[TRIBUNE de Benoit Zamboni, COGNEX] Les dernières avancées enregistrées dans le domaine de l’analyse d’images fondée sur l’intelligence artificielle (IA) permettent aux entreprises de toutes tailles 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 hausse.

Aujourd’hui, l’installation d’un système de vision industrielle dit “intelligent” 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 elle améliore également le contrôle qualité, la traçabilité et la productivité, tout en réduisant la consommation de matières premières et d’énergie.

La vision industrielle, source de productivité déjà éprouvée

Ainsi, un système de vision industrielle peut, par exemple, identifier les défauts d’un produit, vérifier l’assemblage final, compter le nombre de pièces, mesurer les dimensions, etc. Dépourvus de limites physiques, telles que la fatigue, ces systèmes peuvent fonctionner 24 heures sur 24 avec des performances constantes, et offrent une précision et une vitesse supérieures à celles des inspecteurs humains.

Dans le cadre de la vision industrielle, les cas d’usage de l’IA élargissent aujourd’hui ses champs d’application. A ce niveau, les applications de reconnaissance visuelle, vocale, textuelle et faciale fondées sur la technologie de l’apprentissage profond (Deep Learning) apportent la notion de jugement, y compris dans des applications complexes, comme l’inspection des variations esthétiques imprévisibles d’un objet, et dans la détection des défauts, tels que les rayures et les bosses sur des pièces usinées, brossées ou brillantes.

La mise en œuvre du Deep Learning permet ainsi 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, cette approche “enseigne” aux robots et aux machines à faire ce qui semble naturel pour les humains, c’est-à-dire apprendre à partir d’exemples. Ainsi, les systèmes de vision qui intègrent cette technologie peuvent améliorer leurs performances lorsqu’ils sont en présence de nouveaux textes et images.

Passer du Deep Learning à l'Edge Learning pour les applications industrielles complexes

Si le succès des projets de vision s’appuyant sur le Deep Learning implique une planification, ainsi que des connaissances et des ressources spécifiques, l’analyse d’images optimisée par l’IA est désormais à la portée des petites entreprises grâce au développement d’une technologie appelée l’Edge Learning. L’Edge Learning est une technologie de l’IA qui traite les informations directement sur l’équipement ou au plus près de leur source. Cette approche présente de nombreux atouts, notamment sa simplicité d’utilisation, car le recours à des connaissances spécialisées en vision industrielle ou en intelligence artificielle n’est plus nécessaire pour déployer et utiliser une solution de vision industrielle.

S’appuyant sur des algorithmes pré-entrainés, l’Edge Learning demande également moins de temps et d’images que des solutions fondées sur le Deep Learning. Et 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 adaptée pour 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 ainsi 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 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 indique avoir économisé 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.

La traçabilité, clé de l’industrie 4.0

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 en raison des exigences de clients 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 de codes-barres.

Deux technologies peuvent être utilisées à ce niveau 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 reposant sur l’IA simplifient ces applications de reconnaissance optique des caractères (OCR). Les outils qui utilisent la technologie de l’Edge Learning sont alors 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 qu'un code-barre n’a pas pu être lu, afin d’agir au plus vite.