Deep Learning : rôle et usage dans la vision industrielle

home_slider_1280x618_deep_learning

L’intelligence artificielle, en particulier l’apprentissage automatique par l’apprentissage profond (Deep Learning), a un impact bénéfique énorme sur le monde en général. La technologie d’apprentissage profond est utilisée dans une myriade d’applications, par exemple en donnant aux assistants virtuels la possibilité de traiter le langage naturel, en améliorant l’expérience du e-commerce par le biais de moteurs de recommandation, en aidant aussi les médecins avec un diagnostic assisté par ordinateur, ou encore en effectuant la maintenance prédictive dans l’industrie aérospatiale.

La technologie d’apprentissage profond est également un catalyseur clé de l’industrie 4.0 — la quatrième révolution industrielle qui s’est produite dans la fabrication, en particulier avec l’utilisation de systèmes intelligents et autonomes alimentés par l’apprentissage des données et des machines — où la technologie de vision automatique est un contributeur important. Il est crucial de noter que l’apprentissage profond seul n’est pas capable de s’attaquer à toutes sortes de tâches de vision automatique, et nécessite une préparation et un entretien minutieux pour être vraiment efficace.

Ce livre blanc détaille comment la machine de vision industrielle – ce processus automatisé d’acquisition et d’analyse d’images numériques qui assure principalement la qualité, le suivi et l’orientation de la production – bénéficie de l’apprentissage profond, ce dernier rendant le premier plus accessible et plus performant.

 

La vision industrielle et l’apprentissage profond : les défis

La vision automatique porte sur les tâches d’identification, d’inspection, de guidage et de mesure couramment rencontrées dans la fabrication et le traitement des biens de consommation et industriels. Les logiciels conventionnels de vision automatique aborde ces tâches avec des algorithmes spécifiques et des méthodes heuristiques ; ces méthodes nécessitent souvent des connaissances spécialisées, des compétences et de l’expérience pour être mises en œuvre correctement.

En outre, ces méthodes ou ces outils sont parfois incapables de gérer ou de s’adapter à des conditions complexes et variées. L’apprentissage profond est d’une grande aide, mais nécessite un processus d’apprentissage minutieux basé sur des données d’échantillons recueillies précédemment afin de produire le niveau de résultats généralement requis dans l’industrie (c.-à-d. 3σ ou au moins 99,7 % d’exactitude des processus). En outre, davantage d’apprentissage est parfois nécessaire pour tenir compte de situations imprévues qui peuvent nuire à la production. Il est important de comprendre que l’apprentissage profond est principalement utilisé pour classer les données et que toutes les tâches de vision automatique ne se prêtent pas à cette approche.

 

DANS QUEL DOMAINE le Deep Learning excelle ?

Comme nous l’avons mentionné, l’apprentissage profond est le processus par lequel les données , telles que les images ou leurs pixels constitutifs , sont triées en deux catégories ou plus. L’apprentissage profond est particulièrement bien adapté pour reconnaître les objets ou leurs caractéristiques, par exemple, en identifiant que le widget A est différent du widget B, et ainsi de suite. La technologie est également particulièrement bonne pour détecter les défauts, qu’il s’agisse de la présence d’une imperfection ou d’une substance étrangère, ou de l’absence d’un composant critique dans ou sur un widget
qui est en cours d’assemblage. Il est également utile pour reconnaître les caractères de texte et les symboles tels que les dates d’expiration et les codes de lot .

Bien que l’apprentissage profond excelle dans des situations complexes et variables telles que la recherche d’irrégularités dans des arrière-plans d’image non uniformes ou texturés, ou dans une image d’un widget dont la présentation change de manière normale et acceptable (voir la figure 1), l’apprentissage profond ne peut à lui seul localiser la position des modèles avec un degré extrême de précision.

Figure 1 : Le Deep Learning excelle dans l’Identification (gauche), la détection de défauts (milieu) et l’OCR (droite)

 

L’analyse utilisant l’apprentissage profond est un processus basé sur les probabilités et n’est donc pas pratique ou même adapté aux opérations qui nécessitent de l’exactitude. 

La mesure de haute précision est encore le domaine traditionnel des logiciels de vision industrielle…

 

LIRE LA SUITE

EN téléchargeANT le livre blanc

de Matrox Imaging.

 

[sources Matrox Imaging]