deep learning à l’aide d’exemples. Associée à la vision industrielle reposant sur des règles, elle peut aider les robots assembleurs à identifier les bonnes pièces, à détecter si une pièce est présente, manquante ou incorrectement installée sur un produit et à déterminer plus rapidement si la situation pose problème ou non. De plus, toutes ces opérations peuvent être effectuées avec une grande précision.
Prenons l’exemple des processeurs graphiques, dit GPU. Un GPU rassemble des milliers de cœurs de traitement relativement simples, en une seule puce, semblable à celle d’un réseau neuronal. Il permet de déployer des réseaux à plusieurs niveaux inspirés de la biologie, qui imitent le cerveau humain. C’est donc une des formes de l’IA (Intelligence Artificielle).
En s’appuyant sur ce type d’architecture, le deep learning permet de réaliser des tâches précises sans être expressément programmé pour celles-ci. Là où les applications informatiques traditionnelles sont programmées par l’homme pour réaliser des tâches données, le deep learning tire parti des données (images, discours, texte, chiffres, etc.) pour s’instruire via des réseaux neuronaux. En partant d’une logique primaire développée pendant l’apprentissage initial, les réseaux neuronaux améliorent continuellement leurs performances à mesure qu’ils reçoivent de nouvelles données.
Le processus repose sur la détection des différences : il recherche constamment les modifications et les irrégularités dans un jeu de données. Il est sensible aux défauts imprévisibles (une capacité naturelle chez l’homme), au contraire des systèmes informatiques reposant sur une programmation rigide. À l’inverse, à la différence d’un humain inspectant une ligne de production, l’ordinateur ne développe aucune lassitude vis-à-vis d’une tâche répétitive.
Dans la vie quotidienne, le deep learning est de plus en plus présent : la reconnaissance des visages, les moteurs de recommandation sur les sites marchands, le filtrage des courriers indésirables dans les messageries électroniques, le diagnostic médical, la détection des fraudes à la carte bancaire, etc.
Cette technologie est en cours d’intégration dans le cadre des pratiques de production avancées, notamment pour les inspections qualité et d’autres scénarios d’utilisation nécessitant des prises de décision. Utilisé à bon escient en usine en conjonction avec la vision industrielle, le deep learning présente un potentiel considérable d’augmentation des bénéfices, en particulier si on le compare aux investissements dans d’autres technologies émergentes, qui pourraient nécessiter encore des années avant de devenir rentables.
Un système de vision industrielle repose sur un capteur numérique intégré à une caméra industrielle équipée d’optiques spécifiques. Il permet d’acquérir des images transférées sur ordinateur. Via un logiciel spécialisé, on peut alors traiter, analyser et mesurer diverses caractéristiques nécessaires à la prise de décision. Les systèmes de vision industrielle fournissent des résultats fiables pour les pièces régulières, fabriquées selon une qualité constante. Ils fonctionnent à l’aide d’algorithmes reposant sur des règles, en filtrant les différentes étapes.
Sur une ligne de production, un système de vision industrielle à base de règles peut inspecter des centaines, voire des milliers de pièces à la minute avec une grande précision. Il s’avère plus économique que l’inspection réalisée par des humains. Les conclusions tirées des données visuelles sont obtenues via une méthode automatique et basée sur les règles pour la résolution des problèmes d’inspection.
En usine, la vision industrielle classique à base de règles est idéale pour le guidage (position, orientation), l’identification (codes-barres, codes Datamatrix, marquages, caractères), la mesure (comparaison de distances selon des valeurs données) et l’inspection (défauts et autres problèmes tels que l’absence d’une bague de sécurité, une pièce cassée, etc.).
La vision industrielle à base de règles est très efficace avec un jeu établi de variables. Quelques exemples : une pièce est-elle présente ou absente ? À quelle distance précise un objet se trouve-t-il d’un autre ? Où le robot doit-il collecter cette pièce ? Ces tâches sont faciles à mettre en œuvre sur la ligne d’assemblage dans un environnement contrôlé. En revanche, dans les situations plus nuancées, cette technologie est moins adaptée.C’est là que le deep learning entre en jeu, grâce aux avantages suivants :
Un exemple industriel classique : la recherche de rayures sur l’écran d’un appareil. Ce type de défaut varie en termes de taille, d’emplacement et de type d’arrière-plan. En tenant compte de ces variations, le deep learning permet de distinguer les produits conformes de ceux défectueux. De plus, l’assimilation d’une nouvelle cible (par exemple un nouveau type d’écran) peut s’effectuer simplement à l’aide d’images de référence.
L’inspection de pièces visuellement similaires à la texture de surface complexe et d’apparence variable présente des difficultés considérables pour les systèmes de vision industrielle classiques à base de règles. Si les défauts fonctionnels donnent presque toujours lieu à un rejet, ce n’est pas toujours le cas des anomalies cosmétiques, qui dépendent des besoins et préférences du fabricant. De plus, ces dernières sont difficiles à distinguer pour les systèmes de vision industrielle classiques.
En résumé, les systèmes de vision industrielle fournissent des résultats fiables pour les pièces régulières, fabriquées selon une qualité répétable, et les applications deviennent difficiles à programmer lorsque le nombre d’exceptions et de types de défauts augmente. Pour les situations complexes qui nécessitent une vision proche de celle de l’homme ainsi que la rapidité et la fiabilité d’un ordinateur, le deep learning se révèle extrêmement prometteur.
À l’heure d’adopter des outils d’automatisation de nouvelle génération, la vision industrielle traditionnelle et l’analyse des images via le deep learning s’avèrent donc complémentaires, et non concurrentes. Dans certaines applications, notamment celles de mesure, la vision industrielle basée sur des règles demeure la solution privilégiée, car plus économique. En revanche, pour les inspections complexes de produits aux nombreuses variantes et aux défauts imprévisibles qui s’avèrent impossibles à programmer et réaliser à l’aide d’un système classique, les outils s’appuyant sur le deep learning constituent une alternative de choix.
Soyez le premier à commenter
Seuls les utilisateurs enregistrés peuvent commenter. Connectez vous !