L'association de la vision industrielle et du deep learning offre aux entreprises d’innombrables possibilités d'amélioration opérationnelle ainsi que de leur ROI

Pour optimiser l'investissement dans ces technologies, il est essentiel de savoir différencier vision industrielle traditionnelle et deep learning, et de comprendre en quoi celles-ci sont complémentaires et non concurrentes. Cet article apporte un éclairage dans ce domaine.

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... Dans tous ces domaines, les laboratoires de recherche et développement ont grandement contribué à l'amélioration du quotidien.

L'adoption de nouvelles technologies dans l'environnement industriel impose souvent leur adaptation à des contraintes spécifiques. La planification stratégique nécessaire à l'adoption et à l'exploitation de ces technologies revêt une importance capitale dans ce secteur d'activité.

Intéressons-nous à l'IA, et plus particulièrement à l'analyse des images via le deep learning ou à la vision industrielle à l'aide d'exemples. Associée à la vision industrielle classique 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.

Qu'est-ce que le deep learning ?
Prenons l'exemple des processeurs graphiques, les GPU. Un GPU rassemble des milliers de coeurs de traitement relativement simples en une seule puce. Son architecture est 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.

Figure 1 - Les principales différences entre la vision industrielle classique et le deep learning incluent le processus de développement (programmation de chaque outil à partir de règles contre apprentissage à l'aide d'exemples), l'investissement matériel (le deep learning nécessite davantage de traitement et d'espace de stockage) et les scénarios d'utilisation en automatisation industrielle.

En s'appuyant sur ce type d'architecture, le deep learning permet de réaliser des tâches précises sans être expressément programmé pour celles-ci. En d'autres termes, les applications informatiques traditionnels sont programmées par l'homme pour réaliser des tâches données, tandis que 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, les applications courantes de deep learning incluent la reconnaissance des visages (pour déverrouiller un ordinateur ou identifier des individus sur une photo), les moteurs de recommandation (utilisés dans les services de streaming vidéo ou musical ou 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.

La technologie de deep learning permet d'obtenir des résultats précis à l'aide des données d'apprentissage. On l'utilise pour anticiper les tendances, détecter les écarts et les anomalies et prendre des décisions stratégiques en entreprise. 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.

En quoi le deep learning est-il complémentaire à la vision industrielle ?
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 oeuvre 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 :
• Il apporte une réponse aux applications de vision trop complexes pour être résolues uniquement à l'aide d'algorithmes à base de règles.
• Il n'est pas perturbé par les arrière-plans trompeurs ni les varitions d'apparence des pièces.
• Il permet de faire évoluer les applications en faisant évoluer les apprentissages à l'aide de nouvelles données d'image en usine.
• Il peut s'adapter à de nouveaux exemples sans modification de la structure des programmes.

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.

Un exemple industriel classique : la recherche de défauts variant en termes de taille, d'emplacement et de type d'arrière-plan.

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 raison du nombre de variables parfois difficiles à isoler (éclairage, variantes de couleur, courbure ou champ de vision), la détection de certains défauts est notoirement difficile à programmer et à résoudre à l'aide d'un système classique. Là encore, le deep learning apporte de nouveaux outils totalement appropriés.

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.

Comparé à la vision industrielle classique, le deep learning est conçu pour les applications difficiles à résoudre, plus facile à configurer et tolérant aux variantes.

Les avantages du deep learning pour l'industrie
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.


Pour plus d'informations sur les solutions de deep learning de Cognex, consultez la page cognex.com/fr-fr/ViDi-deep-learning.

  Demander plus d’information…