Blogs Cognex

Comment le Deep Learning contribue-t-il à l’automatisation des inspections pour le secteur automobile

deep learning for automotive inspections

Les fabricants automobiles ont été parmi les premiers à bénéficier de la mécanisation, de l’automatisation et des améliorations de productivité apportées par la vision industrielle. Aujourd’hui, presque tous les composants, systèmes et sous-ensembles d’une automobile sont fabriqués à l’aide des technologies de vision industrielle et de lecture de codes-barres. Grâce aux avancées notables de l’intelligence artificielle, de nombreux fabricants de voitures et de pièces se tournent désormais vers les logiciels d’analyse d’images basés sur le Deep Learning pour automatiser les processus qui sont toujours effectués manuellement car considérés, jusque récemment, comme trop difficiles à automatiser.

Historiquement, ces applications impliquaient la localisation de pièces imprévisibles, l’inspection esthétique sur des arrière-plans confus et la classification, une catégorie d’inspection impossible à automatiser avec les algorithmes de vision industrielle. En automatisant ces catégories d’applications avec l’aide d’un logiciel basé sur le Deep Learning, les fabricants peuvent améliorer leur productivité en limitant les défauts et les faux rejets. Les autres avantages associés au déploiement de cette technologie incluent l’amélioration de la qualité globale et la réduction potentielle de la main-d’œuvre.

Poursuivez la lecture de cet article pour découvrir comment les fabricants automobiles utilisent l’analyse d’images basée sur le Deep Learning dans leurs usines pour améliorer la détection des défauts, la reconnaissance optique de caractères (OCR), la vérification de l’assemblage et la classification.

Détection des défauts

Les fabricants automobiles ont tout intérêt à garantir l’intégrité de leurs composants et sous-ensembles, car même les plus petits défauts peuvent compromettre le fonctionnement et la sécurité d’une pièce. Et pourtant, les défauts esthétiques n’entraînent pas tous des problèmes de fonctionnement.

Prenons, par exemple, un piston dans un moteur à piston. Les rayures sur les joints de soudure du piston peuvent nuire à ses performances. Les autres défauts, comme les taches de rouille et même certaines fissures superficielles, sont purement esthétiques. Les différences entre ces défauts peuvent être difficiles à évaluer pour les systèmes d’inspection automatisés en raison de la subtilité de leur présentation (une rayure peut ressembler à une fissure) et des erreurs liées à la vision.

Les surfaces métalliques soudées produisent des reflets spéculaires qui peuvent gêner les caméras. Pour cette raison, de nombreux fabricants continuent de faire appel à des inspecteurs humains au lieu d’automatiser l’inspection des soudures métalliques texturées. En effet, bien que plus lents et sujets à la fatigue, les inspecteurs humains sont plus à même d’identifier et de caractériser correctement les subtilités d’ordre esthétique.

détection des défauts basée sur le deep learning

Heureusement, les avancées en matière de Deep Learning ont rendu possibles la détection et la caractérisation automatiques des défauts variables et imprévisibles sur les surfaces métalliques comme les soudures, sans qu’une inspection manuelle soit nécessaire. Un nouveau logiciel puissant est capable d’identifier mais aussi de caractériser ces défauts, tout comme le feraient l’œil et le cerveau humains. La programmation de ce type d’inspections nécessiterait des algorithmes complexes avec de vastes bibliothèques de défauts mais, là encore, les inspections seraient tout de même susceptibles de générer des erreurs.

En revanche, les algorithmes de Deep Learning apprennent à partir d’images d’exemple pour créer leurs propres modèles de défauts de soudure. Après une première période d’apprentissage, ces systèmes peuvent tolérer des images floues sans mise au point et des arrière-plans difficiles de façon à évaluer et reconnaître même les plus petites variations et les classer correctement. Ils ont aussi pour avantage d’être rapides. Ces programmes, qui peuvent être exécutés comme des logiciels ou intégrés directement sur les caméras intelligentes, s’avèrent rapides et constants. En associant leur rapidité et leur constance avec l’intelligence anthropomorphe, les systèmes basés sur le Deep Learning offrent des performances imbattables.

Compte tenu des nombreux défauts et problèmes d’éclairage possibles, l’analyse basée sur le Deep Learning offre une alternative simple et fiable à l’inspection par vision industrielle classique. Lorsque le système est entraîné durant l’exécution, le logiciel basé sur le Deep Learning apprend à reconnaître et à ignorer les variations concernées, à la suite de quoi il parvient à caractériser les images de soudures surchargées ou sous-chargées comme défectueuses.

Reconnaissance optique de caractères

La lecture automatisée de caractères peut également être source de confusion pour un système d’inspection en présence d’un éclairage spéculaire, de reflets et d’une peinture colorée. Généralement, les outils de reconnaissance et de vérification optiques de caractères reconnaissent les caractères afin de les lire et de vérifier leur exactitude, tout en donnant à l’utilisateur la possibilité d’améliorer la vitesse et le taux de lecture de ses systèmes.

La majorité des outils de reconnaissance et de vérification optiques de caractères aujourd’hui disponibles peuvent lire de façon rapide et fiable les polices noires imprimées sur un arrière-plan blanc immaculé. Sans surprise, ces conditions idéales sont plutôt rares dans la plupart des environnements industriels. Si les algorithmes avancés parviennent désormais à apprendre et à lire la plupart des polices imprimées, même avec un faible contraste entre les caractères et l’arrière-plan ainsi qu’une variation significative de la largeur et de la hauteur, les problèmes s’accumulent dès lors que les lettres ou les chiffres se touchent ou sont asymétriques ou déformés.

L’outil peut également avoir du mal à différencier des formes similaires (par exemple, la lettre « O » et le chiffre « 0 ») s’il n’a pas été entraîné au préalable sur cette police spécifique. Que se passe-t-il en présence d’un éclairage spéculaire, de reflets et d’une peinture colorée ? Ou lorsque les caractères alphanumériques sont déformés et non plus reconnaissables immédiatement ? En temps normal, ces situations exigeraient un étiquetage excessif au cours du processus d’apprentissage, et l’inspection pourrait tout de même échouer.

reconnaissance optique de caractères basée sur le deep learning pour l’automobile

Dans le cas d’un code NIV de voiture, les fabricants doivent pouvoir lire rapidement une chaîne de lettres et de chiffres pouvant être imprimée sur différentes surfaces. Les conditions de l’environnement ainsi que la déformation de l’impression peuvent gêner le système de vision industrielle lors de la localisation et de la reconnaissance des caractères, qui peuvent avoir été marqués directement sur une pièce (DPM), gravés, marqués sur une plaque métallique ou imprimés sur une étiquette. Pour cette tâche, les fabricants automobiles peuvent désormais se tourner vers la reconnaissance optique de caractères (OCR) basée sur le Deep Learning, plus performante que les outils OCR basés sur la vision industrielle, lorsqu’ils ont affaire à des polices complexes et à des difficultés avec la formation d’images.

L’outil de reconnaissance optique de caractères (OCR) basé sur le Deep Learning de Cognex est unique en son genre et s’appuie sur des fonctionnalités omnipolices prédéfinies pour reconnaître les caractères, même lorsque ces derniers sont masqués par une déformation de l’impression, un contraste faible ou élevé, ou des reflets. En cas d’erreur de lecture, le modèle de Deep Learning a seulement besoin d’être réentraîné avec des exemples supplémentaires des caractères manquants, ce qui permet de gagner du temps et de réduire les taux d’échec.

Vérification de l’assemblage

Les assemblages incomplets ou défectueux peuvent s’avérer difficiles à inspecter pour plusieurs raisons : plusieurs pièces nécessitent de mettre au point un algorithme minutieux et ces scènes peuvent créer une confusion visuelle en raison de leur forme et de leur arrière-plan. Dans ce cas, le système automatisé doit être capable d’apprendre l’apparence normale et correcte d’une scène tout en tenant compte des variations légères susceptibles ou non de nuire à la qualité.

inspection des fils pour l’automobile

Pour les assemblages de grande taille et complexes, le système d’inspection doit également pouvoir segmenter des zones spécifiques, notamment celles qui constituent des zones d’intérêt pour l’inspection ou qui contiennent des défauts. Compte tenu de ces facteurs, la programmation basée sur les règles serait trop fastidieuse et sujette aux erreurs. À l’inverse, les outils de détection des défauts, de localisation et de disposition basés sur le Deep Learning peuvent développer des modèles s’appuyant sur l’intelligence artificielle pour identifier les zones d’intérêt ciblées dans une image, en apprenant simplement les variations d’apparence possibles à partir d’un échantillon d’images représentatif, et les inspecter pour vérifier qu’elles sont complètes.

De cette façon, le système basé sur le Deep Learning crée un modèle d’assemblage de référence fiable, par exemple une portière, et peut confirmer de façon rapide et fiable que tous les composants sont présents, correctement positionnés à l’endroit prévu et assemblés en intégralité. Bien que les inspecteurs humains soient tout à fait qualifiés pour ce type de jugement, le Deep Learning effectue cette tâche avec la rapidité, la précision, l’évolutivité et la robustesse d’un ordinateur.

Classification

Revenons à notre exemple de détection des défauts sur les joints de soudure pour mieux comprendre la proposition de valeur du Deep Learning. Comme expliqué précédemment, le manque d’uniformité des joints peut être anormal sans pour autant entraîner un défaut de fonctionnement. En plus de détecter les défauts, le système d’inspection automatisé doit également les classer correctement comme « bons » (correct, passable) ou « mauvais » et, le cas échéant, indiquer le motif du rejet. Les fabricants ont besoin de données pour comprendre si de trop nombreux défauts d’un même type entraînent un rejet sur la ligne afin de modifier les méthodes de production ou de limiter l’apparition de ce type de défaut en amont.

La vision industrielle, avec les limites qu’on lui connait, ne permet pas au système de classer les images. Pourtant, avec les avancées en matière de réseaux neuronaux, les programmes basés sur l’intelligence artificielle peuvent désormais procéder à une classification en fonction des images. L’intelligence artificielle est effectivement capable de classer des images d’une même pièce en sous-catégories en apprenant ses principales caractéristiques visuelles. Une fois qu’il a été entraîné à l’aide un ensemble d’images représentatives et étiquetées de chaque catégorie, le modèle de Deep Learning apprend à voir la différence entre les images obtenues en temps réel et à les classer en plusieurs catégories, par exemple selon le type de bougies d’allumage.

inspection des bougies d’allumage basée sur le deep learning

Le Deep Learning est l’outil le plus récent dont disposent les ingénieurs en applications d’inspection pour enfin relever les défis complexes associés aux inspections pour le secteur automobile. Ces tâches, qui ont longtemps été considérées comme réalisables uniquement par des inspecteurs humains, peuvent désormais être confiées à un système de vision s’appuyant sur la technologie de Deep Learning.

Plus d’articles

ACCÉDEZ À L'ASSISTANCE ET À LA FORMATION POUR LES PRODUITS ET PLUS

Rejoignez MyCognex

AVEZ-VOUS DES QUESTIONS ?

Les représentants de chez Cognex sont disponibles dans le monde entier pour soutenir votre vision et vos besoins de lecture de codes-barres industriels.

Contact commercial
Loading...