Blogs Cognex

En quoi le deep learning diffère-t-il de la vision industrielle classique

deeplearningheader

Fondamentalement, les systèmes de vision industrielle reposent sur des capteurs numériques incorporés dans des caméras industrielles dotées d'optiques spéciales permettant l'acquisition d'images. Ces images sont ensuite transmises à un PC de façon à ce qu'un logiciel spécialisé puisse traiter, analyser et mesurer différentes caractéristiques pour la prise de décision.

Ces systèmes sont toutefois rigides et trop limités pour être utilisés au sein d'un environnement d'automatisation industrielle. Les systèmes de vision industrielle sont performants avec les pièces uniformes bien fabriquées. Ils utilisent des algorithmes basés sur les règles de filtrage étape par étape, plus économiques que l'inspection humaine.

Sur une ligne de production, un système de vision industrielle basé sur les règles peut inspecter des centaines, voire des milliers de pièces par minute. Mais les résultats de ces données visuelles s'appuient toujours sur une approche de programmation basée sur les règles pour résoudre les problèmes d'inspection, ce qui fait de la vision industrielle l'outil idéal dans les cas suivants :

  • Guidage : déterminer la position et l'orientation d'une pièce, les comparer à une tolérance donnée et s'assurer qu'elle ait un angle correct afin d'en vérifier le bon assemblage. Peut être utilisé pour localiser les principales caractéristiques d'une pièce pour d'autres outils de vision industrielle.
  • Identification : lire les codes-barres (1D), les codes DataMatrix (2D), les codes DPM (marquage direct) et les caractères imprimés sur les pièces, étiquettes et emballages. Identifier les articles selon leur couleur, leur forme ou leur taille.
  • Mesure : calculer la distance entre deux points ou plus, ou entre les emplacements géométriques sur un objet, et déterminer si ces mesures sont conformes aux spécifications.
  • Inspection : détecter des anomalies ou d'autres irrégularités sur les produits, telles que les étiquettes n'adhérant pas correctement ou l'absence de bagues d'inviolabilité, de bouchons, etc.

Le deep learning utilise une approche basée sur les exemples au lieu d'une approche basée sur les règles pour relever certains défis de l'automatisation industrielle. En tirant parti des réseaux neuronaux pour apprendre à un ordinateur ce qu'est une bonne image en fonction d'un ensemble d'exemples étiquetés, le deep learning peut analyser, localiser et classer des objets, et lire des marquages imprimés, par exemple.

Dans le monde réel, une entreprise peut tenter d'inspecter les écrans d'appareils électroniques à la recherche de rayures, d'éclats ou d'autres défauts. Ces défauts sont tous différents en termes de taille, cadre, position et arrière-plan. Le deep learning permet de déterminer la différence entre une bonne pièce et une pièce défectueuse, en examinant ces variations attendues. De plus, l'entraînement du réseau sur une nouvelle cible, notamment un différent type d'écran, est aussi facile que l'utilisation d'un nouvel ensemble d'images de référence.

portabledeeplearning 

Cela rend le deep learning particulièrement habile pour :

  • Répondre aux besoins des applications de vision trop difficiles à programmer à l'aide d'algorithmes basés sur les règles ;
  • Gérer des arrière-plans confus et des variations d'aspect des pièces ;
  • Gérer des applications et être réentraîné avec de nouvelles données d'image dans l'atelier ;
  • Être adapté à de nouveaux exemples, sans avoir à reprogrammer les réseaux de base.

Le deep learning est désormais utilisé dans des applications qui nécessitaient généralement une inspection manuelle, telles que la vérification de l'assemblage final. Ces tâches étaient jusqu'alors considérées comme trop difficiles à automatiser. Grâce au deep learning, ces tâches peuvent maintenant être réalisées avec un système de vision de façon plus uniforme, plus fiable et plus rapide directement sur la ligne de production.

Les humains excellent dans l'art de catégoriser des choses différentes mais similaires. Nous parvenons à identifier en quelques secondes les variations dans un ensemble d'objets donné. En ce sens, les outils de deep learning associent les avantages de l'intelligence évolutive humaine et l'uniformité, la répétabilité ainsi que l'extensibilité de la vision industrielle basée sur les règles classiques.

La compréhension de ces différences est essentielle pour toute entreprise se lançant dans l'automatisation industrielle. En effet, ces différences permettent de déterminer lorsqu'il est judicieux de tirer parti de l'une ou l'autre dans une application d'automatisation industrielle.

Bien que les systèmes de vision industrielle classiques soient performants avec les pièces uniformes bien fabriquées, les algorithmes deviennent difficiles à programmer avec l'augmentation des bibliothèques de défauts et d'exceptions. Autrement dit, à un moment donné, la vision industrielle basée sur les règles ne répondra pas le mieux aux besoins de certaines applications nécessaires pour l'automatisation industrielle.

Les textures de surface complexes et les variations d'aspect des pièces présentent d'importants défis d'inspection. Les systèmes de vision industrielle basés sur les règles ont du mal à déterminer la variabilité et l'écart entre des pièces visuellement très semblables. Les anomalies « fonctionnelles », qui affectent l'usage d'une pièce, sont presque toujours une cause de rejet, tandis que les anomalies esthétiques peuvent ne pas l'être, selon les besoins et les préférences du fabricant. Le plus problématique est que ces défauts sont difficiles à distinguer par un système de vision classique.

Certaines inspections de vision industrielle classiques, telles que la détection des défauts, sont notoirement difficiles à programmer en raison de plusieurs variables qu'une machine peut avoir du mal à isoler, notamment les variations d'éclairage, de couleur, de profil et de champ de vision.

Cela n'est pas un problème en soi, mais s'avère problématique lorsque des entreprises tentent de répondre aux besoins de chaque application à l'aide de la vision industrielle alors que d'autres outils plus appropriés sont désormais disponibles. Bien que les systèmes de vision industrielle classiques soient performants avec les pièces uniformes bien fabriquées, les applications deviennent difficiles à programmer avec l'augmentation des bibliothèques de défauts et d'exceptions. Autrement dit, à un moment donné, la vision industrielle basée sur les règles ne répondra pas le mieux aux besoins de certaines applications nécessaires pour l'automatisation industrielle.

graphiquedeeplearning

La compréhension de ces différences sera essentielle pour toute entreprise se lançant dans l'automatisation industrielle. En effet, ces différences permettent de déterminer lorsqu'il est judicieux de tirer parti de l'une ou l'autre dans une application d'automatisation industrielle.

Alors que le deep learning est en train de transformer l'automatisation industrielle telle que nous la connaissons, il s'agit simplement d'un autre outil que les opérateurs peuvent employer pour répondre aux besoins de chaque application. La vision industrielle basée sur les règles classique est un outil efficace pour des types de tâches spécifiques. Mais pour les situations plus complexes qui nécessitent la combinaison de la vision humaine avec la vitesse et la fiabilité d'un ordinateur, le deep learning s'avère être une option révolutionnaire.

Pour en savoir plus sur les technologies de deep learning applicables à la fabrication, téléchargez notre eBook gratuit, Comparaison entre le deep learning et la vision industrielle.

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...