Points clés à retenir
- Principes de base des réseaux neuronaux : Imiter le fonctionnement du cerveau humain en connectant les neurones au traitement des données et améliorer la précision des tâches grâce à un entraînement.
- Méthodes d’apprentissage : Inclut un apprentissage supervisé, non supervisé et renforcé pour adapter et affiner les performances.
- Impact sur la fabrication : Automatise la détection des défauts et la vérification de l’assemblage, en gérant des tâches trop complexes pour la vision industrielle traditionnelle.
La génération automatique de texte dans les e-mails, la reconnaissance vocale, l’analyse d’images médicales, la colorisation de photos anciennes, la personnalisation de publicités en ligne, les jeux de stratégie sur ordinateur et la reconnaissance faciale pour déverrouiller un téléphone portable sont des exemples de la façon dont l’intelligence artificielle a simplifié nos vies pour les rendre un peu plus agréables mais aussi un peu plus terrifiantes et, pour ainsi dire, plus intéressantes. Il en va de même pour l'automatisation industrielle, où l'intelligence artificielle appliquée à la fabrication mène à de nouvelles approches pour relever les défis des applications d'inspection complexes.
Ces applications basées sur l'IA font appel au deep learning, qui s'appuie sur le travail des réseaux neuronaux.
Les réseaux neuronaux ont été introduits pour la première fois en 1944 par Warren McCullough et Walter Pitts, deux chercheurs de l’Université de Chicago ayant rejoint le MIT en 1952 en tant que membres fondateurs de ce que l’on qualifie parfois de premier département de sciences cognitives.
Qu'est-ce qu'un réseau neuronal ?
Fondamentalement, les réseaux neuronaux sont des programmes informatiques conçus pour imiter le fonctionnement du cerveau humain. Chaque programme d'un réseau neuronal peut effectuer uniquement des calculs de base. Toutefois, en associant de nombreux nœuds entre eux, la puissance de calcul de l'ensemble vaut plus que la somme de ses différentes composantes. En transmettant des données d’un programme à un autre dans le système, le réseau neuronal apprend et utilise ces données pour devenir plus intelligent, tout comme les humains.
Les réseaux neuronaux sont donc devenus la méthode par laquelle les ordinateurs apprennent à effectuer certaines tâches, comme reconnaître un visage spécifique sur différentes photographies ou identifier ce qu’est un chien ou non à partir d’un ensemble de photos de chiens de référence.
« Ce sont véritablement les réseaux neuronaux qui ont rendu possible le deep learning », déclare Bob Ochiai, Directeur marketing produits pour le deep learning au sein de Cognex. « Les réseaux neuronaux et le deep learning ne sont encore qu’un outil pour les humains visant à créer des applications plus intelligentes qui nous permettront de travailler plus efficacement et de répondre aux besoins d’applications complexes spécifiques dans de nombreux domaines ».
Chaque programme qui compose un réseau neuronal est appelé neurone et ces neurones sont connectés à un nombre aléatoire d'autres neurones. Plus les connexions entre les neurones sont fortes et efficaces, plus le réseau neuronal est performant. Le processus de connexion entre les neurones d'un réseau neuronal est appelé l'apprentissage.
Lorsque les données passent par les différentes couches d'un réseau neuronal, le système apprend et affine ses résultats pour réaliser la tâche spécifique pour laquelle il a été configuré avec une plus grande précision. Dans un environnement d'automatisation industrielle, par exemple, les réseaux neuronaux peuvent être utilisés pour répondre aux besoins de la détection des défauts complexes ou pour identifier les autres irrégularités dans les produits, qui sont bien trop nombreuses pour pouvoir créer un programme basé sur les règles qui leur soit dédié.
Le système apprend selon trois méthodes :
- L'apprentissage supervisé : cette stratégie d'apprentissage est la plus simple car elle fait appel à un ensemble de données étiqueté que l'ordinateur parcourt et l'algorithme est modifié jusqu'à ce qu'il puisse traiter l'ensemble de données de façon à obtenir le résultat souhaité.
- L'apprentissage non supervisé : cette stratégie est utilisée lorsqu'aucun ensemble de données étiqueté n'est disponible pour l'apprentissage. Le réseau neuronal analyse l'ensemble de données, puis une fonction de coût lui indique à quel point il est éloigné de l'objectif. Le réseau neuronal s'adapte alors pour accroître la précision de l'algorithme.
- L'apprentissage par renforcement : dans cet algorithme, le réseau neuronal est renforcé lorsqu'il obtient des résultats positifs et punit lorsqu'il obtient des résultats négatifs, ce qui le pousse à apprendre au fil du temps.
L’incidence des réseaux neuronaux sur les inspections de fabrication
Imaginons qu’une entreprise de pièces automobiles souhaite détecter des rayures sur un pare-chocs qu’elle fabrique. Il n’existe aucun moyen de déterminer où une rayure potentielle pourrait survenir sur un pare-chocs. La recherche et l’identification des rayures ne peuvent pas être programmées efficacement dans une application de vision industrielle en raison de la variabilité impliquée : les rayures peuvent être profondes ou superficielles, longues ou courtes, apparaître n’importe où sur la surface, etc.
Il est très difficile de prendre en compte ces variations à moins, bien sûr, d’apprendre à une application à identifier ce qu’est un bon pare-chocs et à signaler tout pare-chocs ne correspondant pas à ces paramètres.
« L’analyse d’images basée sur le deep learning, qui fait appel aux réseaux neuronaux, permet aux entreprises d’automatiser plus facilement les inspections pouvant s’avérer complexes ou difficiles avec la vision industrielle classique », explique M. Ochiai. « Prenez, par exemple, la vérification de l’assemblage qui est encore majoritairement effectuée par des humains. Il en va de même pour la détection des défauts, cette technologie pourrait contribuer aux stratégies d’automatisation des fabricants ».
Le réseau neuronal se caractérise par son exceptionnelle capacité à reconnaître les motifs. Cependant, comme nous le fait remarquer M. Ochiai, les réseaux neuronaux ont besoin de données étiquetées de très grande qualité pour pouvoir entraîner leurs modèles. Et, pour compliquer encore davantage les choses, ils nécessitent énormément de données issues d'images de référence.
Pour découvrir comment les réseaux neuronaux et le deep learning relèvent les défis complexes de l’inspection de la production, téléchargez notre guide Comparaison entre deep learning et vision industrielle.