Industrie Mag - Le journal de l'industrie.
- accueil .
- newsletter .
Flux RSS . - soumissions .
- publicité .
- contacts
Flux RSS .
Les dernières avancées enregistrées dans le domaine de l’analyse d’images basée sur l’intelligence artificielle (IA) permettent aux entreprises de toute taille d’accéder à la vision industrielle, même si elles ne disposent d’aucune connaissance technique en programmation. Ainsi, le temps qu’elles consacrent au déploiement d’applications d’inspection, de contrôle qualité et de traçabilité, s’en trouve considérablement réduit, tandis que la performance des lignes de production est en forte hausse.
Aujourd’hui, l’installation d’un système de vision industrielle « intelligent » avancé rend non seulement le déploiement et l’utilisation de caméras de vision et de systèmes de lecture de code-barres plus faciles que jamais, mais améliore également le contrôle qualité, la traçabilité et la productivité, tout en réduisant la consommation de matières premières et d’énergie.
Autrement dit, un système de vision industrielle peut résoudre un grand nombre d’applications pour la fabrication. Par exemple, il peut identifier les défauts d’un produit, vérifier l’assemblage final, compter le nombre de pièces, mesurer les dimensions, et bien plus encore. Dépourvus de limites physiques, telles que la fatigue, les systèmes de vision peuvent fonctionner 24 h/24 avec des performances constantes, et offrent une précision et une vitesse supérieures à celles des inspecteurs humains. De plus, l’évolution des systèmes de vision industrielle ouvre de nouveaux horizons aux utilisateurs, au-delà de la simple détection de produits non conformes.
Les cas d’usage de l’intelligence artificielle sont vastes ; la reconnaissance visuelle, vocale, textuelle et faciale basée sur la technologie de l’apprentissage profond (Deep Learning) en fait partie. Utilisée dans les opérations de fabrication avancées, cette technologie se révèle très pertinente pour réaliser des inspections de qualité et d’autres applications basées sur le jugement. Le deep learning se prête particulièrement aux applications complexes comme l’inspection de variations esthétiques imprévisibles et excelle dans la détection des défauts, tels que les rayures et les bosses sur des pièces usinées, brossées ou brillantes.
Ainsi, le deep learning permet à un système de vision industrielle de distinguer les anomalies, tout en tolérant les variations naturelles des motifs complexes. S’appuyant sur des réseaux de neurones qui imitent l’intelligence humaine, le deep learning « enseigne » aux robots et aux machines à faire ce qui semble naturel pour les humains : apprendre à partir d’exemples. Les systèmes de vision qui intègrent cette technologie peuvent sans cesse améliorer leurs performances lorsqu’ils sont en présence de nouveaux textes et images.
Dans certains cas, la vision humaine demeure le meilleur ou le seul choix, par exemple pour l’interprétation qualitative d’une scène complexe. Toutefois, le deep learning peut relever les défis de l’inspection basée sur le jugement avec une efficacité supérieure à celle d’un opérateur ou d’une solution de vision classique. Il dote les entreprises manufacturières de nouvelles capacités pour identifier les images, déterminer des tendances, établir des prévisions et faciliter la prise de décisions intelligentes.
Si le succès des projets de vision s’appuyant sur le « Deep Learning » implique une planification, des connaissances et des ressources dédiées, l’analyse d’images optimisée par l’IA est désormais à la portée des petites entreprises grâce au développement d’une technologie appelée « Edge Learning ».
L’Edge Learning est une technologie de l’intelligence artificielle qui permet de traiter les informations directement sur l’équipement ou au plus près de leur source. Cette technologie présente de nombreux atouts. Tout d’abord, sa simplicité d’utilisation et sa performance. Aucune connaissance spécialisée en vision industrielle ou en intelligence artificielle n’est requise pour déployer et utiliser une solution de vision industrielle basée sur l’edge learning !
S’appuyant sur des algorithmes pré-entrainés, l’edge learning demande également moins de temps et d’images que des solutions basées par exemple sur le deep learning. Il suffit de quelques exemples d’images simples pour apprendre à distinguer les pièces acceptables de celles qui ne le sont pas. De tels atouts en font une solution idéale pour les experts comme pour les néophytes qui souhaitent automatiser un large éventail d’applications industrielles, tous secteurs d’activité confondus.
Les systèmes de vision industrielle équipés de la technologie d’edge learning offrent aux entreprises de toutes dimensions un avantage concurrentiel en leur permettant d’accéder à une technologie de vision avancée pour automatiser les inspections à un coût relativement faible sans exiger de compétences en programmation. Le retour sur investissement peut être très conséquent. Ainsi, en adoptant un système de vision capable d’automatiser des applications de contrôle de soudure complexes dans son usine de Plovdiv (Bulgarie), Schneider Electric économise 40 000 euros par an tout en réduisant simultanément le volume de rebuts et en améliorant la productivité de ses lignes.
Autre exemple, la société Federal Package, dont le siège se trouve au Minnesota (États-Unis), spécialiste du conditionnement de produits cosmétiques et pharmaceutiques, a équipé son usine de systèmes de vision industrielle enrichis d’Edge Learning. Autrefois confiée à des opérateurs, la détection de gouttes sorties de flacons après remplissage a amélioré le niveau de qualité avec une précision de 99 %… sur 100 % des produits.
Satisfait de la performance de son équipement doté d’IA, Federal Package prévoit aujourd’hui de vérifier les informations imprimées sur les étiquettes des produits (codes de lots, dates…) afin de faciliter, tout au long de la chaîne logistique, la gestion des stocks et le contrôle des lots. Les opérateurs, libérés des tâches de contrôle visuel, ont alors été affectés à des tâches générant une plus forte valeur ajoutée.
Dictée par les règlementations en vigueur, notamment dans l’industrie agroalimentaire et dans l’industrie pharmaceutique, la traçabilité s’impose de plus en plus à d’autres secteurs, et aux entreprises de toute taille, en raison des exigences de clients de plus en plus soucieux de l’origine des produits qu’ils consomment.
La traçabilité, qui permet de suivre une pièce, un produit ou un paquet tout au long de son cycle de vie, est l’un des enjeux forts de la chaîne d’approvisionnement, depuis l’extraction des matériaux jusqu’au recyclage du produit fini. Ici, l’objectif est d’identifier qui a fabriqué quoi, quand et où, généralement à l’aide des codes-barres.
Deux technologies peuvent être utilisées pour lire et décoder les informations contenues dans les codes-barres : les scanners laser et les lecteurs imageurs dotés d’une technologie de vision.
Ainsi, contrairement aux lecteurs de codes-barres à laser, les lecteurs imageurs combinent des fonctions de visualisation et d’analyse des images en temps réel de chaque code-barre. Grâce à des algorithmes de décodage et d’éclairage avancés, ces lecteurs imageurs, contrairement aux scanners laser, sont capables de lire de nombreuses symbologies 1D, 2D et des codes DPM (Direct Part Mark), mais aussi les codes les plus complexes, sur différentes surfaces, brillantes ou réfléchissantes.
Dans de nombreux secteurs, pièces et emballages peuvent également comporter du texte alphanumérique imprimé ou marqué qui contient, par exemple, des informations concernant la date de péremption dans le cas des médicaments, des produits alimentaires et des boissons, ou des numéros d’identification uniques pour les pièces automobiles. Une mauvaise qualité d’impression ou des surfaces irrégulières rendent difficile la lecture du texte de manière fiable, notamment sans compétences en programmation. Toutefois, les récents développements en matière d’analyse d’images basée sur l’IA simplifient les applications de reconnaissance optique des caractères (OCR). Les outils qui utilisent la technologie de l’edge learning sont préconfigurés et offrent des capacités d’identification et de lecture rapides et précises.
En combinant la technologie des lecteurs imageurs de code avec des plateformes informatiques en périphérie de réseau (edge computing), les entreprises peuvent faire passer leurs processus de traçabilité à un niveau supérieur, en exploitant des données analytiques centralisées dans le Cloud, au plus près de leurs lignes de production et de leurs opérations logistiques. Elles peuvent ainsi extraire des informations contextualisées à partir des données brutes collectées par les lecteurs de codes-barres d’un bout à l’autre de leur installation. Les opérateurs pourront alors s’appuyer sur ces données pour identifier au plus tôt les problèmes, et comprendre par exemple, un code-barre n’a pas pu être lu, afin d’agir au plus vite.
L’adoption croissante de technologies permettant d’automatiser les inspections et de contrôler la traçabilité représente un facteur clé de réussite pour les entreprises qui veulent survivre dans le paysage concurrentiel mondial.
Accessibles à tout type d’entreprise, les solutions et les produits exploitant la vision industrielle et les outils d’inspection basés sur l’intelligence artificielle améliorent la qualité et la productivité tout en participant à la réduction du volume de rebuts et au gaspillage de ressources, notamment en détectant les erreurs à un stade précoce de la production.
