Entraîner l’Edge Learning

Transcription :

Bonjour, je m’appelle Tyler Ducharme et je suis spécialiste en marketing technique au sein de l’équipe produit Insight de Cognex. Aujourd’hui, j’aimerais vous expliquer comment configurer une application In-Sight 2800 avec notre tout nouvel outil de classification vidi EL.

Pour ce qui est de mon installation, je possède une caméra intelligente In-Sight 2800 équipée d’une lampe et d’un objectif intégrés et branchée sur une alimentation 24 volts. Avec notre nouvel outil de classification vidi EL, combiné à la caméra intelligente In-Sight 2800, je vais vous montrer comment nous avons simplifié la vision industrielle. Voici donc la suite logicielle In-Sight vision que nous utilisons pour configurer nos applications In-Sight. Comme vous pouvez le voir, je suis déjà connecté à la caméra intelligente In-Sight 2800. 

Tout d’abord, nous allons sélectionner notre source ; dans le cas présent, nous allons simplement utiliser la caméra elle-même. Pour cela, il suffit de configurer notre éclairage et notre mise au point en deux simples clics de bouton. Donc tout ce que j’ai à faire, c’est de cliquer sur ‘optimiser l’éclairage’ pour avoir une belle image lumineuse, puis de cliquer sur la mise au point pour obtenir notre image et la mise au point. La première étape de l’entraînement de l’outil de classification consiste à définir la région d’intérêt que nous voulons inspecter. Une fois que j’ai configuré la région, j’appuie sur OK. Ce que l’outil va faire, c’est me montrer les deux classes par défaut, c’est-à-dire OK et NON OK. L’outil va automatiquement attribuer une étiquette à OK, comme la première image. J’ai maintenant ma pièce OK sous la caméra. Autre point à souligner, c’est ce qui se passe lorsque la pièce n’est pas du tout dans l’image et qu’il n’y a pas de pièce. Dans ce cas, ce qui est pratique avec notre outil, c’est que nous pouvons ajouter une autre classe et l’appeler « pas de pièce ». Nous allons cette classe et l’entraîner au fur et à mesure. Commençons par rassembler quelques images. C’est la partie la plus agréable. Je peux me déplacer un peu dans l’image, déclencher la caméra et cette fois encore, c’est une pièce OK. Il me suffit d’appuyer sur le bouton OK et vous verrez que mon nombre d’images s’incrémente ici et que j’ai effectivement entraîné cette image. Vous allez remarquer un anneau vert autour d’un cercle jaune. Le cercle jaune indique quelle classe est prédite et l’anneau vert représente le niveau de confiance. Dans ce cas, juste parce que je viens de l’entraîner, le score de confiance est de 100 %.

Maintenant, introduisons des pièces défectueuses avec un joint cassé, déclenchons la caméra ; jusqu’à présent, nous n’avons pas encore entraîné de pièces défectueuses. L’outil a donc du mal à prédire à quelle classe elles appartiennent ; dans ce cas, il n’a confiance dans aucune des classes que nous avons jusqu’à présent. Une fois que nous commençons l’entraînement, vous verrez que notre confiance monte en flèche à 88 %, puis pour finir nous verrons le « pas de pièce », ce qui est assez simple. Prenez une image d’entraînement « pas de pièce », celle-ci me semble plutôt bien. Je tiens à souligner la métrique de la santé du modèle, ici en bas. Nous utilisons cette mesure de la santé du modèle pour décider quand notre application est prête à être déployée. En général, une valeur supérieure à 80 % qui se stabilise au fur et à mesure que nous ajoutons des images : ceci représente une bonne règle pour savoir quand déployer votre application. Je vais ajouter quelques images supplémentaires ici, donc je vais aller dans cette fenêtre d’édition de classes. En fait, j’ai collecté au préalable un échantillon d’images pour pouvoir les importer dans l’outil. Sélectionnons le dossier. Et voilà. Nous avons donc apporté un total de 10 images et vous pouvez maintenant voir que chacune d’entre elles a une prédiction avec l’anneau vert. Sélectionnons-les toutes. Les étiqueter toutes ensemble en même temps est un vrai jeu d’enfant. Il me suffit de cliquer et de faire glisser dans la classe où nous voulons les entraîner. Celles-ci semblent toutes OK. Encore une fois, nous pouvons les sélectionner toutes, cliquer et les faire glisser directement dans la classe. Retournons maintenant dans l’édition des classes. Comme vous pouvez le voir, la santé de notre modèle est maintenant à 99 %. Nous avons donc entraîné huit images pour « NON OK », deux images pour « Pas de pièce » et neuf images pour « OK ». Je pense que cette application est prête à être déployée. Alors allons-y et testons-la. Je vais mettre l’appareil en ligne. Pour l’instant, nous n’avons aucune pièce sous la caméra. Plaçons une pièce en dessous. Elle est OK. Je peux la déplacer dans l’image et vous pouvez voir que notre confiance est très, très élevée. Vous pouvez faire pivoter la pièce, cela semble bien. Maintenant, mettons une pièce « NON OK » en dessous : nous pouvons à nouveau faire pivoter la pièce et la déplacer. Parfait. Ajoutons peut-être un peu plus de variation. Encore une fois, la classification est toujours correcte. Voilà, je pense que cela semble bien.

La dernière chose que je voudrais vous montrer, c’est la création d’un affichage IHM en cours d’exécution pour les utilisateurs qui pourraient se trouver dans l’atelier pour surveiller cet appareil. Passons donc à l’étape IHM et heureusement pour nous, une grande partie des informations qu’un utilisateur pourrait vouloir connaître sont déjà affichées par défaut. Nous avons la région d’intérêt où nous inspectons la pièce, la classe prédite sur l’image elle-même ainsi que dans cette boîte grise ici. Imaginons qu’un utilisateur veut savoir quel est le degré de confiance de l’outil dans sa prédiction. Tout ce que nous avons à faire est d’accéder à ce menu déroulant, nous avons toutes les différentes propriétés de l’outil et vous pouvez trouver le score de classe prédit, c’est-à-dire le pourcentage. Nous pouvons juste afficher cela directement, puis revenir en ligne en montrant la pièce OK. Et maintenant, nous avons aussi notre score de confiance prédit pour la classe. Ici, c’est « NON OK ». Parfait. Je pense que c’est à peu près tout pour ce qui est de configurer l’affichage IHM.

Pour récapituler le tutoriel d’aujourd’hui, nous nous sommes d’abord connectés à notre appareil et à la suite Vision Insight. Nous avons ensuite configuré notre image en deux simples clics. Nous avons utilisé notre outil de classification vidi EL et créé trois classes : « OK », « NON OK » et « Pas de pièce ». Nous avons pris plusieurs images de chaque type de pièce et avons attribué une classe aux images appropriées. Ensuite, lorsque la santé de notre modèle dépassait les 80 % et se stabilisait, nous avons exécuté notre tâche et nous sommes assurés que les pièces étaient classées correctement.