Pourquoi entraîner correctement les applications d'inspection basées sur le deep learning est essentiel pour leur réussite
L'adoption et le déploiement de toute nouvelle technologie d'automatisation industrielle s'accompagnent de contreparties et de compromis. Alors que la vision industrielle basée sur le deep learning promet de répondre aux besoins de nombreuses applications industrielles complexes, elle n'est en aucun cas une panacée ou une solution miracle. C'est pourquoi il est important de fixer des objectifs appropriés pour chaque projet. Connaître à l'avance les besoins inhérents à la création d'une application est essentiel.
L'un des aspects les plus importants à prendre en compte lors de la conception d'une application d'inspection basée sur le deep learning est l'apprentissage de l'application en question. En effet, les applications basées sur le deep learning ne sont pas programmées explicitement, mais sont plutôt entraînées à partir d'images de référence afin de détecter les anomalies qui n'entrent pas dans la catégorie acceptable.
Selon Nate Soares, un ancien ingénieur logiciel de Google, qui dirige le Machine Intelligence Research Institute, une bonne analogie pour décrire l'importance d'un apprentissage adéquat pour une application basée sur l'intelligence artificielle est le film d'animation Fantasia de Disney et, en particulier, la scène avec l'apprenti sorcier.
« Le problème que rencontre Mickey lorsqu'il ensorcèle un balai pour l'aider à remplir un chaudron n'est pas le fait que le balai se rebelle ou qu'il développe sa propre volonté, mais qu'il effectue trop bien la tâche qui lui a été confiée », déclare M. Soares lors d'un entretien en 2018. « Il veut que le chaudron soit rempli et inonder l'atelier est un bon moyen de s'assurer que le chaudron est plein (et qu'il le reste). Mickey a réussi à « développer » son système d'intelligence artificielle, mais les choses ont tout de même mal tourné pour lui. »
L'importance de l'apprentissage pour une application basée sur le deep learning
Autrement dit, si le système n'a pas été entraîné correctement, le résultat d'une application basée sur le deep learning peut être imprévisible et cela n'est pas acceptable pour un fabricant qui a besoin de résultats d'inspection fiables. Dans le cas de l'automatisation industrielle, les ingénieurs d'applications doivent comprendre qu'une application basée sur le deep learning bien entraînée nécessite un ensemble complet d'images d'apprentissage, représentant un éventail de défauts et/ou de variations de pièces acceptables pour pouvoir être performante en production.
Ces images doivent également être acquises dans des conditions de présentation des pièces et d'éclairage en production. Cela est essentiel à la réussite de tout projet basé sur le deep learning.
La validation d'une solution de vision basée sur le deep learning est un process itératif qui requiert l'installation du système sur une ligne de production. En outre, contrairement aux systèmes de vision industrielle classiques, l'apprentissage et la validation des images pour le deep learning doivent être effectués lors de la phase de développement et avant les tests d'acceptation en usine. Le deep learning requiert un grand nombre d'échantillons d'apprentissage. Ainsi, la capture d'un ensemble représentatif d'images nécessaires pour entraîner un outil basé sur le deep learning performant peut prendre du temps.
« Parfois, les systèmes basés sur le deep learning sont performants en laboratoire mais rencontrent des difficultés lorsqu'ils sont déployés dans l'environnement de production », explique Grace Lee, Directrice principale Marketing produits, Intelligence artificielle, chez Cognex. « La frustration des utilisateurs provient des différences sous-évaluées entre les solutions basées sur le deep learning et la vision industrielle classique plus courante. »
Grace Lee travaille au sein de l'équipe dédiée à l'intelligence artificielle de Cognex, qui contribue à fournir des solutions d'automatisation industrielle basées sur le deep learning. Ces algorithmes basés sur le deep learning ont récemment été mis en œuvre dans le logiciel qui optimise les caméras de vision industrielle afin de résoudre les problèmes d'inspection plus complexes.
Ces outils ont ainsi permis à ses clients de prendre des décisions plus précises et mieux adaptées lors de la recherche de défauts ou d'anomalies. Elle décrit le résultat du travail de Cognex sur l'intelligence artificielle, et en particulier sur le deep learning, comme similaire à d'autres outils basés sur l'intelligence artificielle qui permettent une prise de décision plus judicieuse lors de l'achat de billets d'avion ou de stocks, ou encore qui recommandent de nouvelles musiques à écouter. La seule différence est que les solutions basées sur le deep learning de Cognex aident les fabricants à prendre de meilleures décisions concernant les inspections de la qualité qui étaient auparavant effectuées par des humains car jugées trop difficiles à automatiser.
« L'application de l'intelligence artificielle dans un environnement industriel n'est pas une idée futuriste », déclare Grace Lee. « Elle relève déjà de vrais défis. Mais les ingénieurs doivent réfléchir à la façon dont ils configurent les projets, les entraînent pour qu'ils soient efficaces et, enfin, les exécutent. »
Pour en savoir plus, téléchargez l'eBook Prise en main d'un projet d'automatisation industrielle basé sur le deep learning.
