Logo Zéphyrnet

Inspection visuelle de l'IA pour la détection des défauts dans la fabrication

Date :

détection de défauts intelligence artificielle
Illustration: © IoT For All

L'intelligence artificielle dans la fabrication est un terme à la mode. Lorsque l'on décrit des solutions de détection de défauts basées sur l'IA, il s'agit souvent d'une technologie d'inspection visuelle basée sur l'apprentissage en profondeur et la vision par ordinateur.

Qu'est-ce que l'apprentissage profond dans une inspection visuelle ?

L'apprentissage en profondeur est un aspect de la technologie d'apprentissage automatique alimenté par des réseaux de neurones artificiels. Le principe de fonctionnement de la technologie d'apprentissage en profondeur consiste à apprendre aux machines à apprendre par l'exemple. En fournissant un réseau de neurones avec des exemples étiquetés de types de données spécifiques, il est possible d'extraire des modèles communs entre ces exemples, puis de les transformer en une équation mathématique. Cela permet de classer les futurs éléments d'information.

Avec la technologie d'inspection visuelle, l'intégration d'algorithmes d'apprentissage en profondeur permet de différencier les pièces, les anomalies et les caractères, qui imitent une inspection visuelle humaine lors de l'exécution d'un système informatisé. 

Alors, qu'est-ce que cela signifie exactement? Utilisons un exemple :

Si vous deviez créer un logiciel d'inspection visuelle pour la fabrication automobile, vous devriez développer un algorithme basé sur l'apprentissage en profondeur et l'entraîner avec des exemples de défauts qu'il doit détecter. Avec suffisamment de données, le réseau de neurones finira par détecter les défauts sans aucune instruction supplémentaire.

Les systèmes d'inspection visuelle basés sur l'apprentissage profond sont efficaces pour détecter les défauts de nature complexe. Ils traitent des surfaces complexes et des défauts cosmétiques et généralisent et conceptualisent les surfaces des pièces.

Comment intégrer le système d'inspection visuelle de l'IA

1. Énoncez le problème

Le développement de l'inspection visuelle commence souvent par une analyse commerciale et technique. Le but ici est de déterminer quel type de défauts le système doit détecter.

Voici d'autres questions importantes à poser :

  • Quel est l'environnement du système d'inspection visuelle ?
  • L'inspection doit-elle être en temps réel ou différée ? 
  • Dans quelle mesure le système d'inspection visuelle doit-il détecter les défauts et doit-il les distinguer par type ?
  • Existe-t-il un logiciel qui intègre la fonction d'inspection visuelle ou nécessite-t-il un développement à partir de zéro ?
  • Comment le système doit-il informer le ou les utilisateurs des défauts détectés ?
  • Le système d'inspection visuelle doit-il enregistrer les statistiques de détection des défauts ?
  • Et la question clé : existe-t-il des données pour le développement de modèles d'apprentissage en profondeur, y compris des images de « bons » et de « mauvais » produits et les différents types de défauts ?

Les ingénieurs en science des données choisissent la solution technique optimale et le flux à suivre en fonction des réponses qu'ils reçoivent.

2. Rassembler et préparer les données

Les ingénieurs en science des données doivent rassembler et préparer les données nécessaires à la formation d'un futur modèle avant le début du développement du modèle d'apprentissage en profondeur. Pour les processus de fabrication, il est important de mettre en œuvre l'analyse des données IoT. Lors de l'examen des modèles d'inspection visuelle, les données sont souvent des enregistrements vidéo, où les images traitées par un modèle d'inspection visuelle incluent des images vidéo. Il existe plusieurs options pour la collecte de données, mais les plus courantes sont :

  1. Prendre un enregistrement vidéo existant fourni par un client
  2. Prendre des enregistrements vidéo open source applicables à des fins définies
  3. Collecter des données à partir de zéro selon les exigences du modèle d'apprentissage en profondeur

Les paramètres les plus importants ici sont la qualité de l'enregistrement vidéo. Des données de meilleure qualité conduiront à des résultats plus précis. 

Une fois les données collectées, nous les préparons pour la modélisation, les nettoyons, vérifions les anomalies et assurons leur pertinence.

3. Développer un modèle d'apprentissage en profondeur

La sélection d'une approche de développement de modèle d'apprentissage en profondeur dépend de la complexité d'une tâche, du délai de livraison requis et des limitations budgétaires. Il existe plusieurs approches :

Utilisation d'un service de développement de modèles d'apprentissage en profondeur (par exemple : Google Cloud ML Engine, Amazon ML, etc.)

Ce type d'approche a du sens lorsque les exigences relatives aux fonctionnalités de détection des défauts sont conformes aux modèles fournis par un service donné. Ces services peuvent économiser du temps et du budget car il n'est pas nécessaire de développer des modèles à partir de zéro. Vous devez télécharger des données et définir des options de modèle en fonction des tâches pertinentes. 

Quel est le piège? Ces types de modèles ne sont pas personnalisables. Les capacités des modèles sont limitées aux options fournies par un service donné.

Utilisation de modèles pré-entraînés

Un modèle pré-entraîné est un modèle d'apprentissage en profondeur déjà créé qui accomplit des tâches similaires à ce que nous voulons effectuer. Nous n'avons pas besoin de créer un modèle à partir de zéro car il utilise un modèle entraîné basé sur nos données.

Un modèle pré-entraîné peut ne pas être conforme à 100% à toutes nos tâches, mais il offre des économies de temps et d'argent significatives. L'utilisation de modèles préalablement entraînés sur de grands ensembles de données nous permet de personnaliser ces solutions en fonction de notre problème. 

Développement de modèles d'apprentissage en profondeur à partir de zéro

Cette méthode est idéale pour les systèmes d'inspection visuelle complexes et sécurisés. L'approche peut prendre beaucoup de temps et d'efforts, mais les résultats en valent la peine. 

Lors du développement de modèles d'inspection visuelle personnalisés, les data scientists utilisent un ou plusieurs algorithmes de vision par ordinateur. Celles-ci incluent la classification d'images, la détection d'objets et la segmentation d'instances.

De nombreux facteurs influencent le choix d'un ou plusieurs algorithmes d'apprentissage en profondeur. Ceux-ci inclus:

  • Objectifs commerciaux
  • Taille des objets/défauts 
  • Conditions d'éclairage
  • Nombre de produits à inspecter
  • Types de défauts
  • Résolution des images

Un exemple de catégories de défauts :

Disons que nous développons un modèle d'inspection visuelle pour l'évaluation de la qualité dans les bâtiments. L'objectif principal est de détecter les défauts sur les murs. Un vaste ensemble de données est nécessaire pour obtenir des résultats d'inspection visuelle précis, car les catégories de défauts peuvent être incroyablement diverses, allant de la peinture écaillée et de la moisissure aux fissures murales. L'approche optimale ici serait de développer un modèle basé sur la segmentation d'instance à partir de zéro. Une approche de modèle pré-entraîné est également viable dans certains cas.

Un autre exemple est une inspection visuelle pour la fabrication pharmaceutique, où vous souhaitez différencier les bulles d'air des particules dans des produits tels que des solutions parentales très visqueuses. La présence de bulles est la seule catégorie de défauts ici, donc l'ensemble de données requis ne sera pas aussi étendu que dans l'exemple ci-dessus. L'approche optimale de développement de modèles d'apprentissage en profondeur pourrait consister à utiliser un service de développement de modèles plutôt qu'à en développer un à partir de zéro.

4. Former et évaluer

La prochaine étape après le développement du modèle d'inspection visuelle est de le former. À cette étape, les data scientists valident et évaluent les performances et la précision des résultats du modèle. Un ensemble de données de test est utile ici. Un système d'inspection visuelle peut être un ensemble d'enregistrements vidéo obsolètes ou similaires à ceux que nous souhaitons traiter après le déploiement.

5. Déployer et améliorer

Lors du déploiement d'un modèle d'inspection visuelle, il est important de considérer comment les architectures système logicielles et matérielles correspondent à une capacité de modèle.

Logiciels 

La structure du logiciel basé sur l'inspection visuelle repose sur la combinaison de solutions Web pour la transmission de données et d'un cadre Python pour le traitement des réseaux neuronaux. 

Le paramètre clé ici est le stockage des données. Il existe trois manières courantes de stocker des données : sur un serveur local, un service de streaming cloud ou une architecture sans serveur. 

Un système d'inspection visuelle implique le stockage d'enregistrements vidéo. Le choix d'une solution de stockage de données dépend souvent d'une fonctionnalité de modèle d'apprentissage en profondeur. Par exemple, si un système d'inspection visuelle utilise un grand ensemble de données, la sélection optimale peut être un service de streaming cloud.

Quincaillerie

Selon l'industrie et les processus d'automatisation, les dispositifs requis pour intégrer le système d'inspection visuelle peuvent inclure :

  • Appareil photo: L'option clé de la caméra est le streaming vidéo en temps réel. Certains exemples incluent IP et CCTV.
  • Passerelle: Les appliances matérielles dédiées et les programmes logiciels fonctionnent bien pour un système d'inspection visuelle.
  • CPU/GPU: Si des résultats en temps réel sont nécessaires, un GPU serait le meilleur choix qu'un CPU, car le premier bénéficie d'une vitesse de traitement plus rapide en ce qui concerne les modèles d'apprentissage en profondeur basés sur l'image. Il est possible d'optimiser une CPU pour faire fonctionner le modèle d'inspection visuelle, mais pas pour la formation. Un exemple de GPU optimal pourrait être le jetson nano
  • Photomètre (facultatif) : Selon les conditions d'éclairage de l'environnement du système d'inspection visuelle, des photomètres peuvent être nécessaires.
  • colorimètre (facultatif) : lors de la détection de la couleur et de la luminance dans les sources lumineuses, les colorimètres d'imagerie ont des résolutions spatiales constamment élevées, permettant des inspections visuelles détaillées. 
  • Caméra thermographique (facultatif) : En cas d'inspection automatisée des canalisations et des installations de vapeur/eau, il est judicieux d'avoir les données de la caméra thermographique. Les données de la caméra thermographique fournissent des informations précieuses pour la détection des fuites de chaleur/vapeur/eau. Les données de la caméra thermique sont également utiles pour l'inspection de l'isolation thermique.
  • Drones (facultatif) : De nos jours, il est difficile d'imaginer une inspection automatisée des zones difficiles d'accès sans drones : intérieurs de bâtiments, gazoducs, inspection visuelle de pétroliers, inspection de fusées/navettes. Les drones peuvent être équipés de caméras haute résolution capables de détecter les défauts en temps réel.

Les modèles d'apprentissage en profondeur peuvent être améliorés après le déploiement. Une approche d'apprentissage en profondeur peut augmenter la précision du réseau de neurones grâce à la collecte itérative de nouvelles données et au recyclage du modèle. Le résultat est un modèle d'inspection visuelle « plus intelligent » qui apprend en augmentant les données pendant le fonctionnement.

Cas d'utilisation de l'inspection visuelle

Système de santé

Dans la lutte contre le COVID-19, la plupart des aéroports et des postes frontaliers peuvent désormais contrôler les passagers à la recherche de signes de la maladie.

Baidu, la grande entreprise technologique chinoise, a développé un système d'inspection visuelle à grande échelle basé sur l'IA. Le système se compose de caméras basées sur la vision par ordinateur et de capteurs infrarouges qui prédisent la température des passagers. La technologie, opérationnelle en La gare Qinghe de Pékin, peut filtrer jusqu'à 200 personnes par minute. L'algorithme d'IA détecte toute personne ayant une température supérieure à 37.3 degrés.

Un autre cas concret est le système basé sur l'apprentissage en profondeur développé par le Alibaba entreprise. Le système peut détecter le coronavirus dans les tomodensitogrammes thoraciques avec une précision de 96 %. Avec un accès aux données de 5,000 19 cas COVID-20, le système effectue le test en XNUMX secondes. De plus, il peut différencier la pneumonie virale ordinaire du coronavirus.

Compagnies Aériennes

Selon Boeing, 70 % du marché des services aérospatiaux de 2.6 2018 milliards de dollars sont consacrés à la qualité et à la maintenance. En XNUMX, Airbus a introduit un nouveau système d'inspection d'aéronefs à base de drones qui accélère et facilite les inspections visuelles. Ce développement réduit les temps d'arrêt des avions tout en augmentant simultanément la qualité des rapports d'inspection.

Automobile

Toyota a récemment accepté un règlement de 1.3 milliard de dollars en raison d'un défaut qui faisait accélérer les voitures même lorsque les conducteurs tentaient de ralentir, entraînant 6 décès aux États-Unis. Cognex ViDi, les constructeurs automobiles peuvent analyser et identifier les problèmes de qualité avec beaucoup plus de précision et les résoudre avant qu'ils ne surviennent.

Fabrication de matériel informatique

La demande de conceptions de circuits imprimés plus petits augmente. Fujitsu Laboratories a été le fer de lance du développement de Systèmes de reconnaissance activés par l'IA pour l'industrie électronique. Ils signalent des progrès significatifs en termes de qualité, de coût et de livraison.

Textile

La mise en œuvre d'une inspection visuelle automatisée et d'une approche d'apprentissage en profondeur peut désormais détecter les problèmes de texture, de tissage, de couture et de correspondance des couleurs.

Par exemple, Le système d'IA de Datacolor peut prendre en compte les données historiques des inspections visuelles passées pour créer des tolérances personnalisées qui correspondent plus étroitement aux échantillons.

Nous conclurons avec une citation du directeur général que nous avons mentionné plus tôt : « Cela ne fait aucune différence pour moi que la technologie suggérée soit la meilleure, mais je me soucie de la façon dont elle résoudra mes problèmes.

Panneaux solaires

Les panneaux solaires sont connus pour souffrir de la poussière et des microfissures. L'inspection automatisée des panneaux solaires pendant la fabrication et avant et après l'installation est une bonne idée pour empêcher l'expédition de panneaux solaires défectueux et la détection rapide des panneaux endommagés sur votre parc solaire. Par exemple, DJI Entreprise utilise des drones pour l'inspection des panneaux solaires.

Inspection de pipeline

Les pipelines de gaz et de pétrole sont connus pour avoir une longueur énorme. Les dernières données de 2014 donnent un total d'un peu moins de 2,175,000 3,500,000 120 miles (XNUMX XNUMX XNUMX km) de pipeline dans XNUMX pays du monde. Les fuites de gaz et de pétrole peuvent causer des dommages massifs à la nature par la pollution chimique, les explosions et les conflagrations.

L'inspection par satellite et par drone à l'aide de techniques de vision par ordinateur est un bon outil pour la détection précoce et la localisation d'une fuite de gaz/pétrole. Récemment, DroneDeploy rapporté qu'ils ont cartographié environ 180 milles de pipelines.

Inspection visuelle de l'IA : points à retenir

  1. Concept: Al inspection visuelle se base sur les méthodes traditionnelles de vision par ordinateur et sur la vision humaine.
  2. Choix: L'approche de développement de modèle d'apprentissage en profondeur dépend de la tâche, du délai de livraison et des limites budgétaires.
  3. Algorithme: Les algorithmes d'apprentissage en profondeur détectent les défauts en imitant une analyse humaine lors de l'exécution d'un système informatisé.
  4. Architecture: Le logiciel et le matériel doivent correspondre à la capacité du modèle d'apprentissage en profondeur.
  5. Question principale: Lors du lancement d'une inspection visuelle, la question principale est « Quels défauts le système doit-il détecter ? »
  6. Améliorations: Après le déploiement, le modèle d'apprentissage profond devient « plus intelligent » grâce à l'accumulation de données.

PlatonAi. Web3 réinventé. L'intelligence des données amplifiée.
Cliquez ici pour y accéder.

Source : https://www.iotforall.com/ai-visual-inspection-for-defect-detection-in-manufacturing

spot_img

Dernières informations

spot_img