L’IA facile à utiliser répond à un éventail d’applications de classification

Dans chaque secteur, les ingénieurs de ligne et les automaticiens sont conscients des avantages liés à l’utilisation de la vision industrielle sophistiquée pour remplacer des inspecteurs humains, augmenter le processus d’inspection et optimiser la précision tout en gérant les modifications apportées aux produits et matériaux. Ils ont également entendu parler de l’apprentissage automatique, du deep learning, de l’IA et d’autres concepts quelque peu en marge des responsabilités quotidiennes de leurs tâches.

Tout en étant rapide et précise, la vision industrielle traditionnelle nécessite de nombreuses programmations et la capacité à manipuler des outils d’images pour réaliser certaines choses, par exemple, utiliser la sortie d’un outil comme l’entrée d’un autre pour obtenir le résultat final souhaité, dans un processus appelé enchaînement. 

Doté d’une puissante technologie d’apprentissage en périphérie, le système de vision In-Sight 2800 supprime les processus lourds et met à profit la puissance de l’IA et de la vision industrielle sophistiquée dans l’atelier, sans connaissance requise de l’IA ou des outils de vision industrielle.

La puissance de l'IA sans la complexité

L’apprentissage en périphérie est un sous-ensemble de l’AI dans lequel le traitement a lieu directement sur l’appareil ou « en périphérie » à l’aide d’un ensemble d’algorithmes préentraînés. L’apprentissage en périphérie est utile dans un large éventail d’applications industrielles qui utilisent actuellement des caméras de vision traditionnelles ou se fient toujours à l’inspection réalisée par des humains. In-Sight 2800 déploie cette technologie pour identifier et classer des défauts subtils, mais importants, qui se sont révélés auparavant comme dépassant les capacités des outils de vision industrielle classiques, même sophistiqués.

Cette catégorisation présente un avantage supplémentaire à long terme dans l’amélioration du processus. Les outils d’entraînement d’avant-garde peuvent être entraînés pour classer les défauts de produit en un certain nombre de catégories, fournir des informations sur les types d’erreurs qui deviennent plus fréquents et indiquer qu’une machine sur la ligne diverge lentement des spécifications. Cette machine peut alors être ajustée ou remplacée bien avant qu’elle ne commence à générer de graves erreurs ou n’arrête complètement de fonctionner.

Applications automobiles

On trouve des connecteurs électriques moulés par injection partout sur les véhicules à moteur modernes, transportant de l’énergie et des signaux vers une large gamme de composants. Les connecteurs simplifient le câblage et permettent de séparer et de retirer plus facilement des composants au cours de la maintenance et des réparations.

Les connecteurs doivent être enclenchés ensemble complètement et avec précision pour garantir une connexion électrique à long terme. La connexion doit également être confirmée avant que la pièce ou le véhicule passe à l’étape suivante du processus de production. Ce processus est plus facile à dire qu’à faire. Les connecteurs possèdent une large gamme de clips et de clichés et d’autres modes d’assemblage. Et en outre, ils sont composés de plastiques noirs ou foncés, qui rendent difficile la perception des détails et sont bien souvent exposés à la caméra d’inspection sous divers angles.

Doté d’une puissante technologie d’apprentissage en périphérie, le système de vision In-Sight 2800 peut être entraîné sur de petits ensembles d’images étiquetées de bonnes et mauvaises connexions, puis classe rapidement les connecteurs comme acceptables ou non acceptables. Si une nouvelle conception de connecteur est introduite, il est facile d’entraîner à nouveau les outils d’entraînement d’avant-garde, avec quelques exemples de la nouvelle conception, sur la ligne concernée.

Applications électroniques

De nombreuses cartes de circuits imprimés (PCB) possèdent des voyants lumineux pour indiquer l’état. Sur un exemple d’application, il peut être nécessaire d’identifier les indicateurs qui présentent une condition de mise sous tension (ALIM), une condition de transmission (TX) ou une condition d’arrêt. Compte tenu de l’intensité des LED, de leur positionnement proche et de l’environnement visuel confus, par rapport à celui qu’elles présentent, la vision industrielle classique a du mal à différencier les états de l’indicateur.

Avec la vision industrielle classique, la manière typique d’effectuer ces déterminations consiste à utiliser un outil de comptage des pixels. Cela nécessite de définir des seuils de luminosité à des emplacements spécifiques pour chaque état - un processus complexe qui nécessite une expérience en programmation de vision industrielle avancée.

Les outils d’apprentissage en périphérie, tels que ceux intégrés à In-Sight 2800, peuvent être entraînés sur de petits ensembles d’images étiquetées, présentant les conditions ARRÊT, ALIM et TX ou directement via la caméra, le cas échéant. Après cet entraînement bref, les outils classent et trient de manière fiable les cartes PCB dans les trois états différents.

Applications médicales/pharmaceutiques

Dans certaines applications médicales et pharmaceutiques, les flacons en verre sont automatiquement remplis de médicaments jusqu’à un niveau prédéfini. Avant qu’ils ne soient bouchonnés, le niveau de remplissage doit être confirmé comme étant dans les tolérances adéquates. La nature transparente et réfléchissante du flacon en verre et de son contenu rend difficile la détection constante du niveau par la vision industrielle traditionnelle.

Le système d’apprentissage en périphérie distingue les éléments clés indiquant le niveau de remplissage en ignorant la confusion générée par les réflexions, la réfraction ou d’autres parties variables déroutantes de l’image. Les niveaux de remplissage trop hauts ou trop bas sont rejetés ; seuls ceux qui respectent les limites de tolérance sont transférés.

Applications de conditionnement

Sur la ligne de production, les bouteilles de boissons gazeuses et de jus sont remplies et scellées avec un bouchon vissable ou par fermeture. Si la capsuleuse rotative visse mal le bouchon ou si elle est endommagée pendant le processus de mise sous bouchon, il peut en résulter un espace risquant de causer une contamination ou une fuite.

Les lignes de remplissage et de capsulage fonctionnent à grande vitesse. Les bouchons correctement scellés peuvent être facilement confirmés, mais il existe de nombreuses façons subtiles causant un vissage incorrect d’un bouchon. La vitesse et le large éventail de façons dont un bouchon peut être presque scellé, sans l’être parfaitement, en font une application difficile pour la vision industrielle traditionnelle.

Les outils d’apprentissage en périphérie d’In-Sight 2800 peuvent présenter un ensemble d’images étiquetées comme bonnes et un ensemble d’images qui montrent des bouchons avec de légers écarts presque imperceptibles à l’œil humain. Les outils peuvent ensuite catégoriser des bouchons entièrement scellés comme étant corrects et tous les autres bouchons comme étant incorrects sur des cadences de ligne. L’utilisation de cette technologie réduit considérablement le taux de défauts transmis, tout en étant peu coûteuse et facile à utiliser.

Une solution simple pour les problèmes difficiles liés à l’automatisation industrielle.

Le système de vision In-Sight 2800 avec l’apprentissage en périphérie est conçu en tenant compte des problèmes complexes d’automatisation industrielle. Performant et facile à utiliser, il devient rapidement un outil essentiel sur toute ligne.