Comment le modèle de détection visuelle des anomalies d’Element AI réduit les taux de défauts
Jean-François Marcil Jean-François Marcil
21 octobre 6 min

Comment le modèle de détection visuelle des anomalies d’Element AI réduit les taux de défauts

Qu’il s’agisse de défauts de produits causés par des matières premières de mauvaise qualité ou par un pépin dans le processus de production, le coût d’obtention de la qualité (COQ) dans la fabrication peut être élevé. L’inspection visuelle manuelle assistée par la vision par ordinateur s’est proposée comme un moyen fiable de réduire le nombre de produits défectueux.

Cependant, ces méthodes traditionnelles peuvent poser certains problèmes : il n’est pas rare que les délais de mise en place soient longs et c’est un système qui demande de la surveillance et un entretien régulier pour en garantir le bon fonctionnement. Comme l’inspection manuelle est encore largement utilisée, les connaissances qui proviennent de l’expérience restent limitées à un nombre restreint d’opérateurs. Il n’existe donc pas de source centralisée offrant une vérité unique. L’efficacité du travail manuel varie également beaucoup en fonction de la vigilance et de la personne qui exécute la tâche d’inspection.

Des solutions d’apprentissage profond qui offrent une alternative

Le développement de l’intelligence artificielle (IA) offre une option intéressante : des réseaux d’apprentissage profond supervisés qui s’entraînent sur de vastes bases de données d’images afin que les algorithmes d’apprentissage machine (AM) puissent contribuer à l’identification des défauts de manière cohérente et précise. Bien que les opérateurs humains soient toujours aux commandes, c’est l’AM qui fait le travail de base, ne signalant que les problèmes demandant une inspection plus approfondie.

Les algorithmes d’AM fonctionnent à l’aide de réseaux de neurones qui apprennent à chaque occurrence à quoi ressemble un « normal » et un « défectueux ». Lorsqu’un produit arrive sur la chaîne de montage, l’algorithme compare et confronte une photo du produit prise par un appareil photo à sa base de données de photos existantes. Grâce à une technique de correspondance de motifs, le produit obtient alors le feu vert s’il ressemble à un produit normal. Si l’image du produit correspond à celle d’un produit défectueux, l’algorithme avertit l’opérateur pour qu’il l’observe plus attentivement.

La machine « apprend » en ajoutant continuellement ces images à sa base de données croissante et en comprenant ce qui est normal et anormal. Si, par exemple, l’opérateur valide comme étant normale une image d’aspect pourtant défectueux, l’algorithme enregistre cette information pour un usage futur, ce qui lui permet de devenir systématiquement plus intelligent au fil du temps.

Le problème de ces modèles traditionnels d’apprentissage profond supervisé est que la mise en place initiale exige beaucoup de ressources. Comme ces algorithmes fonctionnent en apprenant à quoi ressemblent les bons comme les mauvais éléments, les bases de données doivent tenir compte de toutes les occurrences des uns comme des autres, sans égard au taux de probabilité. Cela devient particulièrement difficile lorsque les défauts sont dus à un certain nombre de causes différentes : matières premières, disparités dans la production, etc. Chaque goulot d’étranglement doit être examiné.

Ainsi, si les modèles traditionnels d’apprentissage profond supervisé sont précieux, l’ampleur des coûts initiaux peut s’avérer prohibitive.

Une méthode plus intelligente de détection visuelle des anomalies

Element AI renverse le modèle traditionnel d’apprentissage profond en travaillant avec des équivalents semi-supervisés et non supervisés. Les algorithmes d’apprentissage profond non supervisés se concentrent exclusivement sur ce qui semble normal. L’AM plus sophistiquée recherche des modèles inhabituels dans les produits au lieu d’exécuter une tâche de correspondance exacte des modèles. Toute valeur aberrante qui n’est pas conforme ou qui semble suspecte est signalée.

Alors que l’AM traditionnel nécessite des milliers d’images pour son démarrage, le modèle de détection d’anomalies visuelles (DAV) d’Element AI peut démarrer avec seulement 200 images de « bons » éléments pour qu’il commence à reconnaître les aberrations.

Lorsque les spécialistes de la qualité sont particulièrement préoccupés par un type de défaut spécifique, le modèle DAV d’Element AI leur permet également de télécharger quelques images du défaut (environ 10, alors qu’il en faudrait des milliers avec les solutions d’apprentissage profond supervisé) pour augmenter la précision avec laquelle le modèle peut identifier plus rapidement cette anomalie particulière.

Avantages du modèle DAV d’Element AI

Le modèle DAV d’Element AI pose une barrière à l’entrée moins restrictive et est accessible à un plus grand nombre d’installations de fabrication. Cette solution polyvalente fonctionne avec les caméras et l’infrastructure de collecte de données existantes, de sorte que les usines de production n’ont pas à reconfigurer leurs systèmes d’exploitation pour intégrer le modèle DAV dans leur chaîne d’inspection.

Comme le modèle n’a pas besoin de s’entraîner sur des images d’anomalies, il peut reconnaître les défauts que les systèmes d’apprentissage supervisé peuvent rater. Cela permet d’améliorer les normes de qualité et la satisfaction des clients. La solution est également facilement modulable, car le même modèle peut prendre en charge plusieurs lignes de production.

Au-delà de l’identification des défauts des produits

Comme le principe essentiel du modèle DAV d’Element AI est qu’il apprend à partir d’images de ce qui est normal, les cas d’utilisation peuvent aller au-delà de l’identification des bons et mauvais éléments de la chaîne de fabrication.

Avec le temps, le modèle pourrait apprendre à corréler les défauts aux causes, en fournissant une analyse des causes profondes. Par exemple, il pourrait déterminer qu’un type spécifique de défaut est causé par la surchauffe d’un composant de la machine. En déterminant la cause profonde du défaut, les opérateurs peuvent s’attaquer au problème avant qu’il ne puisse se propager et créer d’autres problèmes éventuels. Un tel contrôle proactif pourrait alors permettre de réaliser des économies importantes.

Le modèle DAV d’Element AI propose une approche plus intelligente et simplifiée des modèles d’apprentissage profond. Ses faibles exigences et sa facilité d’accès en font un moteur de détection des défauts attrayant pour les entreprises manufacturières de divers secteurs.

Vous souhaitez en savoir plus sur le modèle DAV d’Element AI et sur la manière dont il peut vous aider à réduire les taux de défauts? Contactez un de nos experts en IA.