Comment identifier les opportunités de l'IA en vision industrielle ?

L'intelligence artificielle (IA) est adoptée par diverses industries pour exploiter la puissance des données et les utiliser pour prendre des décisions plus intelligentes.

Cet article expliquera comment identifier les opportunités pour l'IA dans les applications de vision industrielle.

Exigences commerciales pour les systèmes d'IA

Gérer les attentes

Les méthodes d'IA ont des cas d'utilisation spécifiques. Après tout, ce n’est pas une solution universelle et ne peut pas résoudre tous les problèmes. Certaines applications sont mieux adaptées à la vision par ordinateur traditionnelle, d’autres peuvent nécessiter les deux, et d’autres encore ne nécessitent que l’intelligence artificielle. Les systèmes d’IA sont coûteux, tant en termes de coût que de ressources initiales requises. Les outils open source nécessitent un temps de développement important et les outils externes sont souvent coûteux. De plus, un GPU est souvent nécessaire pour obtenir des performances adéquates sur le système. De nombreux fabricants ne disposent souvent pas de GPU ou de puissance de traitement équivalente. Il est donc important de déterminer quelles applications sont bien adaptées à l’IA ayant de forts besoins commerciaux.

L'importance des paramètres du système visuel

Avant de se lancer dans l'IA, il est recommandé d'avoir une base solide dans les paramètres du système visuel. Toutefois, cela est moins important pour l’IA, qui peut souvent gérer des conditions pires que les systèmes traditionnels. Toutes les règles normales du système de vision industrielle s'appliquent ici : bon éclairage, résolution de la caméra, distance focale, etc. Si l’un de ces facteurs n’est pas à la hauteur, cela vaut la peine d’y revenir et de les aborder avant d’approfondir l’IA. Assurez une configuration robuste du système de vision pour de meilleurs résultats.

Référence sur la performance humaine

Les systèmes d'IA réussissent mieux là où la performance humaine est forte. Une fois le système configuré, les opérateurs peuvent facilement identifier/classer les images à l’œil nu, ce qui peut déterminer si elles sont adaptées à l’IA. Cependant, si les performances humaines sont insuffisantes, le modèle d’IA risque de ne pas fonctionner correctement. En utilisant la performance humaine comme point de référence pour ce qu'un modèle d'IA peut réaliser, si un opérateur ne peut identifier correctement les images que 70 % du temps, il est peu probable que l'IA soit plus performante que cela. Par conséquent, si les performances humaines ne sont pas suffisamment bonnes pour une application, ce problème de performances doit être résolu en premier et amélioré à un niveau acceptable. Une fois que les opérateurs ont atteint les performances attendues, l’IA peut être envisagée.

Temps et ressources

Collecter des images et former un modèle nécessite des efforts considérables. Souvent, la collecte d’images de haute qualité est la partie la plus difficile car de nombreux fabricants ont des niveaux de défauts très faibles. Sans données, il peut être difficile de former un modèle pour les pièces défectueuses. Les outils de formation sont utiles, car ils fournissent des modèles pré-entraînés qui nécessitent moins d’échantillons pour être entraînés. La formation est un processus itératif comprenant plusieurs étapes visant à trouver les paramètres idéaux pour l'exécution du modèle. L'optimisation d'un modèle nécessite souvent du temps et des expérimentations. De plus, si de nouvelles données apparaissent sur le terrain, le modèle devra être entraîné et déployé à nouveau.

Exemples d'applications de l'intelligence artificielle :

Un exemple d'application de l'intelligence artificielle dans la vision industrielle concerne l'inspection de l'assemblage final, un autre concerne l'inspection des circuits imprimés ou des PCB.

❶ Inspection de l'assemblage final :

Contexte

L'inspection finale des pièces/produits ou composants est généralement effectuée par des opérateurs, des systèmes de vision industrielle traditionnels, ou les deux. Les caméras Teledyne seront présentées ici à titre d'exemple de produit. L'inspection finale peut vérifier les broches pliées, les rayures sur la surface, le placement correct des connecteurs, l'alignement des autocollants, l'impression correcte du texte, la distance entre les mécanismes, etc. Fondamentalement, toutes les exceptions qui se produisent pendant le processus de construction doivent être trouvées. Mais alors la liste des critères à rechercher devient rapidement très longue. Les systèmes traditionnels basés sur des règles ont du mal à gérer tous les cas particuliers, et la formation des nouveaux opérateurs est difficile.

Pourquoi l'IA ?

Il y a généralement trop de règles pour déterminer ce qui « passe ». Il est donc difficile pour les systèmes de vision industrielle traditionnels d'atteindre de bonnes performances. L’alternative est que l’inspection manuelle prend du temps pour de nombreuses entreprises et qu’il est difficile pour les nouveaux opérateurs de porter des jugements ambigus. Les systèmes traditionnels basés sur des règles n'offrent souvent pas de performances adéquates et les fabricants s'appuient sur le jugement des opérateurs pour les aider. Il peut y avoir différentes conditions d'éclairage, ainsi que de grandes variations dans l'emplacement, la forme et la texture des défauts. Souvent, un simple résultat qualitatif « bon/mauvais » suffit. Toutefois, cela peut également être combiné avec des algorithmes traditionnels basés sur des règles, si vous le souhaitez.

Avantages

Avec l'IA, la configuration est beaucoup plus simple. Après avoir collecté un grand nombre d'images pour entraîner un modèle, faire fonctionner un système nécessite généralement beaucoup moins de travail de développement qu'un système basé sur des règles, en particulier en utilisant des outils d'IA. Avec un système adapté, utilisant généralement un GPU, la vérification est beaucoup plus rapide, de l'ordre de quelques millisecondes. S’ils disposent de données fiables, les systèmes d’IA devraient également fonctionner de manière plus fiable que les humains et constituent un bon moyen de normaliser les procédures d’inspection. L'algorithme est généralement formé sur les données fournies par plusieurs opérateurs, ce qui peut réduire les erreurs humaines. Cela permet d’atténuer les préjugés humains ou la fatigue qui peuvent résulter d’un seul opérateur. Dans cet exemple, l’IA peut aider les fabricants à réduire les défaillances initiales et à améliorer la qualité et le débit des inspections.

❷Inspection des circuits imprimés :

Contexte

Les fabricants de circuits imprimés doivent inspecter leurs circuits imprimés pour déceler tout défaut. Il peut s'agir d'un mauvais joint de soudure, d'un court-circuit ou d'une autre anomalie. Des machines AOI (Automated Optical Inspection) sont généralement utilisées. Cependant, étant donné que les défauts varient énormément, il est difficile de gérer tous les cas extrêmes. Et les performances des systèmes basés sur des règles ne sont pas suffisamment précises, et les fabricants demanderont aux opérateurs d'effectuer des inspections manuelles, ce qui prend du temps et coûte cher.

Pourquoi l'IA ?

Les systèmes AOI traditionnels ont du mal à identifier les défauts. Il dépasse ou sous-performe, provoquant le passage d'un PCB défectueux ou la défaillance d'un PCB en bon état. Comme dans d’autres situations, il y a trop de règles pour déterminer un « bon tableau ». Selon l'application, l'IA peut être utilisée ici pour classer les défauts dont la taille et la forme varient considérablement, tels que les courts-circuits, les ouvertures, les composants défectueux, les défauts de soudure, etc.

Avantages

Grâce à l'intelligence artificielle, les fabricants peuvent améliorer la précision et la qualité des inspections. Cela permet de réduire le nombre de PCB défectueux passant l’inspection. Il permet également d'économiser le temps et les coûts de main-d'œuvre liés aux inspections assistées manuellement et augmente le débit en automatisant les tâches qui prennent plus de temps aux opérateurs.

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!