Comment les systèmes de vision prennent-ils des décisions basées sur ce qu’ils voient ?
Bien que la vision industrielle fondée sur des règles reste la technologie la plus répandue, divers systèmes utilisant le Machine learning alimenté par l’IA sont devenus suffisamment efficaces et flexibles pour prendre le relais dans de nombreuses applications.
Souvent, une combinaison de vision industrielle basée sur des règles et d’apprentissage automatique basé sur l’IA peut fournir la solution la plus efficace.
Systèmes basés sur des règles
La vision industrielle classique basée sur des règles utilise des règles spécifiques pour prendre des décisions concernant une image. « Laisser passer la bouteille si elle est au moins remplie à ce niveau. » Les règles sont programmées par des ingénieurs en vision possédant une connaissance approfondie de la meilleure combinaison de techniques pour obtenir la sortie souhaitée.
Les règles sont utilisées pour créer des programmes s’attaquant à des tâches spécifiques, telles que détecter le bord entre les zones claires et sombres ou mesurer la distance entre deux points.
Ces règles peuvent ensuite être utilisées l’une après l’autre sur une image, dans ce que l’on appelle « le chaînage d’outils », pour effectuer un large éventail de tâches sophistiquées. Elles sont également très performantes pour l’inspection à grande vitesse et haute précision de produits ou de pièces prévisibles et uniformes.
Deep learning
Le Deep learningutilise l’IA pour alimenter les systèmes de vision industrielle en utilisant des exemples pour entraîner le logiciel avec des images étiquetées jusqu’à ce qu’il puisse faire des distinctions seul.
Cet entraînement imite la façon dont les humains apprennent, en aidant le système à apprendre à prendre des décisions précises sans être déstabilisé par des variations non pertinentes.
Les opérateurs entraînent les systèmes de Deep learning avec des centaines d’images étiquetées, par exemple, avec une variété de défauts possibles dans une pièce fabriquée, ou plusieurs assemblages différents à classer.
Une amélioration significative par rapport aux systèmes fondés sur des règles est que les systèmes utilisant le Deep learning apprennent à faire la distinction entre un large éventail de défauts réels et de simples variations cosmétiques sans avoir besoin d’afficher tous les résultats possibles, une tâche chronophage, voire impossible à accomplir, à l’aide de la programmation fondée sur des règles.
Contrairement aux systèmes basés sur des règles, les systèmes utilisant le Deep learning ne nécessitent pas de programmeurs expérimentés ou d’expertise en vision industrielle pour être mis en place. En revanche, ils ont besoin qu’une personne ayant une bonne connaissance des produits inspectés fournisse des centaines d’images de composants défectueux et de bons composants.
Le Deep learning excelle dans la vérification des assemblages, la détection des défauts et la classification des pièces complexes qui varient de manière imprévisible. Il est également efficace pour fournir des résultats précis, même lorsque les pièces sont réfléchissantes ou que les images sont déformées.
Edge learning
L’Edge learning est un autre type d’IA, optimisé pour répondre aux besoins de l’automatisation industrielle. Le système est préentraîné pour résoudre les types de problèmes généralement rencontrés par l’automatisation industrielle.
Une fois cet entraînement préalable terminé, un système utilisant l’Edge learning peut être entraîné à résoudre un problème d’inspection industrielle spécifique avec seulement cinq images, ce qui le rend encore plus facile et plus rapide à déployer qu’un système utilisant le Deep learning.
L’Edge learning permet aux ingénieurs de supervision de ligne de mettre rapidement en œuvre une fonction de classification ou de détection des défauts optimisée sur leur ligne, sans formation spécialisée. Ne nécessitant pas de processeur sophistiqué, un tel système peut être rapidement déployé là où il est requis.
Les avantages de l’Edge learning résident dans sa vitesse, sa faible demande en ressources de calcul, sa flexibilité et sa convivialité.
Comparaison entre les systèmes basés sur des règles et basés sur l’IA
Pour choisir entre un système basé sur des règles, sur le Deep learning ou sur l’Edge learning, vous devrez principalement prendre en compte le type d’application que vous mettez en œuvre.
- Les outils de vision fondés sur des règles sont efficaces pour une variété de tâches spécialisées sur des cibles uniformes, telles que l’emplacement, la mesure ou l’orientation.
- L’Edge learning excelle dans les tâches reproductibles avec des cibles modérément uniformes.
- Le Deep learning s’avère remarquable lorsque vous recherchez des défauts complexes ou que vous analysez des images présentant des variations importantes.