SOLUTIONS DE DEEP LEARNING EN VISION INDUSTRIELLE
Les systèmes de vision industrielle intégrant les technologies de Deep Learning offrent une automatisation rapide et efficace de diverses tâches opérationnelles. Ils permettent notamment la classification des produits, la localisation des emplacements, la vérification des assemblages, la lecture optimisée de codes (OCR), la détection de défauts (tant esthétiques que de surface, même sur des matériaux réfléchissants) et de contaminants.
Le Deep Learning ViDi , qui repose sur les réseaux neuronaux, est une méthode d'apprentissage automatique largement utilisée. Elle est notamment employée pour la reconnaissance vocale, textuelle et faciale dans les appareils mobiles et portables. Fonctionnant sur un modèle prédictif, cette technologie permet de collecter et d'analyser des données afin de déduire des tendances futures. Lorsqu'elle est associée à la vision industrielle, elle confère aux technologies de fabrication de nouvelles capacités d'identification dans des environnements visuels complexes. Les modèles de Deep Learning ViDi peuvent détecter des défauts sur des produits présentant de multiples variations d'aspect. Ils sont également flexibles et faciles à adapter à de nouveaux exemples, sans nécessiter de reprogrammation des algorithmes.
Exemple de solution de Deep Learning ViDi
Lorsqu'il s'agit d'inspecter des objets complexes tels que les soudures par points, qui sont des structures tridimensionnelles présentant une grande variabilité d'aspect, les techniques de vision industrielle traditionnelles peuvent être insuffisantes. Dans de tels cas, les solutions basées sur le Deep Learning ViDi offrent une alternative efficace. En imitant le fonctionnement du cerveau humain, ces solutions utilisent des logiciels capables d'identifier les détails sur des pièces métalliques, même lorsque leurs dimensions varient légèrement. En comparant des images de soudures par points défectueuses à celles de soudures sans défaut, une application d'inspection basée sur le Deep Learning est en mesure d'apprendre rapidement et de simplifier l'automatisation du processus de fabrication. Grâce à cette approche, il devient possible de détecter et de classer les défauts de soudure avec une précision accrue, améliorant ainsi la qualité et l'efficacité de la production.
Exemples d’applications industrielles
BIENS DE CONSOMMATION
Lecture de codes sur des emballages souples
Aujourd’hui, la majorité des produits de consommation sont transportés dans des emballages souples, comme les sachets ou les pochettes à soufflet, qui compliquent la lecture de codes. Chaque emballage produit doit présenter un code de date/lot imprimé et des informations de suivi. La lecture des codes sur ces surfaces souples et complexes nécessite le recours à des solutions vision basées sur le Deep Learning ViDi , car les seules technologies OCR (reconnaissance optique de caractères) ne suffisent pas. Un outil de reconnaissance optique de caractères enrichi par le Deep Learning est capable de lire les codes imprimés, même sur des surfaces souples et de s’entraîner à la lecture de textes déformés comme asymétriques.
Détection de défauts sur des surfaces complexes
Les solutions vision de Deep Learning ViDi répondent également aux besoins des fabricants de rasoirs. Les lames d’un rasoir électrique présentent un maillage réfléchissant, perforé, avec de nombreux trous, qui rendent la détection de défauts impossible pour la vision industrielle classique. Alors que les systèmes de vision industrielle basés sur le Deep Learning ViDi apprennent à faire la distinction entre les défauts et variations acceptables et parviennent à détecter les défauts, même sur des surfaces réfléchissantes et complexes.
AGROALIMENTAIRE
Inspection de produits avec variations d’aspect
Tel est le cas des pizzas, qui présentent des variations d’aspects pouvant être subtiles. Dans ce marché alimentaire qui se révèle très concurrentiel, les fabricants doivent produire en grande quantité des pizzas symétriques, uniformes, tout en minimisant au maximum les gâchis de matière. Sur des lignes de production à grande vitesse, plusieurs critères doivent être inspectés : le type de pizza, le nombre et la répartition correcte de divers ingrédients, ainsi que l’absence de contaminants. Mais les systèmes de vision industrielle classiques, les variations d’aspects sont trop subtiles pour être détectées. C’est pourquoi les fabricants ont tout intérêt à se tourner vers des solutions vision basées sur le Deep Learning ViDi pour automatiser l’inspection des produits et veiller à une répartition optimale des ingrédients.
Pharmaceutique
Il en va de même pour le comptage automatisé de flacons et ampoules en verre. L’effet fisheye (déformation de l’image) empêche les systèmes de vision industrielle traditionnels de vérifier avec exactitude le bon positionnement des produits réfléchissants. Alors que les solutions vision de Cira et Cognex basées sur le Deep Learning ViDi peuvent identifier de façon fiable les erreurs comme les chutes, les renversements et les mélanges de produits grâce à une analyse d’image poussée (ex : couleur erronée des bouchons des contenants), ce qui facilite le comptage des flacons et ampoules et améliore l’efficacité opérationnelle de l’industrie. Elles sont entraînées à l’identification des erreurs sur des objets placés sous tous les angles possibles et parviennent à les détecter malgré l’effet fisheye.
La caméra dotée de la technologie HDR+ (High Dynamic Range Plus) participe directement à cette performance : elle fournit une image claire et uniforme à partir d’une seule captation sur des pièces en mouvement. Elle se distingue en cela de la technologie HDR standard qui doit capturer plusieurs images pour atteindre le même niveau de précision. En permettant un traitement simultané d’un gros volume de flacons et d’ampoules, ces solutions vision basées sur le Deep Learning ViDi contribuent à une méthode de comptage reproductible.
AÉRONAUTIQUE
La lutte contre les produits contrefaits concerne un grand nombre de secteurs, dont celui de l’aéronautique. Pour assurer une traçabilité exacte des pièces tout au long de la chaîne de fabrication, des caractères DPM (caractères à marque direct) sont apposés sur les pièces métalliques usinées. Mais parce qu’ils sont fabriqués dans le même matériau que la pièce, les caractères sont difficiles à distinguer du substrat sur lequel ils sont coulés. Ce faible niveau de contraste rend la lecture par vision industrielle classique très difficile. C’est pourquoi Cira propose d’intégrer des solutions de Deep Learning ViDi couplées à une technologie OCR (reconnaissance optique de caractères) pour lesquelles la lecture de codes en relief ne pose pas de problème.
AUTOMOBILE
Sur les lignes d’assemblage automobile se trouvent souvent plusieurs gammes et modèles de moteurs qui varient en termes de taille et de composition. Le moteur constitue un arrière-plan complexe qui rend difficile l’identification des composants. D’autant que la personnalisation est de plus en plus courante et accroît les variations d’aspect entre les différents moteurs. Lorsque les variations sont significatives, la programmation des systèmes de vision industrielle classiques est difficile. Les solutions vision basées sur le Deep Learning ViDi sont entraînées sur tous les types de moteurs et assemblages possibles. L’outil de classification parvient à identifier chaque composant, qu’importe l’angle sous lequel il se présente. Ces solutions s’adaptent facilement aux changements de conception éventuels.
Détection de défauts sur surfaces métalliques réfléchissantes
La détection de défauts sur les segments de compression est difficile en raison de la surface réfléchissante des pistons. Les systèmes d’inspection doivent pouvoir distinguer les variations acceptables (rouille, petites fissures) de celles graves qui affectent directement le niveau de compression (longues rayures). La complexité de ce type d’inspection (surfaces réfléchissantes, variations dans l’apparence des défauts) rend la programmation de systèmes de vision industrielle classique longue et fastidieuse. Tandis que les outils de détection Deep Learning ViDi apprennent rapidement à identifier uniquement les défauts inacceptables sur les pistons et à ignorer les variations insignifiantes.