Pourquoi et comment l’intelligence artificielle rentre dans nos industries ?

Dans l’industrie manufacturière par exemple, les solutions de vision industrielle dites classiques ont vu le jour 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.

Par exemple des pièces plastiques dans l’industrie automobile ou de la prise de produits par un robot dans l’industrie des biens de consommation.

Ces solutions de vision sont basées sur des règles, c’est-à-dire qu’il faut déterminer une règle de distinction pour un défaut défini et donc multiplier ces règles quand les défauts se multiplient.

 

Mais voilà, quand on regarde différents d’un produit ou d’un élément en cours de fabrication ou d’assemblage, on peut rencontrer certaines difficultés à identifier tel ou tel défaut par rapport à un produit correct et on aura donc probablement, besoin de beaucoup plus de règles afin de faire fonctionner le contrôle pour finalement ne pas être sûr que cela fournisse de bons résultats (dans le cas où de nouveaux défauts, légèrement différents apparaissent).

 

La principale différence quand on va parler de 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.

Les outils de Deep Learning sont un complément aux outils de Vision industrielle classique. Beaucoup de briques existantes déjà développées, comme les recherches de formes ou le « matching » pour la localisation, peuvent être réutiliser en amont.

L’association de ces différentes méthodes permettra 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 faible 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.