©2023 Visionairy. All rights reserved.
.svg)
-min.jpeg)
La qualité est essentielle dans toute industrie, c’est pourquoi le contrôle qualité représente une étape cruciale dans toute chaîne de production. De nos jours, l'étude AFNOR révèle que pour 53 % des entreprises, le coût de la Non-Qualité est compris entre 1 et 5% du chiffre d’affaires. Pour 34 % d'entre elles, ce coût s'élève à plus de 5 % voire à plus de 10% du CA. Historiquement, la majorité des tâches relatives au contrôle qualité étaient réalisées par des êtres humains. Toutefois, ces tâches peuvent s’avérer répétitives et empêchent en définitive l’homme de travailler sur des tâches à forte valeur ajoutée.
Coût de la Non-Qualité = 5% du CA
C’est ici qu'interviennent les caméras de vision industrielle, incluant toutes les options technologiques qui remplacent l'inspection visuelle par l’homme. Le but étant d’améliorer la productivité en permettant à l'humain de se concentrer sur les tâches à forte valeur ajoutée, et en laissant la technologie se charger des tâches répétitives.
La vision industrielle traditionnelle est de plus en plus démocratisée, mais il existe certains cas où cette dernière rencontre des limites : une forte variabilité dans une même pièce, ou bien encore une tolérance modulaire des défauts.
Une solution fait alors son apparition : l’intelligence artificielle. Principe à la base du Machine Learning et du Deep Learning, cette solution est encore trop peu connue et utilisée mais s’avère très efficace en complément de l’approche traditionnelle.
L’intelligence artificielle est peut-être l’élément manquant à votre chaîne de production. Pour le savoir, nous allons discuter des avantages et inconvénients des approches traditionnelle et artificielle.
SOMMAIRE
La vision industrielle traditionnelle consiste en l’analyse d’images obtenues par caméras de vision industrielle. Elle utilise un ensemble d'algorithmes de traitement d'image pour réaliser soit directement des tâches (relativement haut niveau), soit des traitements intermédiaires (segmentation de l'image par ex.).
Cette approche utilise des “règles” prédéfinies pour identifier et classifier les objets dans une image.
Les "règles" sont davantage des paramètres que l'on règle sur les algorithmes pour obtenir ce que l’on veut. Elles doivent être strictement décrites mathématiquement afin d’être interprétées facilement.
Le but de cette approche est d’automatiser l’inspection visuelle selon des règles strictes prédéfinies par l’utilisateur.
La vision industrielle est une approche déterministe, et nécessite un contexte précis pour repérer des défauts de manière fiable. C’est-à-dire que chaque pièce doit être inspectée dans les mêmes conditions, que ça soit d’éclairage ou d’orientation.
Dès lors, la vision traditionnelle est limitée dans sa capacité à modéliser une situation normale, par rapport à la vision par l'intelligence artificielle. Elle peut modéliser quelque chose de simple, qu'on peut définir avec des règles appliquées sur des résultats d'algorithmes de traitement d'image, mais elle ne peut pas modéliser quelque chose de plus complexe et variable.
Au lieu d’appliquer des règles strictes imposées par un expert de la vision, l’intelligence artificielle cherche à modéliser une situation. L’IA cherche à « se programmer » seule en analysant une banque d’images.
Sur la base de ces images, le logiciel va construire un modèle capable de prédire l’état de nouvelles images.
Il est ainsi capable de catégoriser de nouvelles images sans que celles-ci ne fassent partie de la banque d’images utilisée lors de son apprentissage.
Plus la banque d’image fournie est large et qualitative, plus le modèle sera performant.
En résumé, à la différence de la vision traditionnelle, qui est basée sur un ensemble d’à priori définis par son utilisateur, l’intelligence artificielle crée en autonomie sa propre modélisation au plus proche de la réalité en se basant sur de multiples exemples terrains.
Les deux approches existent et ont leurs avantages et inconvénients. Il convient donc de sélectionner la plus adaptée à votre situation.
Vision Traditionnelle
Intelligence Artificielle
Le meilleur choix pour vous dépend entièrement de la situation et de l’application.
L’Intelligence artificielle ne peut extraire de données métrologiques. Il est donc préférable d’opter pour la vision traditionnelle dans certains cas. Puisqu’elle est basée sur un nombre fixe de règles et ne peut évoluer sans l’intervention d’un expert de la vision, la vision traditionnelle sera particulièrement efficace pour des tâches relativement simples et qui ne vont pas évoluer.
Par exemple, si vous souhaitez détecter une erreur sur les dimensions d’une pièce, la vision traditionnelle sera le meilleur choix.
Cependant, la vision traditionnelle ne peut s’adapter à un contexte où les règles changent et/ou sont trop nombreuses à définir.
L’intelligence artificielle vient pallier ce manque puisqu’elle permet d’identifier les défauts les plus complexes en continu, malgré la variabilité.
L’IA s’avère particulièrement efficace dans l’analyse de produits qui différent par des éléments de couleur, forme, texture, agencement d'éléments…
Par exemple, la couleur ou la présence de tâches d’huiles dans la détection de présence/absence de joints peut entraîner beaucoup de variabilité. Utiliser la vision traditionnelle nécessiterait un très grand nombre de règles et résulterait certainement en de nombreuses mauvaises décisions informatiques. L’intelligence artificielle s’adapte et donne des résultats bien plus fiables.
Les deux approches ont leurs forces et leurs faiblesses, et le choix de l’approche dépend des exigences spécifiques de l’application.
La vision fondée sur l’IA ouvre la porte à des applications qui auraient été impossibles il y a quelques années. La détection des défauts est particulièrement bien adaptée à une approche de vision basée sur l’IA.
Chez Visionairy, nous avons décidé de rendre accessible la vision par intelligence artificielle.
Notre solution Visionairy vous permet d’automatiser les inspections visuelles directement sur vos chaînes de production sans connaissance en vision industrielle.
Nécessitant très peu d’échantillons, notre solution est fonctionnelle à partir de seulement 30 images conformes.
Envie d’en apprendre plus sur notre solution ?
Consultez notre page produit ou bien programmez une démonstration.
