Les systèmes de vision industrielles exploitant des algorithmes de traitement d’images sont déployés depuis de nombreuses années pour des opérations d’inspection automatisées sur des lignes de production afin de détecter les anomalies, les contaminants, les défauts fonctionnels et d’autres irrégularités sur les produits fabriqués. Cognex détaille la façon dont les outils de traitement d’images reposant sur des technologies d’intelligence artificielle les dotent aujourd’hui de nouvelles armes pour gagner en performances et étendre leur spectre d’utilisation.
L’intelligence artificielle comprend toute technique qui vise à reproduire le comportement d’êtres vivants par des machines, sans que ce comportement soit explicitement programmé. L’apprentissage se fait de manière empirique, en nourrissant la machine d’une multitude d’exemples, à l’aide d’algorithmes qui permettent, via des calculs sur des données, de prendre ou aider à prendre des décisions. L’intelligence artificielle est la transposition vers la machine de la notion de raisonnement et de choix en autonomie. Elle permet donc aux systèmes informatiques d’apprendre à partir de données et d’exemples afin de prédire les résultats.
Selon Forrester Research, 53 % des décisionnaires en matière de technologie mettent en œuvre ou étendent leur utilisation de l’intelligence artificielle, et 20 % prévoient de mettre en œuvre l’intelligence artificielle au cours des 12 prochains mois. Les investissement dans des solutions d’intelligence artificielle déployée dans le domaine de la fabrication devrait augmenter de pratiquement 50 % chaque année pour atteindre 17,2 milliards de dollars d’ici 2025.
L’intelligence artificielle peut être exploitée dans des domaines aussi variés que la gestion de la chaîne logistique, les tests et l’inspection de la qualité ou encore la maintenance prédictive des équipements. Elle est donc amenée à se déployer dans l’industrie et à transformer la gestion des processus de production. Toutefois, à l’heure où cette technologie progresse à grand pas et gagne en convivialité, de nombreuses entreprises rencontrent encore des difficultés pour en tirer pleinement parti en raison notamment de son coût, du temps de mise en route, de l’expertise nécessaire et de la fiabilité des résultats.
En redéfinissant leurs attentes en matière de performances, qu’il s’agisse de détecter les défauts, d’éviter les faux rejets ou de gagner du temps, les fabricants qui adoptent l’intelligence artificielle, et en particulier les applications basées sur le deep learning (apprentissage profond), dans le cadre d’applications d’inspection automatisée devraient néanmoins en tirer profit. Un projet basé sur le deep learning peut permettre de réaliser des économies, d’améliorer le rendement et de mieux comprendre leur propre processus de production. S’il existe des coûts directs initiaux associés à la mise en œuvre d’une solution basée sur le deep learning, notamment les dépenses logicielles et matérielles, les coûts de développement et d’ingénierie, et le temps nécessaire pour recueillir les données d’entrée, les avantages directs et indirects sont significatifs.
Cognex intègre le Deep Learning aux outils de vision traditionnelle
Cognex annonce VisionPro 10.0 et VisionPro Deep Learning 2.0, deux nouvelles versions de sa gamme de logiciels de vision.
VisionPro 10.0 est, selon Cognex une mise à jour majeure de la plateforme PC du spécialiste américain des systèmes de vision. Elle vise à fournir un plus grande rapidité et davantage de simplicité de configuration des applications. « Nous constatons que de nombreuses applications d’inspection et de contrôle nécessitent la combinaison d’outils de vision traditionnelle avec des capacités de Deep learning », a déclaré Joerg Kuechen, Sr. vice-président des produits de vision. La nouvelle version de VisionPro permet de répondre à ce besoin. VisionPro Deep Learning 2.0 s’intègre à VisionPro 10.0 afin d’associer au sein de la même application les outils d’apprentissage profond (Deep Learning) et les outils de vision traditionnels.
Les nouvelles versions logicielles présentent également des outils de vision pour les applications de calibrage et d’inspection de précision. SmartLine combine notamment des capacités de recherche de lignes améliorée par le Deep Learning pour les scènes complexes avec des données de position précises provenant d’algorithmes de vision traditionnels. Le nouveau segmenteur VisionPro Deep Learning est conçu quant à lui pour les applications médicales et électroniques qui nécessitent une mesure précise des rayures, de la contamination et d’autres défauts.
Réduction des coûts
Les industriels qui envisagent de remplacer les opérations d’inspection manuelle mises en place là où la vision industrielle traditionnelle était trop difficile à mettre en œuvre, verront en contrepartie leurs frais se réduire. Le coût de l’inspection manuelle est dominée par les dépenses en main-d’œuvre. Toutefois, l’inspection visuelle humaine prévaut dans des situations qui nécessitent un apprentissage à partir d’exemples et une détermination des écarts acceptables de la part du système de contrôle. Les inspecteurs sont doués pour distinguer les défauts esthétiques des défauts fonctionnels, ainsi que pour déterminer les variations d’aspect des pièces qui peuvent affecter la qualité perçue. Bien que leur vitesse de travail soit limitée, les inspecteurs sont capables de conceptualiser et de généraliser. Ils excellent dans l’apprentissage à partir d’exemples et sont capables de déterminer les légères anomalies acceptables entre les pièces. Cela fait de la vision humaine le meilleur choix, dans de nombreux cas, pour l’interprétation qualitative d’une scène complexe et non structurée, en particulier celles présentant des défauts subtils et imprévisibles.
Les inspecteurs humains sont donc plus performants dans certaines situations que des solutions de contrôle automatisé à condition qu’ils fassent preuve d’une attention totale. Or, la plupart des opérateurs ne peuvent guère se concentrer et maintenir l’attention nécessaire pendant une longue durée. De plus, les résultats des contrôles sont variables selon les individus. Ce qui entraîne des incohérences lors des changements d’équipes ou entre les différentes lignes de production. En revanche, une solution de vision industrielle offre la vitesse et la fiabilité dont seul un système informatique est capable. Elle excelle dans la mesure quantitative d’une scène structurée en raison de sa vitesse, sa précision et sa répétabilité. Un système de vision industrielle doté d’optiques et de caméras de résolution appropriés peut inspecter des détails d’objets invisibles à l’œil nu, avec une fiabilité supérieure et un taux d’erreur réduit. Sur une ligne de production, les systèmes de vision industrielle peuvent vérifier des centaines de pièces par minute de façon fiable et répétée, surpassant de loin les capacités d’inspection des opérateurs. Lorsqu’ils mettent en œuvre des outils de deep learning, ils offrent alors la flexibilité de l’inspection visuelle humaine avec la vitesse et la fiabilité d’un système informatique. La technologie de deep learning utilise en effet des réseaux neuronaux qui imitent l’intelligence humaine afin de distinguer les anomalies, des pièces et des caractères, tout en tolérant les variations naturelles des motifs complexes.
Accélération de la mise en œuvre
On pourrait penser que le temps nécessaire au déploiement d’une application basée sur l’intelligence artificielle est important. Cependant, les nouveaux logiciels basés sur l’intelligence artificielle sont aujourd’hui plus simples d’utilisation et sont conçus pour faciliter leur mise en œuvre dans des applications d’inspection automatisée. Il faut tenir compte du temps et de l’effort nécessaires pour programmer correctement et gérer des applications de vision industrielle traditionnelles dotées de capacités de jugement anthropomorphique : les bibliothèques de défauts, les exceptions à prendre en compte et les filtres peuvent devenir gigantesques au fil du temps. Au lieu d’écrire des algorithmes ou de programmer des règles complexes, l’intelligence artificielle permet au système d’apprendre à partir d’ensembles de données et de prendre des décisions sur la base de ces exemples. Avec l’aide d’ingénieurs qualité et de plusieurs centaines à plusieurs milliers d’images d’apprentissage, une application basée sur l’intelligence artificielle peut être mise en œuvre, testée et affinée en quelques semaines.
Le deep learning tire donc parti des données pour s’instruire via des réseaux neuronaux. A partir 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 et la recherche constante de modifications et d’irrégularités dans un jeu de données. Il est à même de déceler des défauts que les systèmes informatiques exploitant un programme reposant sur des règles prédéfinies ne pourraient détecter.
Les systèmes de vision industrielle basée sur le deep learning peuvent, en outre, être associés à des initiatives d’amélioration des processus de fabrication. Les données de vision peuvent notamment être corrélées avec d’autres indicateurs, telles que les formulations, les recettes, les fournisseurs de composants, les différences entre les équipements, la localisation de l’usine, etc.
Programmation traditionnelle ou deep learning ?
Les technologies d’analyse d’images basée sur le deep learning et celles reposant sur des procédés de programmation traditionnels sont complémentaires. Elles présentent des fonctionnalités communes et chacune d’elles excelle dans des domaines distincts. Le choix entre ces deux technologies dépend :
• du type d’application
• des quantités de données traitées
• des capacités de traitement disponibles
Les technologies de programmation classiques basées sur les règles sont plus performantes pour les applications :
• de mesure
• d’alignement de précision
L’analyse d’images basée sur le deep learning est bien adaptée aux applications :
• d’inspection esthétique complexe
• de classification de textures et de matériaux
• de vérification d’assemblage
• de localisation des caractéristiques déformées et variables
• de reconnaissance optique de caractères complexe, y compris d’impressions déformées
Certaines applications peuvent utiliser les deux technologies. Par exemple, un système de vision classique peut être plus adapté pour indexer précisément une zone d’intérêt, alors qu’un système de vision à base de deep learning pourra être chargé d’inspecter cette zone. Le résultat d’une inspection basée sur le deep learning peut ensuite être transmis au système de vision classique pour mesurer précisément la taille et la forme des défauts.
