Smart Production Inspection des cordons de soudure à l'aide de l'intelligence artificielle

VITRONIC se penche sur le sujet de l'intelligence artificielle (IA) appliquée au traitement d'images dans l'article « Le traitement d'images devient intelligent » disponible sur le blog. Dans cet article, nous abordons l'intégration de l'IA aux systèmes de traitement d'images et étudions le sujet à l'aide d'un exemple concret issu de l'inspection des cordons de soudure : la détection et la classification des projections de soudure.

Les projections de soudure réduisent la qualité des surfaces visibles ainsi que des surfaces critiques pour l'assemblage.  Il est par conséquent essentiel que le processus de détection des défauts soit particulièrement fiable.

Quels sont les avantages de l'intégration de l'IA ?

Le traitement d'images traditionnel atteint ses limites lorsqu'il s'agit de gérer des fonds très hétérogènes et des défauts variés. Par conséquent, les résultats d'une détection du bord classique ne sont pas toujours concluants dans le cas de projections. L'IA élimine ce désavantage car cette technologie est capable de détecter automatiquement les motifs que l'homme est dans l'incapacité de percevoir ou de quantifier. L'IA rend ainsi le traitement d'images plus flexible en plus de permettre au système d'apprendre à mesure qu'il rencontre de nouvelles situations.

Détection des projections à l'aide d'un réseau neuronal

Mais alors, comment la détection d'une projection de soudure « non acceptable » est-elle exprimée en termes de tolérance dans un système d'inspection ? Pour cela, les experts déterminent les irrégularités que l'IA doit classer comme projections de soudure. Les réseaux neuronaux convolutifs (CNN) sont ensuite « entraînés » à l'aide de ces données. Un réseau entraîné peut ensuite mieux classer d'autres types de projections après une très courte phase d'apprentissage en comparaison de l'approche classique.

Il est important de disposer d'un grand nombre de jeux de données différents concernant le type de défaut afin que, plus tard, un large éventail de projections différentes puisse être détecté efficacement. Plus il y a de données disponibles, mieux le réseau peut être « entraîné ».

Une étiquette est attribuée aux jeux de données d'apprentissage ou, plus précisément, à chaque anomalie. Ces étiquettes constituent les valeurs cibles pour le processus d'apprentissage.

Il faut garder à l'esprit que les réseaux neuronaux ne sont pas déterministes. Il existe une grande probabilité de détection d'erreurs, mais pas de singularité. Pour ces probabilités, il est possible de définir une valeur seuil déclenchant la classification comme une projection. Plus la valeur seuil définie est faible, plus l'incertitude est grande (100 % moins la valeur seuil). Ceci signifie que même les réseaux neuronaux peuvent donner lieu à des pseudo-erreurs de classification.

L'inspection en ligne nécessite de respecter les temps de cycles de la chaîne de production. Dans la pratique, la durée des inspections est donc également un facteur important.

À des fins d'évaluation, nous avons comparé les durées totales des inspections avec les systèmes de traitement d'images traditionnels et ceux appuyés par l'IA. Certains algorithmes d'IA (comme la détection à passe unique ou SSD) ont atteint des vitesses presque identiques au traitement d'images traditionnel.

En tenant compte de la précision plus élevée de la méthode SSD, cette alternative d'inspection des cordons de soudure est donc plus intéressante.

Naturellement, l'IA peut être mise à profit pour d'autres tâches que la classification des projections de soudure. Dans le futur, VITRONIC fera également appel à l'IA pour la détection d'autres défauts tels que les trous et les renfoncements. Les possibilités d'apprentissage de l'IA sur d'autres critères sont considérables.