Les applications de vision industrielle sont utilisées pour le contrôle de la qualité/en fin de fabrication, la traçabilité des pièces tout au long de la chaîne d'approvisionnement, le dimensionnement, la détection de présence/absence, la métrologie et le contrôle de la porosité. Cependant, les défis opérationnels liés aux anciens systèmes de vision industrielle subsistent. On compte parmi eux la compatibilité matérielle et logicielle, les coûts financiers, les délais d'approvisionnement, la maintenance, la capacité des systèmes, la formation et la gestion de cas d'utilisation complexes. Pour les fabricants français, les défis industriels liés à l'embauche d'une main-d'œuvre qualifiée deviennent également une priorité. L'automatisation permet de compenser progressivement le manque de personnel et de soutenir les équipes en poste.
Le rôle du deeplearning dans la vision industrielle
L'automatisation industrielle est souvent longue et difficile à mettre en place et à gérer au sein d'une usine de fabrication, en raison de la multiplicité d’appareils dotés de logiciels différents et d'interfaces utilisateur obsolètes. De nombreux fournisseurs exigent également que les clients utilisent des logiciels différents pour les scanners fixes et pour les caméras de vision industrielle, ce qui rend le processus difficile et coûteux. Cela va à l'encontre des principes fondamentaux d'évolutivité, de longévité et de compatibilité appliqués aux portefeuilles de produits et de solutions en général, et aux plateformes de mobilité, de numérisation et d'automatisation en particulier.Les usines ont évolué. Le volume et la vitesse de production ne cessent de croître, de nouvelles mesures de sécurité et de conformité réglementaire sont à respecter, et le volume croissant de données doit être trié puis converti en informations exploitables. Les fabricants ont besoin de solutions de vision industrielle modernes capables de relever ces défis.
Or, il existe encore de nombreux industriels qui ne sont pas au fait des nouvelles solutions de vision industrielle basées sur le deeplearning, ou qui ignorent encore l’intérêt qu'elles présentent pour les tâches d’inspection et de mesure.
81 % des décideurs du secteur automobile déclarent qu'ils pourraient mieux atteindre leurs objectifs commerciaux si leur organisation investissait davantage dans la technologie, tandis que 78 % pensent que leur entreprise doit innover davantage pour rester compétitive dans l'industrie automobile. Pourtant, près de 8 personnes sur 10 (78 %) reconnaissent que leur entreprise a du mal à suivre le rythme de l'innovation technologique.
Le développement de l'automatisation, y compris l'automatisation des contrôles par vision industrielle, permet de gagner en précision, en rapidité, en conformité et en sécurité. Cela signifie également que les équipes terrain peuvent confier les tâches d’inspection à une solution de vision industrielle et ainsi consacrer plus de temps à d'autres tâches importantes.
Plus puissant, plus flexible et plus facile à utiliser
Les logiciels de vision industrielle basés sur le deeplearning constituent une solution exceptionnelle pour l’inspection de surface, de matières premières à variations naturelles, de tissu et des revêtements conformes, ainsi que la classification, la segmentation, et la détection de particularités et d'anomalies. La bonne combinaison de matériel et de logiciel reposant sur le deeplearning peut améliorer les applications de vision industrielle, y compris les cas d'utilisation plus complexes, et renforcer le rôle du technicien pour qu'il pense et agisse davantage comme un expert en science des données et de l'IA. Les caméras, capteurs et plateformes de vision industrielle plus récents basés sur le deeplearning peuvent aider à relever des défis auxquels ne répondent pas les systèmes de vision industrielle classiques.Les nouveaux outils de vision industrielle, alimentés par l'IA, sont dotés d'interfaces intuitives de type « glisser-déposer », de fonctionnalités et de bibliothèques prêtes à l'emploi et d'une approche par organigramme pour élaborer des solutions. Ces outils sont soutenus par des partenaires expérimentés qui peuvent apporter des conseils et des précisions sur la qualité des données et l’étiquetage requis. Ils offrent également aux utilisateurs une grande souplesse d'évolution : les scanners fixes industriels peuvent être remplacés par des caméras de vision industrielle avec une simple licence qui fait évoluer le logiciel de numérisation industrielle vers des plateformes logicielles de vision industrielle. Cela permet de réaliser des économies de temps et d'argent, et de s’adapter à la demande.
Les ingénieurs, les programmeurs et les experts en science des données peuvent collaborer grâce à des environnements graphiques dotés de milliers de filtres testés et prêts à l'emploi pour créer des applications de vision industrielle complexes. Il existe également des bibliothèques pour programmeurs qui permettent de personnaliser le codage et les intégrations à l'aide de générateurs de code C++ et de milliers de fonctions pour les applications d'analyse d'images.
Plusieurs des applications citées ci-dessus (contrôle en fin de fabrication, traçabilité des pièces, détection de présence/absence) pourraient nécessiter une reconnaissance optique de caractères (OCR), d'où l'importance de bien choisir. L'OCR existe depuis longtemps et est souvent utilisée pour lire les codes-barres, les numéros de série, de lots et d'identification de véhicules (VIN), afin de s'assurer que les bons composants et les bonnes pièces se trouvent au bon endroit et au bon moment pour le bon modèle.
Cependant, les problèmes liés à l'utilisation de l'OCR sont bien connus. L’OCR nécessite beaucoup de formation, peut se montrer instable face à un changement d'environnement et inefficace face à des cas d'utilisation complexes. De nombreux outils OCR obligent les fabricants à investir beaucoup de temps dans une solution qui peine à lire les caractères endommagés, les formats gravés et embossés, les symboles sur des surfaces réfléchissantes et incurvées, ou dans des conditions d'éclairage variables ou difficiles.
Les derniers outils OCR basés sur le deeplearning utilisent un réseau neuronal qui ressemble au cerveau humain. Ces nouveaux outils offrent une très grande précision dès la prise en main et fonctionnent à la fois sur le GPU et le CPU de NVIDIA. Ils peuvent gérer des cas d'usage complexes, supprimer le temps de formation et garantir la stabilité et la facilité d'utilisation, même pour une personne n’ayant pas d’expertise dans le domaine. Cette nouvelle technologie OCR basée sur le deeplearning est dotée d'un réseau neuronal prêt à l'emploi, pré-entraîné à l’aide de milliers d'échantillons d'images. Elle permet à l'utilisateur de créer une application OCR robuste en quelques étapes simples. L'OCR basée sur le deeplearning offre également aux professionnels de l'imagerie industrielle la flexibilité d’utiliser le deeplearning n’importe où et à portée de main, que ce soit sur des PC (sous Windows, Linux ou Linux ARM), sur des terminaux portables Android ou sur des caméras intelligentes.
Garder une longueur d'avance
Les leaders de l'industrie manufacturière utilisent déjà le deeplearning pour acquérir un avantage concurrentiel face aux besoins du secteur et des clients. En outre, le manque de main-d'œuvre qualifiée risque de se poursuivre et impacte déjà de nombreux secteurs. Les défis liés à l'embauche de personnel pourraient amener les entreprises à utiliser davantage la vision industrielle pour soutenir l’activité opérationnelle et le personnel en place.Une récente enquête mondiale auprès de constructeurs automobiles a révélé que 24 % d'entre eux utilisent déjà la vision industrielle, et que 44 % prévoient de l'utiliser d'ici 2027. Cela représente une augmentation significative de 83 %. Un bond de 70 % a par ailleurs été constaté entre l'utilisation actuelle (27 %) et future (46 %) du machine learning.
Ne vous laissez pas devancer par vos homologues et concurrents, et ne vous contentez pas de réagir face aux défis. Le moment est venu d’exploiter le potentiel de la vision industrielle en deeplearning.
Par Stephan Pottel, Responsable des méthodes de production, EMEA chez Zebra Technologies
