Pourquoi l'IA et le deep learning en vision industrielle ne sont pas toujours la solution

Presque toutes les demandes en vision industrielle commencent aujourd'hui par le même mot. L'IA. On suppose que le deep learning peut tout inspecter. On le considère comme la façon moderne de résoudre n'importe quel problème d'inspection. La vision industrielle traditionnelle, celle basée sur des règles, est traitée comme une relique de la décennie passée. La raison est compréhensible. Le marketing autour de l'IA en vision est incessant. Une partie est méritée. Le deep learning a résolu des problèmes qui étaient réellement hors de portée il y a quelques années.

Le souci, c'est que l'engouement pousse désormais à recourir au deep learning pour des tâches où il est plus lent, plus coûteux et moins fiable qu'une approche basée sur des règles qui se mettrait en place en une après-midi. Voici un exposé direct des cas où l'IA n'est pas la solution, de la part d'une entreprise qui construit les deux types de système et n'a aucune raison de vendre le plus compliqué. Rien de tout cela n'est anti-IA. Il s'agit d'adapter l'outil à la tâche.

Deux outils différents, pas l'ancien contre le nouveau

La première chose à clarifier, c'est le cadre. La vision basée sur des règles et le deep learning ne sont pas des versions ancienne et nouvelle de la même chose. Ce sont deux outils différents qui résolvent des types de problèmes différents. Les meilleurs systèmes utilisent souvent les deux ensemble.

La vision industrielle basée sur des règles fonctionne par instruction explicite. Vous lui indiquez exactement quoi mesurer ou rechercher, une dimension, un bord, un code-barres, un motif précis. Elle applique cette règle de la même manière à chaque fois. Le deep learning fonctionne par l'exemple. Vous lui montrez de nombreuses images étiquetées de pièces bonnes et mauvaises. Il apprend à les distinguer de lui-même. Le système basé sur des règles ne connaît que ce que vous lui avez dit. Le système de deep learning ne connaît que ce qu'il a vu à l'entraînement. Chacun est puissant à sa place. Chacun a un domaine où il constitue le mauvais choix.

Là où la vision basée sur des règles l'emporte encore

Pour une grande part du travail d'inspection que nous voyons, une approche basée sur des règles est la meilleure réponse. Ce sont les cas où recourir à l'IA ajoute du coût et du risque sans le moindre gain.

Mesure et calibrage. Si vous devez mesurer une dimension, vérifier une distance ou confirmer une position à une tolérance connue, la vision basée sur des règles le fait avec précision, de façon répétable et avec un chiffre digne de confiance. Le deep learning est le mauvais outil pour une mesure précise. Une règle mesure. Un modèle entraîné estime.

Lecture de codes et de texte défini. Un code-barres, un Data Matrix, un code de date clairement imprimé. Ce sont des problèmes résolus pour les outils basés sur des règles, rapidement et avec une grande fiabilité. Vous n'avez pas besoin d'un réseau neuronal pour lire un code-barres.

Présence, position et comptage. Confirmer qu'un composant est présent, correctement placé ou compté est le pain quotidien de la vision basée sur des règles. La caractéristique est définie, la règle est simple, le résultat est certain.

Tout ce qui présente une caractéristique claire et constante. Quand l'objet que vous inspectez a un bon contraste et ne varie pas beaucoup, un outil basé sur des règles le traite plus vite et à moindre coût que le deep learning. Il n'a pas besoin d'une seule image d'entraînement pour cela.

Le fil conducteur, c'est que lorsqu'un problème peut être défini, le définir explicitement vaut mieux qu'apprendre à un modèle à le deviner. Le deep learning gagne sa place sur les problèmes qui ne peuvent pas être définis proprement. C'est une catégorie réelle et importante, simplement plus étroite que l'engouement ne le laisse croire.

Le problème des données d'entraînement

Ce que l'engouement passe le plus sous silence, c'est ce dont le deep learning a besoin de votre part avant même de fonctionner. Il lui faut des données, généralement beaucoup.

Un modèle de deep learning apprend à partir d'exemples étiquetés. Quelqu'un doit collecter des images de vos pièces, y compris des exemples de chaque défaut que vous voulez détecter. Chacune doit être étiquetée correctement. Pour un modèle fiable, cela signifie souvent des centaines ou des milliers d'images. Surtout, cela signifie assez d'exemples des défauts. C'est là le piège sur une bonne ligne de production. Si votre procédé est bon, les vrais défauts sont rares. Réunir assez d'échantillons défectueux pour l'entraînement peut prendre des semaines ou des mois, ou implique de produire délibérément de mauvaises pièces. Un système basé sur des règles n'a besoin de rien de tout cela. Vous définissez la règle et il tourne. Quand les gens découvrent la charge de données en plein projet d'IA, c'est souvent le moment où l'option basée sur des règles commence à paraître sensée.

L'explicabilité et pourquoi elle compte sur une ligne

C'est celle que l'on néglige jusqu'à ce qu'elle pose problème. Un système basé sur des règles est entièrement explicable. Quand il rejette une pièce, vous pouvez voir exactement pourquoi. Il a mesuré une valeur qui sortait d'une limite que vous avez fixée. Vous pouvez retracer chaque décision, la défendre devant un client et la prouver à un auditeur.

Un modèle de deep learning est bien plus difficile à interroger. Il vous donne un résultat. Le raisonnement réside dans un réseau de poids appris qui ne se traduit pas par une raison simple. Pour de nombreuses applications, cela ne pose pas de problème. Dans un secteur réglementé, dans la fabrication de produits alimentaires, pharmaceutiques ou de dispositifs médicaux, où vous devrez peut-être justifier auprès d'un auditeur exactement pourquoi une pièce a été acceptée ou rejetée, cette opacité est un véritable problème. Quand vous devez répondre de chaque décision que prend le système, un outil capable de montrer son raisonnement a une valeur réelle qu'aucun chiffre de précision ne traduit.

Où se situe vraiment le coût

Sur le papier, le matériel de l'une ou l'autre approche peut sembler comparable. Le vrai coût du deep learning apparaît ailleurs. Il est facile de le manquer quand on est ébloui par ce que la technologie sait faire.

Il y a le coût de la collecte et de l'étiquetage des données d'entraînement. C'est du temps d'ingénierie réel. Il y a l'entraînement lui-même, plus les itérations quand le premier modèle n'est pas assez bon. Le deep learning a souvent besoin de plus de puissance de traitement pour fonctionner. Cela peut signifier un système plus performant et plus coûteux qu'un outil basé sur des règles qui tourne sans peine sur une caméra intelligente ou un PC modeste. Ensuite il y a l'aspect continu. Si votre produit change, ou qu'un nouveau défaut apparaît qui n'était pas dans le jeu d'entraînement, vous devrez peut-être réunir davantage de données et réentraîner. Un système basé sur des règles est souvent un ajustement rapide. Pour un aperçu complet des coûts qui apparaissent après l'achat, notre guide sur le vrai coût de la vision industrielle entre dans le détail. Le point ici, c'est que le projet d'IA qui semble le moins cher l'est rarement une fois les données et le réentraînement comptés.

Les cas limites qui prennent au dépourvu

La différence la plus importante entre les deux outils, c'est leur comportement à leurs limites. C'est là qu'un déploiement d'IA trop enthousiaste peut discrètement mal tourner.

Un système basé sur des règles échoue de façon prévisible. Il a une limite définie. Quand une pièce sort de ce que la règle peut gérer, il le signale d'une manière que vous pouvez anticiper et planifier. Un modèle de deep learning peut échouer de façons moins prévisibles. Face à quelque chose de vraiment différent de tout ce qui figurait dans ses données d'entraînement, une nouvelle variante, un changement d'éclairage inhabituel, un type de défaut qu'il n'a jamais vu, il peut donner une réponse assurée qui est tout simplement fausse, sans signal évident qu'il est dépassé. Sur une ligne de production, cela compte. Un système qui échoue de façon connue à une limite connue est souvent plus sûr qu'un système plus performant au centre de sa plage mais imprévisible aux extrêmes. Ce n'est pas une raison d'éviter le deep learning. C'est une raison de comprendre comment il se comporte avant de lui confier une décision importante.

Les deux approches côte à côte

Voici la comparaison en bref. C'est un guide pour savoir quel outil convient à quel travail, pas un verdict selon lequel l'un serait meilleur que l'autre.

Quand le deep learning est exactement le bon outil

Rien de tout cela n'est un argument contre l'IA. Ce serait étrange venant d'une entreprise qui construit des systèmes de deep learning. Il existe une catégorie de problèmes où le deep learning n'est pas seulement utile mais la seule réponse pratique. Il vaut la peine d'être tout aussi clair là-dessus.

Quand l'objet que vous inspectez varie naturellement d'une manière pour laquelle vous ne pouvez pas écrire de règle, le deep learning excelle. Pensez aux produits naturels à la variation naturelle sans fin, aux défauts de surface esthétiques qui ne se ressemblent jamais tout à fait deux fois, ou aux assemblages complexes où le bon et le mauvais diffèrent de façons évidentes pour un œil exercé mais très difficiles à spécifier. Dans ces cas, une approche basée sur des règles peine. Vous ne pouvez pas énumérer chaque variation acceptable. C'est exactement là qu'un modèle bien entraîné gagne son salaire. Tout l'art consiste à reconnaître quel type de problème vous avez réellement.

Utilisez le bon outil, pas le plus bruyant

L'IA et le deep learning sont une véritable avancée. Ils ont gagné leur place dans la boîte à outils de la vision industrielle. Ils n'ont pas remplacé la vision basée sur des règles. Ce n'était jamais prévu. Un très grand nombre de problèmes d'inspection sont des problèmes définis qu'une règle résout mieux, à moindre coût et de façon plus transparente. Les fabricants qui obtiennent les meilleurs résultats ne sont pas ceux qui courent après la technologie la plus récente. Ce sont ceux qui adaptent l'outil à la tâche. Ils travaillent avec quelqu'un prêt à leur dire quand l'outil le plus simple est le meilleur.

C'est la conversation que Clearview a chaque semaine avec des clients dans toute l'Europe. C'est une conversation que nous sommes toujours heureux d'avoir. Si vous avez un défi d'inspection et que vous n'êtes pas sûr qu'il appelle un système basé sur des règles, un système de deep learning, ou une combinaison des deux, parlez-nous-en. Nous vous donnerons une réponse directe. Nous n'avons aucune raison de vous vendre autre chose que l'approche qui fonctionne.

Parlez à nos experts de la bonne approche : parlez-nous de votre inspection

Contactez-nous : info@clearview-imaging.com | +33 5 33 52 33 38

À lire aussi : Logiciel de vision industrielle | Le vrai coût de la vision industrielle | Caméras de vision intelligentes | Tarifs