3 min read

Le contrôle qualité grâce à l’IA : ce qu’il faut savoir

Rédigé par Un ancien Sicariote

Un ancien Sicariote

Inspection visuelle, contrôle qualité et reconnaissance d’image : comment choisir le bon outil de vision industrielle ?

 
 

Le siège ridé d’une voiture n’est au premier abord pas un problème de fabrication majeur. Pourtant, le constructeur automobile Ford doit inspecter chaque siège de chaque véhicule pour contrôler ce possible défaut de fabrication. C’est pour pouvoir automatiser ce processus que Ford utilise depuis 2019 un système de vision par ordinateur (Computer Vision).
Mais la Computer Vision n’est que l’une des manières possibles d’insérer un système de vision industrielle sur une chaîne de production.
Le terme de “vision industrielle” regroupe toutes les alternatives technologiques à l’inspection visuelle par l’homme (systèmes sur ordinateur, systèmes compacts ou embarqués, laser, etc.) . Leur objectif est toujours le même : renforcer l’efficacité du contrôle qualité pour faire des économies de temps et de coûts.

Capture d’écran 2020-05-27 à 19.26.07




Exemples d’industries et de leurs défauts. Source NECAM White Paper.

 

Il faut savoir que des solutions sur étagère existent déjà pour l’implémentation d’une solution de vision industrielle. Mais il existe certains cas particuliers : des chaînes de production où de trop nombreuses exceptions tolérées s’accumulent, une forte variabilité dans une même pièce, ou bien encore une tolérance modulaire des défauts.

Dans ces situations où une solution sur-mesure doit être mise place, quand est-il préférable d’utiliser un modèle de Computer Vision ? Quels sont les avantages respectifs des solutions de vision industrielle possibles ?

Les méthodes de traitement d’image traditionnelles appliquées au contrôle qualité

Des systèmes d’inspection visuelle automatisés se sont installés sur les chaînes de fabrication, de stockage et de distribution des grands industriels depuis les années 1990. Ce type de contrôle qualité utilise des algorithmes dits “déterministes” (ie. pour lesquels les règles de décision sont bien définies et facilement applicables). Ceux-ci excellent dans la mesure quantitative d’une scène structurée grâce à leur vitesse de traitement, leur précision et leur reproductibilité.
Couplé à la bonne caméra et à une bonne résolution optique, un système d’inspection déterministe peut identifier des défauts invisibles à l’oeil nu. C’est une méthode plus fiable et plus rapide que l’être humain. Ces solutions déterministes sont idéales pour du contrôle impliquant du jaugeage et de la mesure de précision.

 
 
contrôle qualité 1
 
Les systèmes déterministes effectuent des inspections pour détecter contaminations, défauts fonctionnels et autres irrégularités dans des produits manufacturés.
 

Sur une ligne de production, un système de vision industriel déterministe peut effectuer le contrôle qualité de centaines, voire de milliers d’objets par minute de manière fiable et répétitive. Les défauts ainsi contrôlés peuvent être trop petits pour être visibles à l’oeil nu si la caméra permet cette précision. Cette performance va bien au-delà de ce qu’un être humain peut faire.Toutefois, l’inspection visuelle humaine a toujours prévalu :

  • dans les cas nécessitant un apprentissage par l’exemple,
  • et lorsqu’il est nécessaire de savoir reconnaître et tolérer une déviation acceptable lors du contrôle qualité.

Les avantages de la Computer Vision (Reconnaissance d’Image) pour le contrôle qualité

 

L’être humain excelle lorsqu’il doit faire la différence entre défauts cosmétiques et défauts fonctionnels. De même, il est apte à reconnaître quels défauts cosmétiques pourront être perçus par le consommateur comme affectant la qualité ressentie.
Une fois entraîné sur un jeu de données correspondant à ses conditions réelles d’utilisation, un algorithme de Computer Vision peut reproduire cette adaptabilité humaine.
En effet, les technologies de Deep Learning utilisent des réseaux de neurones artificiels pour reproduire le comportement humain. Cela leur permet de reconnaître les anomalies et défauts tout en tolérant les variations naturelles aux schémas complexes. Les méthodes de Computer Vision combinent donc l’adaptabilité de l’inspection par vision humaine avec la rapidité et la robustesse d’un système de traitement d’image traditionnel.
Comparé à une solution de traitement d’images traditionnel, une solution de Deep Learning est plus efficace dans les cas où des variations et exceptions sont tolérées.

 
eric-prouzet-HAcw8_q46D4-unsplash
Photo by Eric Prouzet on Unsplash Dans les cas d’un défaut cosmétique sur des motifs complexes, des solutions adaptables sont préférées.

 

Les défis de l’implémentation d’une solution de vision industrielle

Une fois le choix fait entre le développement d’un algorithme déterministe et une solution de Deep Learning, reste à installer un équipement qui permettra la récupération d’une donnée de qualité.

Le bon équipement de vision industrielle pour le contrôle qualité

Dans les deux cas, le choix d’un bon équipement s’impose. Un système complet de vision industrielle construit sur-mesure pour l’environnement de la chaîne de production est un pré-requis à une bonne récupération et exploitation de la donnée. L’ensemble des composants d’un système de vision industrielle doit être choisi en fonction de l’environnement et de l’objet à inspecter.

 
Capture d’écran 2020-05-27 à 19.32.24
Comment choisir un système complet de vision industrielle ? (c) Sicara

 Si vous vous demandez comment implémenter une solution de vision industrielle pour simplifier vos chaînes de contrôle qualité, vous pouvez contacter l’un de nos experts.

Cet article a été écrit par

Un ancien Sicariote

Un ancien Sicariote

Suivre toutes nos actualités

3 conseils d’un Product Owner pour réussir le passage d’une phase de build à une phase de run

4 min read

Pourquoi devenir Data Engineer ?

4 min read

Data as a product : Comprendre ses utilisateurs finaux pour maximiser l’adoption d’un produit data-driven.

7 min read