Vision industrielle et IA, faire la part des choses entre battage médiatique et réalité en production

L'intelligence artificielle est aujourd'hui l'expression la plus surmédiatisée et la plus mal comprise de l'industrie. En vision industrielle, la situation est particulièrement confuse, car trois choses sont vraies à la fois. Une partie de l'IA fonctionne déjà en production et se montre rentable. Une autre partie est encore à plusieurs années d'être prête pour la production. Et une bonne part de ce que vous entendez relève du marketing.

Voici un point clair sur la situation réelle. Ce qui fonctionne aujourd'hui, ce qui reste expérimental, combien de temps le reste prendra vraisemblablement et comment investir sans commettre d'erreurs coûteuses.

D'abord, ce que l'IA signifie réellement en vision

Il est utile d'être précis, car le terme recouvre beaucoup de choses. Quand on parle d'IA en production, on parle presque toujours d'apprentissage profond, un type de réseau neuronal entraîné sur des images d'exemple plutôt que programmé avec des règles fixes. Il est très performant pour les tâches faciles à juger pour une personne, mais pour lesquelles il est difficile d'écrire une règle. Cette soudure est-elle correcte ? Ce produit naturel présente-t-il un défaut ? C'est autre chose que l'IA générative qui alimente les chatbots dont parlent les médias. Celle-ci joue un rôle croissant dans le paramétrage des systèmes, mais elle ne prend pas aujourd'hui la décision d'inspection elle-même. Si vous distinguez bien les deux, l'essentiel du battage médiatique se dissipe.

Ce qui fonctionne aujourd'hui

L'apprentissage profond en vision industrielle n'est ni nouveau ni expérimental. Pour un ensemble précis d'applications, il est en production depuis des années et c'est le bon outil, pas un pari. Quatre domaines se distinguent.

Le premier est la détection de défauts sur des produits variables ou naturels. Lorsqu'un défaut est difficile à décrire avec une règle fixe, par exemple une rayure différente à chaque fois ou un défaut dans le bois, le textile, les aliments ou les pièces de fonderie, l'apprentissage profond apprend à partir d'exemples à quoi ressemblent une bonne et une mauvaise pièce, et juge les nouvelles pièces de la même façon. C'est l'usage phare, et il fonctionne.

Le deuxième est la classification et le tri, c'est-à-dire l'affectation de chaque article à une catégorie (bon ou mauvais, type A ou type B) à la cadence de la ligne. Le troisième est la lecture de textes et de codes difficiles. La reconnaissance de caractères par apprentissage profond lit des marquages par micropercussion, des textes gravés, déformés ou peu contrastés que l'approche traditionnelle ne parvient pas à lire.

Le quatrième est celui qui a le plus évolué : la détection d'anomalies entraînée uniquement sur des pièces conformes. Au lieu d'avoir besoin de milliers d'images de chaque défaut possible, le système apprend à quoi ressemble une bonne pièce et signale tout ce qui s'en écarte. C'est important, car dans une usine bien gérée, les défauts sont rares. Collecter des images de défauts est long et fastidieux. Apprendre à partir de pièces conformes lève cet obstacle. C'est pourquoi de nombreuses inspections qui n'étaient pas viables il y a quelques années le sont aujourd'hui.

Tout cela fonctionne aujourd'hui avec des outils d'apprentissage profond intégrés aux logiciels de vision modernes, comme Aurora de Zebra, sur un PC industriel installé au plus près de la ligne plutôt que dans le cloud. C'est éprouvé, disponible à l'achat et pris en charge par le support.

Ce qui reste expérimental ou survendu

Passons à l'autre versant, car c'est là que l'on gaspille de l'argent. Le plus grand mythe est celui du système qu'il suffit de pointer vers la pièce pour qu'il apprenne, sans aucune ingénierie. L'apprentissage profond nécessite toujours des images représentatives, un étiquetage soigné et, surtout, un bon éclairage et une bonne optique. L'apprentissage est puissant. La mise en place représente un vrai travail.

L'IA générative réalisant elle-même l'inspection relève aujourd'hui en grande partie du battage médiatique. Elle commence à être utile pour des tâches périphériques, comme décrire un défaut en langage courant, générer une configuration, rédiger la documentation ou réduire le niveau de compétence nécessaire pour paramétrer un système. C'est utile et cela progresse. Mais ce n'est pas encore elle qui décide si une pièce est conforme ou non sur votre ligne.

L'idée que l'IA remplacera la vision basée sur des règles est fausse. Pour mesurer une dimension, lire un code-barres ou vérifier une position précise, une règle classique est plus rapide, moins chère, plus exacte et entièrement explicable. Les systèmes réels sont hybrides, avec des règles pour le travail déterministe et l'apprentissage profond uniquement pour les décisions qui demandent du jugement.

Les systèmes auto-apprenants qui se modifient en permanence en production semblent séduisants, mais ils posent une question difficile. Comment valider un système qui sera différent demain de ce qu'il est aujourd'hui ? Sur une ligne réglementée, c'est un obstacle sérieux, pas un détail. Les données d'entraînement synthétiques et les grands modèles de fondation sont prometteurs et progressent. Ils ne sont pas encore la solution presse-bouton que suggèrent les annonces les plus bruyantes.

Des délais réalistes

Pendant des années, une règle empirique fiable s'appliquait dans ce secteur. Une technologie de vision vraiment nouvelle mettait environ sept à dix ans pour passer d'une démonstration impressionnante à une commande courante. Il était toujours utile de confronter cette règle au battage des salons professionnels. La question intéressante aujourd'hui est de savoir si l'IA va briser cette règle.

De solides arguments laissent penser que oui. Le rythme du changement est différent cette fois-ci. L'apprentissage profond est arrivé en production plus vite que la plupart des matériels. L'essor plus large de l'IA est porté par des investissements considérables, des modèles ouverts sur lesquels chacun peut développer et une puissance de calcul à l'échelle du cloud, autant d'atouts dont les technologies plus anciennes ne disposaient pas. Il est tout à fait raisonnable de s'attendre à ce que certaines capacités de l'IA passent du stade de démonstration à celui de standard en une fraction des sept à dix ans d'autrefois. Nous ne parierions pas contre.

On le constate déjà dans ce qui est en production. L'apprentissage profond pour les défauts, la classification et les codes difficiles est arrivé et s'est généralisé. La détection d'anomalies à partir de pièces conformes est en train de passer du statut d'approche astucieuse à celui de standard. Les approches génératives et celles fondées sur des modèles de fondation sont à un stade plus précoce, même si elles avancent également rapidement.

Il y a toutefois une réserve. Arriver vite sur le marché n'est pas la même chose que devenir vite fiable en usine. Un modèle qui impressionne en démonstration doit encore prouver qu'il tient la route sur votre produit, avec votre éclairage et vos cas limites, poste après poste. La position raisonnable consiste donc à ne fixer aucun chiffre. Jugez chaque capacité sur ce qui fonctionne réellement en production aujourd'hui, et non sur ce que prédit une courbe. Achetez ce qui a fait ses preuves pour l'application qui vous concerne. Ce qui figure encore sur la feuille de route, même si cela arrive vite, reste une feuille de route : traitez-le comme tel.

Comment mettre l'IA au travail sans commettre d'erreurs coûteuses

Si vous ne retenez qu'une chose, retenez celle-ci. L'IA ne corrige pas de mauvaises images. Un modèle d'apprentissage profond entraîné sur des images sombres, irrégulières et mal cadrées apprend à être peu fiable. Commencez par maîtriser l'éclairage et l'optique, puis ajoutez l'intelligence. L'ordre compte.

Partez du problème, pas de la technologie. Si une règle simple suffit, utilisez la règle. C'est moins cher, plus rapide et vous pouvez expliquer précisément pourquoi une pièce a été acceptée ou rejetée. Faites appel à l'apprentissage profond pour ce que les règles ne savent pas faire.

Respectez les données. Le vrai travail d'un projet d'apprentissage profond consiste à rassembler des images représentatives et à les étiqueter avec soin. Lorsque les défauts sont rares, utilisez plutôt la détection d'anomalies et apprenez à partir de pièces conformes. Prévoyez qu'une personne reste impliquée dans la boucle. Prévoyez de réentraîner le modèle lorsque votre produit et votre emballage évoluent, car ils évolueront.

Dans un secteur réglementé, pensez à la validation et à l'explicabilité dès le début, pas à la fin. Vous devez pouvoir montrer pourquoi le système a pris sa décision. Et gardez le traitement en local, sur un PC industriel performant installé au plus près de la ligne, pour la rapidité et la fiabilité dont une usine a besoin.

Surtout, faites la preuve sur vos propres pièces avant de vous engager. Une courte étude de faisabilité avec vos images réelles vous dira en quelques semaines si l'IA a sa place, ou si une approche plus simple fait le travail pour une fraction du coût.

En résumé

L'IA en vision industrielle n'est ni de la magie ni du marketing. Utilisée là où elle est pertinente, pour les décisions de jugement que les règles ne peuvent pas prendre, avec de bonnes images et un vrai travail sur les données, elle représente un véritable saut qualitatif dans ce que vous pouvez inspecter. Vendue comme une solution miracle et ajoutée à un système fragile, elle déçoit et se voit injustement reprocher l'échec. C'est en sachant faire la différence que résident à la fois l'expertise et la valeur. C'est la discussion qui mérite d'avoir lieu avant d'investir.

Réservez une étude de faisabilité en apprentissage profond

Si vous avez une inspection qui pourrait nécessiter l'IA, le moyen le plus rapide de le savoir est de la tester sur votre propre produit. Nous prendrons vos pièces et vos images, testerons l'approche par apprentissage profond face à une approche traditionnelle et vous dirons clairement laquelle convient, ce qu'elle implique et si elle en vaut la peine. Si une règle simple l'emporte, nous vous le dirons.

Pour réserver une étude de faisabilité en apprentissage profond, contactez notre équipe

Contactez-nous à info@clearview-imaging.com ou appelez le +33 5 33 52 33 38

À lire aussi Services d'ingénierie | Sélecteur d'éclairage | Caméras | Guide complet des caméras | Contact