Atteindre l’excellence manufacturière avec des modèles de reconnaissance d’images pour la détection de défauts de surface

En moyenne, le coût de la mauvaise qualité des produits pour les industries manufacturières est d’environ 20% des ventes totales. Le contrôle de la qualité joue un rôle crucial dans de nombreuses industries et la capacité de détecter et d’identifier les défauts de surface est d’une importance capitale. Les méthodes d’inspection manuelle traditionnelles, qui reposent sur la perception et le jugement humains, sont souvent insuffisantes en termes de temps, de subjectivité et d’erreurs humaines.

Cependant, avec les progrès de l’intelligence artificielle et des modèles de reconnaissance d’images, il est maintenant possible d’automatiser les processus de détection de défauts de surface avec une plus grande précision et efficacité. Dans ce blog, nous allons explorer le concept de l’utilisation de modèles de reconnaissance d’images pour la détection de défauts de surface et discuter d’un exemple d’utilisation dans l’industrie sidérurgique. En décomposant le processus d’inspection en étapes distinctes, nous visons à comprendre comment les systèmes alimentés par l’IA peuvent détecter et classifier avec précision les défauts de surface.

Les défis de la détection de défauts de surface

Une variété de complications dans la détection de défauts de surface pour les industries, notamment la fabrication, l’automobile, l’électronique et le textile, peuvent entraîner des défauts de qualité des produits. La complexité des défauts de fabrication pose un obstacle important pour les organisations, ce qui peut compromettre l’intégrité du produit et la satisfaction client. Les vitesses de production à la chaîne exigent des mécanismes d’identification de défauts rapides, soulignant l’urgence de solutions de détection en temps réel. Certains des principaux obstacles à la détection de défauts efficace sont :

• La diversité et la complexité des défauts : Les processus de fabrication peuvent entraîner une gamme de défauts, variant en taille et en complexité. Par exemple, dans la fabrication automobile, les défauts peuvent aller de subtiles imperfections de peinture à des anomalies structurelles, ce qui rend la détection et la classification cohérentes une tâche exigeante.
• Les vitesses de production élevées : Les industries comme l’électronique grand public nécessitent une identification rapide des défauts pour empêcher les articles défectueux d’atteindre le marché. Par exemple, dans l’assemblage de PCB, l’identification rapide des problèmes de soudage est cruciale pour maintenir la fiabilité du produit et la satisfaction client.
• Le traitement en temps réel : L’industrie pharmaceutique nécessite une détection en temps réel pour assurer la sécurité et la conformité des produits. La détection de défauts dans le revêtement des pilules, par exemple, empêche la qualité compromise des médicaments et les problèmes réglementaires potentiels.
• L’inspection visuelle manuelle : Consiste à examiner les produits pour détecter les défauts et les irrégularités de surface. En raison du processus manuel, il peut être chronophage, en particulier pour les grandes quantités, ce qui entraîne des retards dans le flux de travail. Il est également sujet à la méconnaissance ou à la fausse classification des défauts pendant les périodes d’inspection prolongées. L’inspection manuelle repose fortement sur l’expertise individuelle, qui peut manquer de scalabilité et de disponibilité.

Les avantages de l’utilisation de l’intelligence artificielle

L’inspection visuelle basée sur l’IA offre une solution prometteuse pour surmonter les défis rencontrés lors de l’inspection visuelle manuelle dans l’industrie manufacturière.

• En exploitant l’intelligence artificielle et les modèles de reconnaissance d’images, les systèmes basés sur l’IA peuvent fournir une détection de défauts cohérente et objective, minimisant l’impact de la subjectivité humaine.
• Ces systèmes ont la capacité d’analyser de grandes quantités de données avec une vitesse et une précision remarquables, ce qui entraîne une réduction significative du temps d’inspection et une amélioration de l’efficacité globale.
• Les modèles d’IA peuvent être formés pour détecter même les défauts subtils ou difficiles à identifier qui peuvent passer inaperçus aux inspecteurs humains, dépassant les limites de la perception visuelle humaine et améliorant la précision globale de l’identification des défauts.
• Contrairement aux inspections manuelles qui reposent fortement sur les compétences et l’expertise de l’inspecteur individuel, l’inspection visuelle basée sur l’IA ne dépend pas de la compétence individuelle, ce qui la rend scalable et adaptable à différents scénarios d’inspection.
• Avec l’apprentissage et l’amélioration continues, ces systèmes peuvent évoluer pour gérer des modèles de défauts complexes et fournir un contrôle de la qualité de plus en plus fiable et efficace.

Trois étapes de gestion des défauts

Les modèles de détection d’images intègrent la puissance de l’apprentissage profond et un cadre soigneusement conçu pour accomplir plusieurs tâches avec une grande précision. Il excelle dans les étapes clés de la gestion des défauts : la détection, la classification et la localisation, offrant une solution supérieure aux méthodes conventionnelles.

En utilisant ces trois étapes de gestion des défauts, les industries peuvent rationaliser leurs processus de contrôle de la qualité et assurer que des mesures correctives efficaces soient prises rapidement.

Inspection visuelle basée sur l’IA de nouvelle génération

Chez Sigmoid, nous avons développé une solution qui exploite les algorithmes d’apprentissage profond de pointe spécifiquement conçus pour le traitement d’images. Un composant crucial est son optimisation minutieuse de chaque étape du processus de gestion des défauts, en utilisant des architectures personnalisées qui se concentrent sur des aspects spécifiques pour assurer des performances exceptionnelles.

Détection et classification : Les deux premières étapes, la détection et la classification, utilisent une architecture de CNN pré-entraînée conçue pour améliorer l’efficacité et l’efficacité de l’extraction de fonctionnalités. Ce modèle pré-entraîné a déjà subi une formation approfondie sur un grand ensemble de données, ce qui est particulièrement bénéfique lorsque nous avons des données limitées spécifiques à l’utilisation. Pour garantir encore la robustesse et la fiabilité de notre cadre, diverses techniques d’augmentation sont employées, ce qui augmente son efficacité dans les scénarios du monde réel.

Localisation : Cette étape utilise une architecture d’apprentissage profond dédiée spécifiquement conçue pour la segmentation sémantique, où l’objectif est non seulement de classer chaque pixel mais également de délimiter les frontières d’objets. Elle se compose d’un chemin d’encodeur pour capturer les informations contextuelles et d’un chemin de décodeur symétrique pour récupérer les détails spatiaux. Cette structure aide à capturer à la fois les fonctionnalités globales et locales cruciales pour une localisation précise. De plus, chaque type de défaut distinct possède son propre modèle de localisation individualisé, capable de capturer les fonctionnalités distinctives inhérentes à ce défaut.

Au cours de ce processus, notre solution maintient un taux d’exactitude élevé dans toutes les trois étapes de la gestion des défauts. Une illustration de notre cadre de solution propriétaire est donnée ci-dessous :

Conclusion

L’utilisation de modèles de reconnaissance d’images pour la détection de défauts de surface marque une nouvelle ère dans le contrôle de la qualité. Les systèmes alimentés par l’IA offrent une détection objective et cohérente, accélérant le processus et améliorant la précision. Ils identifient les défauts subtils, dépassant les capacités humaines, et sont scalables dans divers scénarios. L’adoption de cette technologie ne réduit pas seulement les coûts, mais améliore également la fiabilité des produits, et renforce la compétitivité, marquant un grand pas en avant dans l’efficacité et l’excellence manufacturière.