Application Deep Learning : Réduisez les coûts, les délais et les erreurs humaines

Présentation

Depuis 1926, le groupe STIHL développe, conçoit et commercialise des outils électriques pour la foresterie et l’agriculture. En tant que leader mondial sur ce marché, STIHL met un point d’honneur sur la qualité du processus de fabrication de ses produits.

Jusqu’à présent, l’évaluation visuelle de la qualité était réalisée par des techniciens. STIHL recherchait une solution de vision artificielle basée sur le deep learning en vue d’optimiser le processus d’inspection en coûts et en délais.

Contexte

La tronçonneuse est l’un des produits les plus vendus par STIHL. Elle intègre une crépine à essence qui permet de filtrer les saletés, les copeaux de bois et autres éléments invasifs. Ce composant est essentiel puisqu’il préserve la chambre à combustion des particules de saleté.

Ces crépines comportent quatre passerelles et se composent d’un corps en plastique et d’une pièce en tissu. Le but de l’inspection est d’évaluer et de classer les coutures de ces composants afin de s’assurer que les passerelles sont correctement positionnées et scellées avant utilisation.

deep learning - AdobeStock 213435580 scaled

Optimisez coûts et délais de votre application grâce à
une solution de vision artificielle basée sur le Deep Learning

Problématique

Les pièces à inspecter sont de petites tailles et les caractéristiques des erreurs sont difficiles à détecter par l’œil humain. Dans un premier temps, STIHL a mis en place des outils de traitement d’images conventionnel pour l’évaluation des pièces. Les résultats obtenus étant peu concluants, il devenait nécessaire d’intégrer la vision industrielle basée sur réseaux neuronaux dans le processus d’inspection afin de limiter les risques d’erreur.

Réponse avec le Deep Learning

Pour qu’il soit performant, le réseau neuronal nécessite une phase d’entraînement complexe et minutieuse. Les images à traiter doivent être en nombre suffisant, étiquetées de façon appropriée (assemblage bon ou mauvais), et doivent illustrer des variances pour distinguer un bon d’un mauvais assemblage. Dans cette optique, STIHL a fait appel à l’expertise de Matrox Imaging, leader sur le marché de la vision industrielle depuis plus de 45 ans, afin de lui confier l’entraînement du réseau de neurones convolutifs (CNN).

Les 2 000 images fournies par STIHL représentent une crépine, « une pièce en plastique avec une couture en tissu, photographiée de l’intérieur ». Seules les quatre passerelles de la crépine sont nécessaires pour l’inspection. Chaque passerelle est alors extraite de l’image générale puis triée en dossiers distincts « bons » et « mauvais », pour un jeu de données de 8 000 images au total.

Les solutions proposées par Matrox Imaging sont idéales pour répondre à ce genre d’exigences. Le logiciel Matrox Design Assistant X est un environnement de développement intégré (IDE) qui permet la classification automatique des images dans des classes prédéfinies, tandis que MIL CoPilot donne accès à des architectures CNN pour la construction du jeu de données d’images nécessaire à l’entraînement. Le contrôleur de vision Matrox 4Sight EV6 offre une inspection multi-caméras fiable, de nombreuses E/S et une alimentation par Ethernet (PoE).

Résultat

Matrox Imaging a intégré la collection de 8 000 images dans l’environnement interactif MIL CoPilot afin d’entraîner le réseau de neurones et de construire un fichier de contexte de classification. Le fichier a ensuite été importé dans le logiciel Matrox Design Assistant X de sorte à classer automatiquement les nouvelles images.

Dans le cas présent, le traitement d’images basé sur des règles conventionnelles n’est pas adéquat car les images des pièces varient trop, induisant un taux d’erreur trop élevé. Les étapes de classification et le deep learning réalisé grâce aux outils Matrox Imaging ont permis d’obtenir des taux de réussite de 99,5 %, contre 80-95 % auparavant.

Satisfaction

Le déploiement de ce nouveau système de vision basé sur le deep learning a donné entière satisfaction à la société STIHL. Les outils de Matrox Imaging ont apporté de nettes améliorations quant aux mesures d’assurance qualité, et remplacent désormais le processus d’inspection visuelle que STIHL avait mis en place dans le passé. Il est d’ailleurs prévu de développer un deuxième système similaire. « La technologie de deep learning étend le domaine du traitement d’images, où les outils classiques donnent des résultats insuffisants », déclare Alexander Fromm, ingénieur des systèmes d’automatisation au sein de STIHL.

Matrox Imaging fait désormais partie intégrante des partenaires du groupe STIHL.

Source : Matrox Imaging