Contrôle vert
Lien copié dans le presse-papiers

Inspection de la qualité dans la fabrication : Méthodes traditionnelles vs méthodes d'apprentissage profond

Apprends comment les derniers modèles de détection d'objets peuvent aider à automatiser 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. Cependant, 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, comme la détection d'objets et la segmentation sémantique, afin de diminuer 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 flux d'inspection et de réduire la dépendance à l'égard des inspecteurs humains en analysant de vastes ensembles de données, notamment des images et des vidéos. 

En raison de sa polyvalence et de sa rentabilité, l'assurance qualité basée sur l'IA stimule considérablement la rentabilité des entreprises. Des rapports suggèrent que l'industrie manufacturière peut gagner plus de 3 000 milliards de dollars grâce à l'IA d'ici 2035.

Dans cet article, nous verrons comment les méthodes d'apprentissage profond peuvent améliorer l'inspection de la qualité et comment Ultralytics YOLO11 peuvent améliorer l'inspection dans de multiples secteurs d'activité.

Qu'est-ce que l'inspection de la qualité dans la fabrication ?

L'inspection de la qualité permet d'évaluer si un produit présente des défauts, des anomalies ou des incohérences avant d'atteindre le consommateur. 

Le processus peut se produire 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, il s'agit d'experts humains qui effectuent des évaluations visuelles pour voir 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 pour obtenir plus d'agilité et d'évolutivité dans leurs opérations.

Qu'est-ce que les approches d'apprentissage profond ?

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. 

Fig 1. Réseau neuronal artificiel.

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 exécutent 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.

Approches d'apprentissage profond pour l'inspection de la qualité

L'inspection de la qualité basée sur la vision utilise de multiples méthodes pour détecter et localiser les dommages, les fissures et les éléments manquants. La liste ci-dessous mentionne quatre approches modernes d'apprentissage profond.

Classification binaire

La classification binaire fait référence à la tâche qui consiste à classer les images dans l'une des deux classes, par exemple en déterminant si un défaut est présent ou non sur un objet.

Basé sur des 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.

Fig 2. Classification binaire d'une pièce de voiture.

Classification multi-classes

La classification multi-classe consiste à classer les images dans plus de deux classes. Elle attribue chaque image à l'une de plusieurs 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 lequel est le plus probablement présent. 

Fig 3. Classification multi-classe détectant la courbure et la couleur.

Ceci est utile dans la fabrication où divers défauts, tels que des rayures, des bosses ou des fissures, peuvent nécessiter des procédures de manipulation différentes. 

Localisation

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. 

Cela est utile pour des tâches telles que la détection des fissures dans les bâtiments ou les pièces industrielles, où l'emplacement précis d'un défaut est nécessaire pour effectuer des réparations ciblées. 

Fig 4. Modèle de localisation d'un trou de perforation.

Par exemple, dans 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.

Localisation multi-classes

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.

Fig 5. Modèle localisant plusieurs types de défauts.

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 à l'intérieur de l'objet. 

Approches traditionnelles et approches d'apprentissage profond 

Les méthodes d'inspection traditionnelles sont plus rigides, elles 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.

Utilisation de la vision par ordinateur 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 YOLO11qui 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'entraînement 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 processus 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.

Voyons quelques façons dont les modèles de vision par ordinateur peuvent être utilisés dans l'industrie manufacturière. 

Détection des articles manquants et des pièces mal placées dans l'électronique

Les modèles de vision par ordinateur peuvent 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 électronique, l'identification des composants manquants, des pièces mal alignées ou des problèmes de soudure est cruciale pour s'assurer que le produit final est fiable et possède les bonnes fonctionnalités.

Les modèles de détection d'objets comme YOLO11 peuvent être entraînés à détecter les composants manquants ou mal placés sur les cartes de circuits imprimés. Il peut analyser les images des cartes en temps réel et identifier les défauts tels que les résistances ou les condensateurs manquants. Cela permettra de s'assurer que l'assemblage de chaque unité est correct avant l'expédition.

Détection des fissures dans les pièces automobiles

La détection des fissures est une autre tâche de détection qui analyse les images ou les données des capteurs pour déterminer avec précision 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.

Les modèles tels que YOLO11 peuvent être formés pour détecter rapidement les défauts tels que les rayures de surface ou les fissures dans les composants automobiles complexes.

Détection des dommages dans les textiles

La vision par ordinateur peut aider à détecter divers 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 bénéficier de manière significative de la détection des dommages basée sur l'IA en utilisant des modèles de détection et de segmentation d'objets tels que YOLO11. Ils permettent d'identifier les défauts tels que les déchirures, les trous, les taches ou les incohérences du tissu au cours du processus de production. 

Détection d'anomalies dans la fabrication de produits pharmaceutiques

La détection des anomalies fait référence à la tâche consistant à analyser la conception, la structure, l'apparence et la taille d'un produit afin d'évaluer si ces propriétés s'écartent des normes souhaitées.

Dans la fabrication pharmaceutique, la détection des anomalies est vitale pour garantir la qualité et la sécurité des produits pharmaceutiques. 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.

Précision de l'emballage et de l'étiquetage

Un autre exemple de la façon dont les modèles de vision par ordinateur peuvent être utilisés dans la fabrication est celui de l'emballage et de l'étiquetage dans les industries. Par exemple, l'industrie des aliments et des boissons doit répondre à des normes strictes en matière de sécurité et de conformité des consommateurs.

Les modèles tels que YOLO11 peuvent aider à détecter les erreurs d'emballage telles qu'un étiquetage incorrect, un emballage endommagé ou des sceaux de sécurité manquants. Ils peuvent 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 qu'ils sont prêts à être distribués aux consommateurs.

Défis et orientations futures de l'inspection de la qualité basée sur l'IA

Les cadres d'inspection de la qualité basés sur l'IA sont encore en évolution et font face à de nombreux défis. Voici quelques limites et orientations de recherche futures à prendre en compte pour ces technologies.

  • Apprentissage en monde ouvert et vision active : Construire des modèles de détection d'objets pour détecter de nouveaux objets est un défi en raison de la disponibilité limitée des données étiquetées. Les modèles de formation non supervisée et d'apprentissage par transfert peuvent aider les experts à adapter rapidement les cadres de détection à de nouveaux ensembles de données.
  • Détection au niveau du pixel : La segmentation des images permet aux modèles de comprendre la différence entre l'arrière-plan et l'objet principal d'une image. L'intégration de la détection et de la segmentation des objets est un domaine de recherche qui se développe constamment pour garantir une inspection de haute qualité.
  • Apprentissage multimodal : Les modèles multimodaux peuvent intégrer et analyser plusieurs types de données simultanément. Dans la détection d'objets, l'apprentissage multimodal peut aider à améliorer la précision de l'inspection en apprenant à partir de différents types de données, comme les données thermiques pour comprendre la profondeur, les images en 2 dimensions et les courtes séquences vidéo.

Principaux enseignements 

L'inspection de la qualité basée sur l'apprentissage profond connaît une progression exponentielle 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 obtenir 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 des caractéristiques, ce qui se traduit par une meilleure précision et une plus grande rapidité.

Tu peux en apprendre davantage sur YOLO11 et sur d'autres modèles de détection d'objets en consultant notre dépôt GitHub et en t'engageant auprès de notre communauté dynamique. Explore comment Ultralytics redéfinit la fabrication grâce à des cadres d'apprentissage profond de pointe.

Logo FacebookLogo de TwitterLogo LinkedInSymbole du lien de copie

Lire la suite dans cette catégorie

Construisons ensemble le futur
de l'IA !

Commence ton voyage avec le futur de l'apprentissage automatique.