18 octobre 2024
Découvrez comment les derniers modèles de détection d'objets peuvent contribuer à l'automatisation de l'inspection de la qualité dans la fabrication.
L'inspection de la qualité est une tâche essentielle au cours de la fabrication, qui permet de s'assurer que les produits répondent aux normes de qualité requises. Toutefois, l'évaluation de la qualité à l'aide de méthodes d'inspection traditionnelles peut s'avérer coûteuse à mesure que la complexité des produits augmente.
Les fabricants s'orientent vers des techniques d'inspection basées sur l'apprentissage profond, telles que la détection d'objets et la segmentation sémantique, afin de réduire les coûts d'inspection. L'apprentissage profond est un sous-domaine de l' intelligence artificielle (IA) qui utilise des algorithmes informatiques appelés réseaux neuronaux pour identifier des modèles complexes dans les données. Ces techniques permettent d'automatiser le processus d'inspection et de réduire la dépendance à l'égard des inspecteurs humains en analysant de vastes ensembles de données, y compris des images et des vidéos.
Grâce à sa polyvalence et à sa rentabilité, l'assurance qualité basée sur l'IA stimule considérablement la rentabilité des entreprises. Des rapports suggèrent que l'industrie manufacturière pourrait gagner plus de 3 000 milliards de dollars grâce à l'IA d'ici à 2035.
Cet article explique comment les méthodes d'apprentissage profond peuvent améliorer l'inspection de la qualité et comment Ultralytics YOLO11 peut améliorer l'inspection dans de nombreux secteurs.
L'inspection de la qualité permet de déterminer si un produit présente des défauts, des anomalies ou des incohérences avant d'atteindre le consommateur.
Le processus peut se dérouler pendant la production, lorsque le produit passe par une chaîne de montage, ou après la production, mais avant que les articles ne soient acheminés vers la chaîne de distribution.
Souvent, des experts humains procèdent à des évaluations visuelles pour déterminer si le produit s'écarte des normes de conception souhaitées ou n'y répond pas.
Cependant, à mesure que les exigences de qualité augmentent, les fabricants s'orientent vers des approches automatisées d'apprentissage profond afin d'obtenir une plus grande agilité et une plus grande évolutivité dans leurs opérations.
Les approches d'apprentissage profond utilisent des réseaux neuronaux artificiels qui fonctionnent selon les principes du cerveau humain. Les réseaux sont des couches interconnectées de neurones. Chaque neurone effectue un calcul mathématique pour analyser les données, identifier des modèles et générer une prédiction.
Dans l'inspection de la qualité, les modèles d'apprentissage profond comprennent des cadres de vision par ordinateur qui apprennent et extraient automatiquement des caractéristiques à partir d'images de produits.
Le développement de modèles de vision par ordinateur nécessite que des experts entraînent un réseau neuronal sur des ensembles de données pertinents et effectuent des validations sur un nouvel ensemble de données pour vérifier les performances.
Une fois validés, les experts peuvent déployer ces modèles sur des caméras et des capteurs à l'aide de divers outils de déploiement tels que PyTorch, ONNX et OpenVINO.
L'inspection de la qualité basée sur la vision utilise plusieurs méthodes pour détecter et localiser les dommages, les fissures et les éléments manquants. La liste ci-dessous mentionne quatre approches modernes d'apprentissage profond.
La classification binaire consiste à classer les images dans l'une des deux classes, par exemple en déterminant si un objet présente ou non un défaut.
Sur la base de données visuelles, un modèle de classification produit une décision binaire oui/non. Ils aident à détecter les articles manquants. Par exemple, un modèle de classification peut détecter si un article est manquant ou non dans un produit.
La classification multi-classe consiste à classer des images dans plus de deux classes. Elle attribue chaque image à l'une des catégories prédéfinies.
Par exemple, un modèle de classification multi-classes peut analyser l'image d'un produit et renvoyer des probabilités pour plusieurs types de dommages ou de fissures, en indiquant celui qui est le plus susceptible d'être présent.
Cette fonction est utile dans le secteur de la fabrication, où les différents défauts, tels que les rayures, les bosses ou les fissures, peuvent nécessiter des procédures de traitement différentes.
La localisation fait référence à l'identification de l'emplacement spécifique d'un objet ou d'une caractéristique dans une image. Elle utilise des modèles de détection d'objets pour prédire les boîtes de délimitation ou les coordonnées qui mettent en évidence la région spécifique endommagée.
Ceci est utile pour des tâches telles que la détection de fissures dans les bâtiments ou les pièces industrielles, où la localisation précise d'un défaut est nécessaire pour des réparations ciblées.
Par exemple, dans le domaine de la maintenance des infrastructures, les modèles de localisation peuvent analyser les images d'une structure en béton et marquer la zone exacte où se trouve une fissure.
La localisation multi-classe identifie et localise plusieurs défauts dans une image tout en classant chaque défaut dans l'une des catégories prédéfinies.
Il utilise des modèles de détection d'objets plus avancés pour déterminer le type et l'emplacement d'un défaut afin d'offrir des informations plus détaillées.
Par exemple, un modèle de localisation multi-classes peut analyser l'image d'un objet endommagé et indiquer le type de défaut, comme une rayure ou une fissure, ainsi que les coordonnées exactes du défaut dans l'objet.
Les méthodes d'inspection traditionnelles sont plus rigides et suivent des règles et des normes définies par l'utilisateur, telles que des seuils, des listes de contrôle prédéfinies et des critères de réussite ou d'échec.
Par exemple, dans les techniques de vision basées sur des règles, des experts définissent la couleur, la forme et la taille idéales d'un produit particulier. Le système informe les experts si une caméra ou un autre dispositif de capture d'images détecte des écarts par rapport à ces normes.
Les approches d'apprentissage profond offrent une plus grande flexibilité pour construire des systèmes de détection plus complexes. Ces approches impliquent la collecte et l'annotation de vastes ensembles de données d'images d'objets défectueux. Les experts utilisent les données annotées pour former des modèles de détection d'objets tels que Ultralytics YOLO11. Une fois formés, ils peuvent déployer le modèle dans des caméras ou des capteurs pour capturer des images et identifier les défauts en temps réel.
Dans la section suivante, nous verrons comment YOLO11 peut être utilisé pour l'inspection de la qualité.
You-Only-Look-Once (YOLO ) est un modèle de détection d'objets en temps réel à la pointe de la technologie (SOTA), réputé pour sa grande précision, son adaptabilité et sa rapidité. Sa dernière itération est Ultralytics YOLO11, qui améliore les versions précédentes en termes d'extraction de caractéristiques, de vitesse, de précision et d'adaptabilité.
Il est doté d'une meilleure architecture pour une extraction plus précise des caractéristiques et comprend des pipelines d'apprentissage optimisés pour des vitesses de traitement plus rapides. Il est plus efficace en termes de calcul, avec 22 % de paramètres en moins et des scores de précision plus élevés que ses prédécesseurs.
Grâce à sa polyvalence, YOLO11 peut contribuer à améliorer les flux d'inspection de la qualité dans de nombreux domaines. Il peut aider à détecter les anomalies, les dommages, les fissures, les articles manquants et les erreurs d'emballage dans les produits en effectuant des tâches telles que la détection et la segmentation d'objets.
Examinons quelques façons dont les modèles de vision par ordinateur peuvent être utilisés dans l'industrie manufacturière.
Les modèles de vision par ordinateur permettent de vérifier si un produit contient tous les éléments nécessaires. Ils peuvent détecter les composants manquants dans les produits assemblés afin d'en garantir l'exhaustivité.
Dans la fabrication de produits électroniques, l'identification des composants manquants, des pièces mal alignées ou des problèmes de soudure est cruciale pour garantir la fiabilité et la fonctionnalité du produit final.
Les modèles de détection d'objets tels que YOLO11 peuvent être entraînés à détecter les composants manquants ou mal placés sur les cartes de circuits imprimés. Ils peuvent analyser les images des cartes en temps réel et identifier les défauts tels que les résistances ou les condensateurs manquants. Cela permet de s'assurer que l'assemblage de chaque unité est correct avant l'expédition.
La détection des fissures est une autre tâche de détection qui analyse les images ou les données des capteurs afin de déterminer l'emplacement, la taille et la gravité d'une fissure.
L'industrie automobile est un exemple où la détection des fissures dans de multiples composants tels que les engrenages et les systèmes de freinage est nécessaire pour s'assurer qu'ils répondent aux normes de sécurité.
Des modèles comme YOLO11 peuvent être formés pour détecter rapidement des défauts tels que des rayures de surface ou des fissures dans des composants automobiles complexes.
La vision par ordinateur peut aider à détecter différents types de dommages sur la surface d'un produit, tels que les rayures, les bosses et les déformations, à l'aide de tâches de vision par ordinateur.
L'industrie textile peut tirer un grand profit de la détection des dommages basée sur l'IA en utilisant des modèles de détection et de segmentation d'objets tels que YOLO11. Il peut identifier des défauts tels que des déchirures, des trous, des taches ou des incohérences dans le tissu au cours du processus de production.
La détection des anomalies consiste à analyser la conception, la structure, l'apparence et la taille d'un produit afin de déterminer si ces propriétés s'écartent des normes souhaitées.
Dans la fabrication de produits pharmaceutiques, la détection des anomalies est essentielle pour garantir la qualité et la sécurité des médicaments. Les fabricants peuvent utiliser YOLO11 pour détecter des irrégularités telles que des incohérences dans la forme et la taille des comprimés, une décoloration ou des particules étrangères.
L'emballage et l'étiquetage constituent un autre exemple d'utilisation des modèles de vision par ordinateur dans l'industrie manufacturière. Par exemple, l'industrie des aliments et des boissons doit répondre à des normes strictes en matière de sécurité des consommateurs et de conformité.
Des modèles comme YOLO11 peuvent aider à détecter les erreurs d'emballage telles qu'un étiquetage incorrect, un emballage endommagé ou des sceaux de sécurité manquants. Il peut également vérifier que les étiquettes sont correctement placées et que les codes-barres ou les dates de péremption sont clairs.
Cela permet de s'assurer que les produits sont conformes aux réglementations de l'industrie et prêts à être distribués aux consommateurs.
Les cadres d'inspection de la qualité basés sur l'IA sont encore en évolution et font face à de nombreux défis. Voici quelques limitations et orientations de recherche futures à prendre en compte pour ces technologies.
L'inspection de la qualité basée sur l'apprentissage profond connaît des progrès exponentiels en raison du développement constant de différents modèles de détection d'objets. Grâce à l'inspection de la qualité basée sur l'IA, les fabricants peuvent atteindre une plus grande évolutivité et une plus grande flexibilité que les approches traditionnelles.
Les entreprises peuvent utiliser des modèles tels que YOLO11 pour automatiser le processus d'inspection, en tirant parti de son architecture améliorée et de ses capacités d'extraction de caractéristiques, ce qui se traduit par une plus grande précision et une plus grande rapidité.
Vous pouvez en savoir plus sur YOLO11 et d'autres modèles de détection d'objets en consultant notre dépôt GitHub et en vous engageant auprès de notre communauté dynamique. Découvrez comment Ultralytics redéfinit la fabrication grâce à des cadres d'apprentissage profond de pointe.
.webp)
