Code-barres 1D (unidimensionnel) : Également appelé code-barres linéaire, il désigne un code lisible par une machine, les données étant contenues dans la largeur et l’espacement des lignes parallèles. Exemples : Codabar, Code 128, Code 39, EAN, Code 2/5, Pharmacode, POSTNET et UPC.
Code-barres 2D (bidimensionnel) : Code lisible par une machine qui enregistre les données à la fois horizontalement et verticalement. Exemples : Aztec, DataMatrix, MaxiCode et code QR.
Les systèmes de vision 3D : un système optique permettant d’acquérir et de traiter des images tridimensionnelles d’objets ou de scènes. En cartographiant des scènes en 3D, ces caméras peuvent gérer les changements dans l’environnement ainsi que des variations dans les objets analysés. Ils sont idéaux pour les applications d’inspection, de contrôle des processus, de mesure et de guidage de robot.
Éclairage à 30 degrés : éclaire la cible à un angle de 30°. Selon sa configuration (30Q, 30T ou 30S), l’éclairage provient de quatre côtés, de deux ou d’un seul. Cette technique d’éclairage est idéale pour la vérification des codes DPM sur les pièces courbes, planes et semi-brillantes. Celle-ci est également performante sur les codes marqués par micro-percussion sur un arrière-plan texturé.
Éclairage à 45 degrés : éclaire la cible à un angle de 45°. La lumière entrante est réfléchie par la caméra et non vers la caméra. Ce type d’éclairage est utilisé pour la vérification des codes-barres sur étiquette et des codes de marquage direct de pièces (DPM) sur les surfaces anodisées, plastiques ou mates.
Éclairage à 90 degrés : pointe directement vers le bas puis est réfléchi vers la caméra. C’est la seule option d’éclairage pour la vérification des codes DPM sur les surfaces brillantes et réfléchissantes.
Algorithmes : ensemble d’instructions et de calculs qui permet à un ordinateur d’atteindre un objectif. Dans l’automatisation industrielle, les algorithmes peuvent trier des ensembles gigantesques de données issues des capteurs, des lecteurs et des caméras numériques afin de révéler les dysfonctionnements, de booster la qualité et de recommander des améliorations. Un algorithme basé sur l’apprentissage utilise la méthodologie de l’expérimentation et de l’apprentissage basé sur les exemples pour optimiser les processus de production sans intervention humaine.
Ouverture : pour les codes 1D, l’ouverture désigne la taille de l’échantillon pris sur la longueur du code afin d’identifier les barres et les espaces à l’aide d’une ligne de balayage et spécifié en milliradian. Pour les codes 2D, l’ouverture désigne l’échantillon circulaire qui est capturé aux intersections de la grille. Les normes ISO dictent les tailles d’ouverture pour un étalonnage précis.
Norme d’application : Règles fixées par une organisation qui établissent des directives en matière de marquage et d’évaluation dans un secteur spécifique, notamment le type de symbologie acceptable, la norme ISO à utiliser pour l’évaluation, la note minimum acceptable, l’ouverture, la plage de dimensions-x, les angles d’éclairage requis et le format des données du code-barres.
Intelligence artificielle (IA) : Les techniques de calcul imitent le processus décisionnel humain en utilisant l’automatisation pour réaliser des tâches difficiles pour les humains. Les algorithmes d’intelligence artificielle sont au cœur de l’automatisation industrielle car ils s’appuient sur des technologies telles que la reconnaissance d’images et le traitement automatique du langage naturel pour réduire les erreurs humaines et anticiper les défis de la production.
Hallucination générées par l’IA : instances dans lesquelles un système d’IA génère des résultats ou des réponses incorrects ou trompeurs qui ne sont pas fondés sur des données réelles ou factuelles – l’IA « imagine » essentiellement des données qui n’existent pas. Ce phénomène se produit généralement dans les modèles génératifs, tels que les générateurs de langage ou d’images, qui peuvent fabriquer des informations ou établir de faux liens, et pose rarement problème dans les systèmes d’IA industriels.
Biais de l’IA : Les systèmes d’IA produisent des erreurs ou des résultats injustes en raison des biais introduits au cours du processus de machine learning. Ces biais peuvent provenir de données d’entraînement biaisées, d’algorithmes erronés ou d’un manque de diversité dans l’ensemble de données, entraînant des résultats injustes ou discriminatoires. Dans la fabrication, le biais d’IA peut compromettre les systèmes de vision industrielle en déformant les résultats de l’inspection, ce qui peut potentiellement ignorer ou mal identifier les défauts, ce qui pourrait nuire à la qualité du produit et à l’efficacité opérationnelle. Cela peut également perpétuer les inégalités sociétales, renforçant la discrimination basée sur l’origine ethnique, le genre ou d’autres facteurs.
Acquisition matricielle : type de caméra 2D utilisé en vision industrielle. Elle capture des images fixes détaillées. Plus adaptée à l’inspection d’articles plus petits et définis. Il peut s’agir de capteurs simples à usage unique ou de systèmes plus complets.
Non-uniformité axiale ; désigne le degré de désaxage de la forme ou l’écart par rapport aux axes horizontal et vertical du code 2D.
Propagation arrière : algorithme utilisé pour entraîner les réseaux neuronaux en réduisant l’erreur entre les sorties prévues et réelles. Il s’agit d’un passage avant où les entrées sont traitées pour produire une sortie, suivi d’un passage arrière dans lequel l’algorithme ajuste les poids du réseau (valeurs numériques qui déterminent la force des connexions entre les neurones) à l’aide d’une descente en gradient pour réduire l’erreur. La répétition de ce processus sur plusieurs itérations aide le modèle à apprendre et à améliorer la précision.
Croissance de la largeur de barre : l’écart entre la taille d’une barre ou d’un élément et sa taille idéale.
Code-barres : modèle lisible par une machine et composé de lignes et d’espaces parallèles (1D) ou de rectangles, de points et d’autres formes géométriques (2D), apposé sur les produits, les emballages ou les pièces et qui contient des données utilisées à des fins d’information, de marketing ou de suivi.
Lecteur de codes-barres : système qui décode les données ou les informations contenues dans un code-barres. Certains lecteurs de codes-barres utilisent des lasers pour décoder les informations (lecteurs laser), tandis que d’autres utilisent des lumières ou des caméras pour acquérir l’image du code-barres avant de le lire et de le décoder (lecteurs imageurs de codes).
Vérification des codes-barres : Processus qui consiste à évaluer la qualité d’impression et la lisibilité des codes 1D, 2D et DPM conformément à des normes spécifiques. Vérificateur de codes-barres en ligne ou hors ligne utilisé pour évaluer la qualité d’un code-barres.
Atténuation des biais : techniques et stratégies utilisées pour réduire ou éliminer les biais dans les modèles d’IA et de machine learning. Cela implique de trouver et de traiter les biais dans les données de formation, les algorithmes et les processus de prise de décision pour garantir des résultats équitables. Les méthodes courantes comprennent l’équilibrage des données, les ajustements algorithmiques, le débiaisage antagoniste et les corrections post-traitement.
Compensation de variance de biais : l’équilibre entre la capacité d’un modèle à réduire le biais et la variance pour obtenir la meilleure précision de prédiction. Un biais élevé peut conduire à un sous-ajustement dans lequel le modèle est trop simple et ne comprend pas la complexité des données. À l’inverse, une variance élevée peut entraîner un surapprentissage, dans lequel le modèle est trop complexe et fonctionne bien sur les données d’entraînement, mais mal sur les données non encore rencontrées. La compensation consiste à trouver le bon niveau de complexité pour réduire la quantité totale d’erreurs
Mégadonnées : technologies qui regroupent des ensembles gigantesques de données issues de plusieurs sources et utilisent des outils d’analyse pour générer des statistiques uniques. Les mégadonnées établissent les fondements de l’intelligence artificielle car les algorithmes basés sur l’apprentissage nécessitent des montagnes d’informations pour émuler la prise de décision humaine et pour produire des prévisions précises. Une usine automatisée utilise l’analyse des mégadonnées pour éclairer ses initiatives d’IA. Des technologies qui rassemblent d’énormes ensembles de données provenant de plusieurs sources, utilisant des outils d’analyse pour générer des informations uniques. Les mégadonnées établissent les fondements de l’intelligence artificielle car les algorithmes basés sur l’apprentissage nécessitent des montagnes d’informations pour émuler la prise de décision humaine et pour produire des prévisions précises. Les usines automatisées utilisent les analyses des mégadonnées pour éclairer leurs initiatives en matière d’intelligence artificielle.
Processus d’étalonnage : processus de mise en correspondance des mesures d’une caméra avec les niveaux de réflectivité réels afin d’établir une base de référence des niveaux de réflectivité du logiciel de vérification. Le processus d’étalonnage ajuste et contrôle les niveaux de réflectivité afin de garantir les résultats de vérification les plus précis. Pour être conforme aux normes ISO, un vérificateur doit avoir un processus d’étalonnage.
Carte d’étalonnage : Carte comprenant les principaux symboles évalués par rapport à une carte « Judge » traçable du NIST. Ces symboles peuvent être utilisés pour l’étalonnage et la vérification des valeurs d’étalonnage.
Contraste cellulaire : paramètre évalué de la norme ISO/CEI TR 29158, équivalent pour les codes DPM du paramètre de l’ISO/CEI TR 15415 appelé « contraste des symboles », qui calcule la valeur relative du contraste entre les barres et les espaces.
Modulation cellulaire : paramètre évalué de la norme ISO/CEI TR 29158, équivalent pour les codes DPM du paramètre Modulation, qui est calculé avec la plage de l’échelle de notation définie par la moyenne de répartition plutôt que par la réflectivité maximale et minimale telle qu’utilisée dans l’ISO/CEI 15415.
Gravure chimique : forme de marquage direct ; ce processus industriel soustractif consiste à utiliser des bains de produits de gravure chimique à température régulée pour retirer une partie du matériau afin de créer un objet de la forme désirée.
Classification : répartition des données en catégories distinctes visant à améliorer l’efficacité de l’intelligence artificielle. Dans l’automatisation industrielle, les systèmes de collecte des données balayent l’environnement de production et reconnaissent des objets spécifiques, tels que les pièces et les composants électroniques d’une machine. Les algorithmes d’intelligence artificielle aident à la classification de ces objets et les acheminent vers la bonne destination sur la ligne de production.
Motif d’horloge : indique le nombre de lignes et de colonnes dans un code 2D.
Regroupement : séparation d’une population de points de données en groupes afin de comprendre ceux qui se ressemblent et ceux qui diffèrent. Les algorithmes basés sur l’apprentissage analysent les groupes pour interpréter leur signification et prévoir un plan d’action approprié. Par exemple, les algorithmes de regroupement traitent des données obtenues grâce aux systèmes de lecture optiques afin de décider des actions à entreprendre lorsqu’au cours d’une lecture un défaut sur un produit est détecté.
Vision par ordinateur : permet aux machines d’interpréter et de comprendre les informations visuelles du monde. Il s’agit d’apprendre aux ordinateurs à analyser et à prendre des décisions à partir de données visuelles, telles que des images et des vidéos, en se concentrant souvent sur la recherche et la classification d’objets. Au-delà des applications industrielles, la vision par ordinateur est utilisée dans divers domaines tels que la reconnaissance faciale, les véhicules autonomes et l’imagerie médicale.
Carte d’étalonnage de conformité : carte contenant des symboles de test qui présentent des imperfections délibérées permettant de contrôler les capacités de génération de rapports du vérificateur et la conformité documentaire aux normes de l’industrie ISO 15415, ISO 15416 et GS1.
Nettoyage des données : suppression des données incorrectes pour améliorer l’efficacité d’un algorithme d’apprentissage. L’intelligence artificielle s’appuie sur des modèles de données sophistiqués, dont les sources de données se doivent d’être précises, fiables et cohérentes. Malheureusement, la collecte des données génère souvent des informations redondantes, imprécises, dépassées, voire inutiles. Le nettoyage des données permet de réduire les risques et d’améliorer la précision de l’intelligence artificielle.
Deep learning : une technologie d’IA conçue pour automatiser les applications complexes et hautement personnalisées. Le traitement s’effectue via un processeur graphique (GPU), permettant aux utilisateurs de créer des réseaux neuronaux sophistiqués à partir d’ensembles d’images vastes et détaillés. En exploitant ces réseaux neuronaux, le Deep learning analyse rapidement et efficacement de vastes ensembles d’images pour détecter des défauts subtils et variables et fait une différence entre les anomalies acceptables et inacceptables.
Data Matrix : un code 2D capable d’encoder de grandes quantités de données (jusqu’à 2 335 caractères alphanumériques ou 3 116 caractères numériques) et utilisant un système de correction pour lire des codes endommagés jusqu’à 40 %. Il est composé de cellules noires et blanches, dans un motif carré ou rectangulaire, et inclut un motif de localisation et un motif de base.
Décodabilité : évalue la précision de la largeur des barres et des espaces par rapport à leur taille idéale. Un code-barres présentant une augmentation ou une distorsion de la largeur des barres obtiendra une note de décodabilité faible.
Décodage : vérifie que le code peut être lu à l’aide de l’algorithme de décodage de référence.
Profondeur de champ : Désigne la distance entre l’objet le plus proche et l’objet le plus éloigné qui apparaissent de façon nette dans une image, ou la distance à partir de laquelle un lecteur de codes-barres parvient à lire un code-barres.
Marquage direct de pièces (DPM) : processus consistant à marquer de façon permanente des informations sur le produit, notamment le numéro de série, la référence de pièce, le code de date et le code-barres. Cela permet d’assurer le suivi des pièces tout au long de leur cycle de vie. Exemples : gravure chimique, micro-percussion et marquage laser.
IA discriminative : des modèles d’IA qui prédisent les résultats en fonction de données fournies. Ces résultats peuvent être des classifications, par exemple si une image est « bonne » ou « mauvaise » pour les tâches d’inspection, ou l’identification d’un paragraphe de texte comme positif ou négatif. Les prédictions ne sont pas ouvertes ; les modèles d’IA savent ce qu’ils doivent prévoir, ce qui en fait une approche courante dans les applications de vision industrielle.
Éclairage dôme : apporte un éclairage uniforme à différents angles, éliminant ainsi les reflets, même sur les objets réfléchissants. Il permet le plus souvent d’inspecter des surfaces brillantes, courbes ou bosselées. Il peut être également utilisé pour vérifier les codes DPM imprimés sur des pièces courbes ou texturées. Pour être efficaces, les éclairages dôme doivent être placés à proximité de la cible.
Micro-percussion : méthode de marquage direct de pièces utilisant un stylet en carbure ou en diamant qui se déclenche rapidement et crée une série de petits points sur le matériau. Le stylet se déplace en surface et forme des caractères alphanumériques, ainsi que des codes et logos lisibles par une machine.
Contraste du bord : mesure la différence entre les barres et les espaces adjacents.
Comptage des bords : paramètre de type réussite/échec qui compte le nombre de bords des codes 1D.
Edge learning : technologie d’IA conçue pour faciliter l’utilisation, le traitement des données sur le dispositif ou « à la périphérie », avec des algorithmes préentraînés. Elle est simple à configurer, utilisant des ensembles d’images plus petits (5 à 10 images), avec des périodes d’entraînement et de validation plus courtes que les solutions traditionnelles fondées sur le Deep learning. Aucune expertise dans le domaine n’est nécessaire, les experts non spécialisés en vision peuvent entraîner les outils d’Edge learning et générer des résultats précis en quelques minutes.
Élément : Barre ou espace individuel dans un code-barres linéaire.
IA éthique : Le développement de systèmes d’IA qui accordent la priorité à l’équité, à la transparence, à la responsabilité et au respect des droits de l’homme. Il garantit que les technologies d’IA sont déployées de manière responsable, sans causer de préjudice ni de discrimination, et favorise la prise de décisions qui profitent à la société tout en préservant la vie privée et la diversité. Dans le domaine de la fabrication, l’IA éthique garantit que l’automatisation et les processus pilotés par l’IA favorisent une production plus sûre et plus efficace tout en réduisant les préjugés et en promouvant l’inclusivité.
IA explicable (XAI) : Systèmes d’IA conçus pour clarifier leur processus de prise de décision, afin que les opérateurs puissent faire confiance à la technologie et comprendre comment les technologies d’automatisation influencent la production. En fournissant une transparence sur la manière dont les modèles d’IA parviennent à leurs conclusions, XAI aide les fabricants à déceler des erreurs potentielles, à améliorer l’efficacité et à maintenir la responsabilité dans les processus critiques. Cela favorise la confiance dans les systèmes automatisés, garantissant une analyse plus fiable et plus éclairée.
Apprentissage fédéré : une technique d’entraînement destinée aux modèles de machine learning sur les données décentralisées, dans laquelle les données sont réparties dans plusieurs appareils ou nœuds (comme les smartphones, les appareils IoT, les dispositifs en périphérie, etc.). Au lieu de centraliser les données et d’entraîner le modèle dans un seul emplacement, le modèle est entraîné localement sur chaque appareil et les mises à jour sont agrégées et partagées avec un serveur central.
Champ de vision : la taille d’image ou périmètre de couverture global pris en charge par une caméra.
Motif de localisation : également appelé modèle en L, il relie les côtés gauche et inférieur d’un code 2D et permet au lecteur de situer et de déterminer l’orientation du code lisible par une machine.
Endommagement des modèles fixes : erreurs dans le motif de localisation, le motif d’horloge ou la zone silencieuse du code.
IA générative : un sous-ensemble d’IA axé sur la création de nouveaux contenus, tels que le texte, les images, la musique, l’audio et la vidéo, en apprenant des modèles à partir de données existantes. Ces modèles utilisent des techniques telles que le deep learning et les réseaux neuronaux pour générer des résultats originaux à partir des données sur lesquelles ils ont été entraînés. Contrairement à l’IA industrielle, souvent utilisée pour la classification ou la prédiction, l’IA générative se concentre sur la production de contenus novateurs et créatifs capables d’imiter les contenus créés par l’homme.
Descente du gradient : un algorithme d’optimisation fondamental utilisé dans le machine learning pour minimiser la fonction de coût en ajustant les paramètres du modèle. Il fonctionne en calculant le gradient, ou pente, de la fonction de coût et en se déplaçant dans la direction qui réduit l’erreur, pour finalement converger vers la meilleure solution.
Non-uniformité de la grille : mesure le plus grand écart par rapport à la grille du code ou le degré d’inclinaison des axes X et Y par rapport à un angle de 90°.
Global Standards One (GS1) : développe des normes internationales de communication commerciale, notamment les codes-barres.
Seuil global : point de référence sur une échelle allant du foncé au clair qui permet de déterminer si une cellule est plus proche du clair ou du foncé.
Reconnaissance d'image : utilisation de l’intelligence artificielle pour analyser le contenu d’une image numérique. Les algorithmes de reconnaissance d’image balayent des millions de pixels et appliquent le deep learning ou l’edge learning pour faire la distinction entre les personnes, les lieux et les objets. Ces technologies rendent possibles la lecture des codes-barres et l'inspection automatisée, qui peuvent améliorer de façon drastique la productivité d'une usine automatisée. Voir également : vision industrielle.
Vérificateur de codes-barres en ligne : Système conforme aux normes ISO installé en position fixe sur une ligne de production et utilisé pour évaluer automatiquement la qualité d’un code-barres.
Commission électrotechnique internationale (CEI) : organisation qui établit les normes internationales applicables à tous les domaines de l’électrotechnique et travaillant en partenariat avec l’Organisation internationale de normalisation (ISO) pour établir certaines normes de qualité.
Organisation internationale de normalisation (ISO) : organisme de normalisation composé de représentants de diverses organisations nationales de normalisation. Il existe des centaines de normes ISO, dont certaines concernent les codes-barres, notamment comment les données sont intégrées aux codes-barres, comment les lire, comment mesurer la taille du code-barres et bien d’autres. Trois normes ISO traitent de la qualité des codes : ISO /CEI 15416 pour les codes-barres 1D, ISO /CEI 15415 pour les codes-barres 2D sur étiquette et ISO/CEI TR 29158 pour les codes 2D DPM.
Internet des objets (IoT) : réseau de capteurs connecté à Internet pour combiner l’intelligence en temps réel des machines et le comportement humain. Les dispositifs concernés incluent les smartphones, les appareils portables, les caméras vidéo, les appareils de surveillance du trafic et les capteurs des machines et des lignes de production. Les capteurs IoT génèrent des quantités gigantesques de données nécessaires pour réaliser le machine learning.
ISO/CEI 15416 : norme de vérification des codes-barres pour les codes-barres 1D. Cette norme nécessite l’acquisition de 10 lignes de balayage d’un code et l’attribution d’une note à chaque ligne en fonction de la note de paramètre la plus faible pour la ligne en question. La note officielle est formulée en établissant la moyenne de toutes les notes des lignes de balayage.
ISO/CEI 15415 : Norme de vérification des codes-barres pour les codes 2D sur étiquette. Cette norme évalue les codes selon huit paramètres différents concernant l’image et les données. La plus petite note individuelle devient la note globale du code.
ISO/CEI TR 29158: norme de vérification des codes-barres pour les codes de marquage direct de pièces (DPM). Cette norme est le prolongement de la méthodologie d’évaluation de la qualité des symboles décrite dans l’ISO/CEI 15415. Elle décrit par ailleurs d’autres conditions d’éclairage, quelques nouveaux paramètres, les modifications apportées aux mesures, l’évaluation de certains paramètres et la consignation des résultats d’évaluation.
Grands modèles de langage (LLM) : Modèles avancés de machine learning entraînés sur de vastes quantités de données textuelles afin de comprendre, générer et manipuler le langage humain avec une grande maîtrise. Grâce au deep learning et aux réseaux neuronaux, ils prédisent et produisent des textes qui imitent les schémas du langage naturel, permettant ainsi l’automatisation de tâches telles que la traduction, la synthèse et la génération de contenu. Les LLM, tels que GPT d’OpenAI, améliorent les applications de traitement du langage naturel, favorisant l’efficacité et l’innovation dans la fabrication et au-delà.
Marquage laser : une méthode de marquage direct de pièces utilisant un rayon laser pour étiqueter un objet selon un procédé de gravure, d’ablation sélective (ou enlèvement), de recuit, de décoloration ou de moussage.
Balayage de ligne : système utilisé dans des applications d’inspection continue telles que les processus de fabrication utilisant des bandes. Elles capturent une image large mais très fine lorsque le matériau passe au-delà de la zone de numérisation. Utilise le logiciel pour reconstruire l’image ligne par ligne. Beaucoup plus rapides dans ces applications que les caméras 2D standards.
Machine learning : processus de calcul capables d’améliorer les résultats sans qu’aucune programmation humaine ne soit nécessaire. Les algorithmes basés sur l’apprentissage automatique entraînent un ordinateur à rechercher la réussite et à éviter l’échec des millions de fois afin de générer des résultats d’apprentissage. La reconnaissance d’image, par exemple, analyse des millions d’images afin de distinguer les différents objets présents sur une image numérique. Voir également : données d’apprentissage.
Vision industrielle : application de la vision par ordinateur dans les environnements industriels, à l’aide de caméras, de capteurs et de logiciels pour inspecter, mesurer et prendre des décisions sur les produits présents sur les lignes de fabrication. L’IA améliore la vision industrielle traditionnelle fondée sur des règles en permettant une analyse basée sur l’image, dans laquelle les systèmes comparent les images aux bases de données de référence pour identifier les défauts ou les anomalies. Ce processus automatise les inspections visuelles complexes, améliorant ainsi la qualité des produits, réduisant les erreurs et les coûts. Deux technologies de pointe dans le domaine de l’IA : l’edge learning et le deep learning, permettent de simplifier plus encore l’automatisation de tâches hautement variables trop compliquées et trop longues à programmer avec des algorithmes basés sur des règles.
Systèmes de vision industrielle : une solution qui permet aux machines industrielles de « voir ». À l’aide de caméras et de logiciels de traitement de l’image, ces systèmes capturent et analysent des images pour réaliser diverses tâches dans la production, telles que l’inspection, la mesure et l’identification.
Milliradian : Un millième de pouce (0,001 po), ou 0,0254 mm.
Réflectivité minimale : pour les codes-barres 1D, ce paramètre contrôle le degré de foncé des barres par rapport au taux d’éclairage requis réfléchi par les espaces. Pour les codes DPM, il mesure la luminosité de l’image d’origine. La norme ISO/CEI TR 29158 demande d’utiliser un logiciel de vérification pour éclaircir automatiquement l’image avant de procéder à la vérification. Si le symbole présente une luminosité de moins de 5 % avant l’ajustement, il échouera à la vérification.
Dimension-x minimale : Désigne la limite de résolution de la caméra d’un vérificateur de codes-barres. Pour choisir un vérificateur, la dimension-x minimale doit être inférieure à la taille de la plus petite barre ou du plus petit module dans le plus petit code imprimé ou marqué.
Modulation : évaluation basée sur le degré de variabilité de la réflectivité des modules. Un processus en plusieurs étapes est utilisé pour obtenir la note.
Tunnels de vision modulaires : des tunnels de balayage flexibles conçus pour augmenter la vitesse et l’efficacité des opérations logistiques, telles que le tri, la réception entrante et la logistique sortante. Ils offrent une lecture de codes-barres à 1 à 6 côtés, sont évolutifs pour de nombreuses vitesses et écarts d’emballage, et sont dotés de lecteurs de codes-barres basés sur l’image DataMan avec des taux de lecture fiables et un décodage de symbologie mixte.
IA multimodale : systèmes d’IA qui traitent et intègrent plusieurs types de données, tels que le texte, les images, l’audio et la vidéo simultanément, pour des informations plus précises et contextuelles. En associant ces données, ils améliorent les applications telles que les inspections automatisées dans la fabrication, où les données visuelles et textuelles améliorent la détection des défauts. Cette capacité permet à l’IA d’interpréter plus efficacement les environnements complexes, ce qui améliore l’efficacité, la précision et la capacité d’adaptation dans les tâches industrielles et d’automatisation.
Traitement du langage naturel (NLP) : branche de l’IA qui permet aux ordinateurs de comprendre, d’interpréter, de générer et de répondre au langage humain. En associant la linguistique et le machine learning, le NLP alimente des applications telles que l’analyse des sentiments, la traduction et le traitement automatisé du texte. Il améliore l’efficacité grâce à des systèmes de commande à commande vocale, permettant aux opérateurs d’interagir avec les machines via des commandes vocales. Il automatise également l’analyse des journaux et des rapports de maintenance, en identifiant des modèles pour la maintenance prédictive et en réduisant les temps d’arrêt. Le NLP peut optimiser la gestion de la chaîne logistique en traitant les commandes d’approvisionnement et les données d’expédition, ce qui permet une prise de décision plus intelligente et d’améliorer l’efficacité opérationnelle.
Réseaux neuronaux : algorithmes et nœuds de données inspirés des voies neuronales du système nerveux humain. Un réseau neuronal émule la façon dont les cellules nerveuses reçoivent l’information et la transmettent à d’autres nerfs. Les milliers de nœuds de traitement qui composent le réseau neuronal trouvent des modèles dans les données, par exemple des images, du texte ou des mots prononcés. Ces modèles aident l’algorithme à décider de la prochaine action à effectuer et à s’améliorer à chaque fois qu’il réussit une tâche.
vérificateur de codes-barres hors ligne : système portatif ou de bureau conforme aux normes ISO utilisé pour évaluer manuellement la qualité d’un code-barres, souvent au moyen d’une analyse des échantillons par lots.
Reconnaissance optique de caractères (OCR) : traduction de nombres, de lettres et de caractères imprimés en données numériques significatives. Les technologies fondées sur l’intelligence artificielle font faire un bond en avant en matière de précision de reconnaissance optique de caractères (OCR) en permettant la lecture d’étiquettes pliées, déchirées, endommagées et masquées par des emballages plastiques.
Surapprentissage : lorsqu’un modèle de machine learning est excessivement complexe et apprend non seulement les modèles sous-jacents dans les données, mais aussi le bruit ou les fluctuations aléatoires. Par conséquent, le modèle fonctionne très bien sur les données d’entraînement, mais mal sur les données nouvelles et invisibles, car il a essentiellement mémorisé l’ensemble d’entraînement plutôt que de le généraliser. Cela réduit la capacité du modèle à faire des prédictions précises sur des données du monde réel.
Présence/absence : Processus consistant à déterminer si une partie, un objet ou une caractéristique spécifique est présent ou absent dans une image. Divers outils logiciels, tels que les outils de comptage de pixels, de modèle et de présence/absence des bords, sont utilisés pour rechercher des pièces en fonction du nombre de pixels, de la reconnaissance de motif ou des caractéristiques de bord linéaire.
Zones silencieuses : espace vierge situé autour du code-barres pour le séparer des graphiques, formes et textures environnants. Les spécifications individuelles des codes-barres déterminent la taille de la zone silencieuse.
Marge de réflectivité : la modulation et la marge de réflectivité désignent souvent la même chose, elles diffèrent uniquement lorsque certains modules sont identifiés comme étant de la mauvaise couleur et que la correction d’erreur est utilisée.
Régularisation : une technique de machine learning qui permet d’améliorer la précision du modèle en évitant le surapprentissage. Elle y parvient en ajoutant une pénalité pour la complexité, ce qui encourage des modèles plus simples qui fonctionnent mieux sur les nouvelles données. Les types courants de régularisation comprennent Lasso, Ridge et Elastic Net, qui contribuent chacun à créer des modèles plus fiables.
L’apprentissage par renforcement : Type de machine learning dans lequel un agent apprend à prendre des décisions en interagissant avec un environnement pour maximiser les récompenses cumulées. L’agent, qui peut être un programme logiciel ou un robot physique, reçoit un retour d’information sous forme de récompenses ou de pénalités en fonction de ses actions. Grâce à l’essai et à l’erreur, il affine sa stratégie, améliorant les performances au fil du temps. Cette approche est particulièrement efficace dans les scénarios de prise de décision séquentielle, tels que la robotique, les jeux ou les véhicules autonomes.
Automatisation des processus par la robotique : dispositifs, logiciels et processus qui permettent d’automatiser les processus de production tout en améliorant la productivité et en déchargeant les employés des tâches fastidieuses et répétitives. Les systèmes d’automatisation des processus par la robotique incluent les bras robotisés qui effectuent des tâches telles que le soudage des pièces automobiles ou l’assemblage des microprocesseurs. Les logiciels d’automatisation des processus par la robotique peuvent inclure les algorithmes et les applications d’automatisation des processus qui nécessitaient auparavant que des données soient entrées par un humain.
Profil de réflectivité de balayage (SRP) : représente l’évolution des valeurs de réflectivité d’un code-barres linéaire sur toute sa largeur. Cela constitue une base pour la mesure et l’évaluation des paramètres de qualité utilisés.
Analyse des sentiments : processus consistant à déterminer par calcul si un écrit est positif, négatif ou neutre. Il classe le texte en fonction de l’humeur ou de la mentalité exprimée, à l’aide de divers algorithmes de traitement du langage naturel tels que les approches fondées sur des règles, automatiques et hybrides.
Contraste des symboles : valeur évaluée qui mesure la différence entre la réflectivité maximale sur l’espace le plus clair et la réflectivité minimale sur la barre la plus foncée d’un code.
Données structurées : un cadre destiné à aider les machines à comprendre la signification des données et à les traiter avec précision. Les données structurées sont enregistrées dans des formats uniformes, par exemple les lignes, les colonnes et les cellules d’une feuille de calcul.
Données non structurées : un cadre supplémentaire qui aide les machines à comprendre ce que signifient les données et comment elles doivent être traitées. Les données non structurées sont comme le texte dans un fichier de traitement de texte ou les pixels dans une vidéo. Grâce aux algorithmes d’intelligence artificielle, les systèmes d’automatisation industrielle sont capables d’extraire des connaissances de ces deux types de données.
L'apprentissage supervisé : Une type de machine learning dans lequel le modèle est entraîné sur des données étiquetées, chaque entrée étant couplée à la sortie correcte. Le modèle apprend à cartographier les entrées aux sorties correctes en trouvant des modèles dans les données pendant l’entraînement. Une fois entraîné, le modèle peut faire des prédictions sur de nouvelles données non vues basées sur ces modèles appris.
Intelligence en essaim : ensemble d’algorithmes travaillant conjointement pour produire une intelligence supérieure à celle des individus qui composent l’essaim. Modélisé sur le comportement des abeilles, des poissons, des oiseaux et d’autres organismes sociaux, le système d’intelligence en essaim attribue des tâches spécifiques simples à chaque algorithme basé sur l’apprentissage automatique. Le fait que ces algorithmes travaillent ensemble permet d’obtenir des résultats d’apprentissage bien plus sophistiqués que ceux qu’un algorithme serait capable de générer à lui tout seul. Voir également : réseaux neuronaux.
Tokenisation : processus fondamental dans le traitement du langage naturel (NLP) qui consiste à décomposer un flux de texte en unités plus petites appelées tokens (jetons). Ces jetons peuvent aller de caractères individuels à des mots ou des phrases complets, ce qui facilite l’analyse et la compréhension du langage humain par les machines.
Traçabilité : Capacité à effectuer le suivi et la traçabilité de l’historique, de l’application ou de l’emplacement d’un article tout au long de la chaîne logistique. Elle recueille des informations sur le processus de fabrication, comme l’origine d’un produit, les matériaux qu’il contient et la manière dont il a été fabriqué.
Données d’apprentissage : informations numériques qui alimentent l’apprentissage d’un algorithme basé sur l’intelligence artificielle. Les algorithmes d’IA et des réseaux neuronaux doivent connaître la différence entre les bonnes données et les données défectueuses. Les données d’apprentissage leur permettent de comprendre cette différence. Dans une usine automatisée, par exemple, les images numériques constituent des données d’apprentissage qui permettent aux algorithmes d’apprendre à rechercher les pièces défectueuses d’une machine et ainsi d’éviter qu’elles ne se retrouvent dans les produits finis.
L’apprentissage par transfert : une technique de machine learning dans laquelle un modèle entraîné à une tâche est réaffecté pour devenir la base d’une deuxième tâche. Cette approche fonctionne mieux lorsque la deuxième tâche est liée à la première tâche ou lorsque les données de la deuxième tâche sont limitées. En utilisant les fonctionnalités apprises lors de la première tâche, le modèle peut s’adapter plus efficacement à une nouvelle tâche.
Sous-apprentissage : lorsqu’un modèle de machine learning est trop simple pour capturer les modèles sous-jacents dans les données. Cela se produit généralement lorsque le modèle n’a pas assez de complexité, ou lorsque les fonctionnalités qu’il utilise sont trop limitées. Cela se traduit par de mauvaises performances tant sur les données d’entraînement que sur les données inconnues, ce qui nuit à la capacité du modèle à généraliser et à faire des prédictions précises. C’est l’un des problèmes à éviter lors de la création de modèles d’IA, car cela limite la capacité du modèle à généraliser et à faire des prédictions précises.
Correction d’erreur non utilisée : Pourcentage de la capacité de correction d’erreur disponible pour d’autres modules incorrects.
L'apprentissage non supervisé : Une approche du machine learning dans laquelle le modèle est formé sur les données sans résultats étiquetés. L’objectif est de permettre au modèle d’identifier de manière autonome les modèles, les relations ou les structures au sein des données. Il est souvent utilisé pour le clustering, la détection d’anomalies ou la découverte d’informations dissimulées au sein de grands ensembles de données.
Validation : confirme que le format des données du code-barres est conforme aux exigences de l’application afin de permettre au système informatique qui reçoit les données du code-barres de les interpréter correctement.
Dimension-x : Taille de la barre la plus étroite ou du plus petit module dans n’importe quel code-barres, normalement exprimée en milliradian.