Page 91 - PlaneteRobots_été 2020_Neat

Robotique et IA Industrie 4.0

d’année en année avec des technologies de détection de
bord dans les années 80, des algorithmes de détection L’analyse d’image se démocratise
des caractères à la fin des années 90, la détection jusque sur smartphone
des visages dans les années 2000 puis de grandes
avancées dans la caractérisation des environnements.
La détection des points d’intérêt dans une scène a été
majeure pour le déplacement des robots dans leur
environnement. « Ce qui a beaucoup changé dans les années
2010 pour la vision par ordinateur, c’est l’essor des algorithmes
de machine learning » explique Lucas Nacsa P.-D.G. de
Neovision.

Basée à Grenoble, cette société de conseil et
d’ingénierie spécialisée en intelligence artificielle a
été le premier partenaire IA de Nvidia en France. Cet
intérêt pour le machine learning a réellement décollé
avec la mise en ligne de l’énorme base de données
ImageNet par les chercheurs. Les millions d’images
classées manuellement dans des dizaines de milliers Baptiste Amato
de catégories ont permis d’entraîner les modèles,
notamment de deep learning. « Depuis cette époque, le Psycle Research, une start-up spécialisée dans l’intel- © Audi AG.
taux d’erreur dans la reconnaissance d’objets est passé de 25% ligence au service du monde industriel a notamment
à 10% puis sous la barre symbolique des 5%, le taux moyen créé ce type d’applications d’IA de contrôle qualité L’industrie automobile, à l’image d’Audi, réalise de plus en plus de contrôles qualité via l’analyse d’image automatique.
d’un être humain. Avant d’être sous la barre des 15%, aucune pour les industriels. C’est le cas de Michelin qui four-
utilisation industrielle n’était envisageable, mais les progrès ont nit aux agents de piste une application mobile avec la-
été tels, que c’est possible aujourd’hui. » quelle ils prennent en photo le pneu endommagé d’un grande série ont des besoins d’automatisation sur les points de
avion. L’application va analyser la photo prise par le contrôle qualité. Il s’agit de vérifier qu’il n’y a pas d’égratignures La maintenance devient prédictive
Outre cette amélioration des techniques d’apprentissage smartphone et recommander le type de réparation à sur la pièce, vérifier qu’un flacon est bien fermé ou qu’il n’y a
des réseaux de neurones, les fabricants de composants réaliser. Cette détection automatique de défauts inté- pas de trous sur un opercule en plastique. L’IA permet d’aller
ont beaucoup travaillé sur l’accélération matérielle afin resse aussi des industriels de la métallurgie, du condi- plus loin que ce qu’il était possible de faire en vision artificielle “Ces solutions sont bien conçues
d’accroître la rapidité des résultats et il est maintenant tionnement explique Baptiste Amato, fondateur et di- et réaliser des vérifications sur les pièces qu’il n’était pas possible et tiennent aujourd’hui la route.
possible d’exécuter les inférences de ces modèles d’IA rigeant de Psycle Research : « Les entreprises qui font de la de faire avec les algorithmes traditionnels. » L’IA permet de Il faut juste donner le temps
en temps réel sur les processus industriels et permettre vérifier les dimensionnements, mais aussi détecter une aux industriels de les mettre
à un robot de trier les pièces conformes de celles qui bavure, une griffure, un éclat sur le verre, des défauts
comportent un défaut. “L’IA permet l’analyse des données qui n’ont pas une forme prédéfinie. En outre, une IA en œuvre.”
de production pour identifier offre avec une relative tolérance en termes de quali-
Pour Pascal Brosset les industriels s’intéressent les paramètres qui influent té d’image, de qualité d’éclairage, contrairement aux (Pascal Brosset).
aujourd’hui beaucoup à l’IA pour les contrôles qualité. directement sur la qualité des pièces algorithmes classiques. Cette capacité de classification
« Les industriels emploient encore beaucoup de gens pour faire des produites. Les données analysées automatique est notamment intéressante dans le tri Les algorithmes d’IA de nouvelle génération font des
contrôles d’inspection finale, des équipes qui inspectent les lots de automatique des déchets, distinguer les déchets bio- merveilles dans l’analyse d’images, mais ils peuvent
produits avant de donner leur accord pour les livrer. Cela induit par les algorithmes permettent logiques des emballages plastiques et des bouteilles. tout autant travailler sur des données beaucoup moins
des délais et beaucoup de travail administratif avant que les au directeur de production d’influer Autant de déchets aux formes, couleurs et textures très visuelles. Depuis quelques années, des fournisseurs
produits qui sortent de la chaîne de production puissent être livrés sur les paramètres de fabrication variables par nature. Outre la détection des défauts, la d’équipements industriels proposent une maintenance
aux clients. L’objectif est d’instaurer un contrôle qualité tout au et optimiser l’utilisation technologie peut être utilisée pour lire des numéros de prédictive à leur client. La promesse est d’intervenir
long de la chaîne de production pour alléger le contrôle final voire des moyens de production, anticiper série même si ceux-ci sont très déformés. Il est même sur un équipement industriel avant qu’il ne tombe
l’éliminer. L’objectif n’est pas de ne plus avoir personne sur la les problèmes qui pourraient survenir.” possible d’utiliser les images de l’ensemble des caméras en panne et passer d’une maintenance préventive où
chaîne de production mais bien de pouvoir livrer beaucoup plus de surveillance d’un site industriel pour retrouver des l’on change une pièce systématiquement au bout de x
rapidement les produits qui en sortent. » (Baptiste Amato). chariots perdus ou encore détecter la chute acciden- heures de fonctionnement à un remplacement unique-
telle d’un opérateur et déclencher l’alerte. ment lorsque la pièce montre les signes annonciateurs

90 PLANÈTE ROBOTS N°63 JUIN / JUILLET / AOÛT 2020 JUIN / JUILLET / AOÛT 2020 N°63 PLANÈTE ROBOTS 91