Partons du constat selon lequel le contrôle qualité réalisé en manuel par un opérateur apporte une analyse plus fine et une plus grande nuance qu’un contrôle automatisé.
En effet, le contrôle humain permet de distinguer les défauts esthétiques des défauts fonctionnels, ainsi que déterminer les variations d’aspect de pièces qui peuvent affecter la qualité perçue. Bien que sa vitesse de traitement des informations soit limitée, un humain est capable de conceptualiser et de généraliser. Il excelle dans l’apprentissage à partir d’exemples, capable 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.
La technologie de deep learning, contrairement à la vision industrielle classique, est une forme d’intelligence artificielle destinée à se rapprocher au mieux du contrôle humain ; elle utilise des réseaux neuronaux qui imitent l’intelligence humaine afin de distinguer les anomalies, pièces et caractères, tout en tolérant les variations naturelles des motifs complexes. Ainsi, le deep learning combine la flexibilité de l’inspection visuelle humaine avec la vitesse, la constance et la fiabilité d’un système informatisé.
PROCiD a été l’un des pionniers dans le déploiement de systèmes industrialisés multi-caméras en deep learning.
Nous entraînons l’algorithme de deep learning sur des images étiquetées qui représentent les caractéristiques, anomalies et classes connues d‘une pièce, de la même façon qu‘un inspecteur humain.
Une période d‘apprentissage supervisée enseigne au système à identifier les défauts explicites. Pour les défauts qui se présentent sous plusieurs formes, le système s‘entraîne de façon autonome, en mode non supervisé, à apprendre l‘aspect normal d‘un objet, ainsi que ses variations significatives mais tolérables.
Le logiciel crée un modèle de référence en fonction de ces images représentatives. Il s‘agit d‘un process itératif d‘amélioration constante, durant lequel les paramètres peuvent être ajustés et les résultats validés jusqu‘à ce que le modèle fonctionne comme souhaité.
Lors de l‘exécution, l’algorithme extrait les données d‘un nouvel échantillon d‘images, et ses réseaux neuronaux localisent les pièces, détectent les anomalies et les classent.
Inspection de process automatisé par analyse d'image
Inspection de process par analyse de points dans l'espace
Identifier des éléments en mouvement
Contrôle industriel ou guidage robot grâce aux technologies de vision 2D ou 3D
