Contrôle qualité dans la fabrication : Méthodes traditionnelles vs apprentissage profond

Le contrôle qualité est une tâche essentielle durant la fabrication qui garantit que les produits répondent aux normes de qualité requises. Cependant, l'évaluation de la qualité à l'aide de méthodes d'inspection traditionnelles peut être coûteuse à mesure que la complexité des produits augmente.

Les fabricants se tournent vers des techniques d'inspection basées sur l'apprentissage profond, comme la détection d'objets et la segmentation sémantique, pour réduire les coûts d'inspection. L'apprentissage profond est un sous-domaine de l'intelligence artificielle (IA) qui utilise des algorithmes informatiques appelés réseaux de neurones pour identifier des modèles complexes dans les données. Ces techniques aident à automatiser le flux de travail d'inspection et à réduire la dépendance aux inspecteurs humains en analysant de vastes datasets, y compris 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. Les rapports suggèrent que l'industrie manufacturière peut gagner plus de 3 000 milliards USD grâce à l'IA d'ici 2035.

Cet article discutera de la façon dont les méthodes d'apprentissage profond peuvent améliorer le contrôle qualité et comment Ultralytics YOLO11 peut améliorer l'inspection dans de multiples industries.

Link to this sectionQu'est-ce que le contrôle qualité dans la fabrication ?#

Le contrôle qualité évalue si un produit présente des défauts, des anomalies ou des incohérences avant d'atteindre le consommateur.

Le processus peut se dérouler pendant la production, où le produit se déplace sur une ligne d'assemblage, ou après la production, mais avant que les articles ne soient dirigés vers la ligne de distribution.

Souvent, il implique des experts humains réalisant des évaluations visuelles pour voir si le produit s'écarte des normes de conception souhaitées ou ne les respecte pas.

Cependant, à mesure que les exigences de qualité augmentent, les fabricants se tournent vers des approches automatisées d'apprentissage profond pour atteindre une plus grande agilité et évolutivité dans leurs opérations.

Link to this sectionQuelles sont les approches d'apprentissage profond ?#

Les approches d'apprentissage profond utilisent des réseaux de neurones artificiels qui fonctionnent sur les principes d'un 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 de neurones artificiels.

Dans le contrôle qualité, les modèles d'apprentissage profond incluent des frameworks de computer vision qui apprennent et extraient automatiquement des caractéristiques à partir d'images de produits.

Le développement de modèles de computer vision exige que des experts entraînent un réseau de neurones sur des datasets pertinents et effectuent des validations sur un nouveau dataset pour vérifier les performances.

Une fois validés, les experts peuvent déployer ces modèles sur des caméras et des capteurs en utilisant divers outils de déploiement tels que PyTorch, ONNX et OpenVINO.

Link to this sectionApproches d'apprentissage profond pour le contrôle qualité#

Le contrôle qualité basé 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.

Link to this sectionClassification binaire#

La classification binaire fait référence à la tâche de catégoriser les images dans l'une des deux classes, comme déterminer si un défaut est présent ou non dans un objet.

Sur la base de données visuelles, un modèle de classification produit une décision binaire oui/non. Ils aident à détecter les éléments manquants. Par exemple, un modèle de classification peut détecter si un élément est manquant ou non dans un produit.

Fig 2. Classification binaire d'une pièce automobile.

Link to this sectionClassification multi-classes#

La classification multi-classes est la tâche de catégoriser les images dans plus de deux classes. Elle assigne chaque image à l'une des nombreuses 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, indiquant lequel est le plus susceptible d'être présent.

Fig 3. Classification multi-classes détectant les pliages et la couleur.

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

Link to this sectionLocalisation#

La localisation fait référence à l'identification de l'emplacement spécifique d'un objet ou d'une caractéristique au sein d'une image. Elle utilise des modèles de détection d'objets pour prédire des bounding boxes ou des coordonnées qui mettent en évidence la région spécifique du dommage.

Ceci est utile pour des tâches comme la détection de fissures dans les bâtiments ou les pièces industrielles, où l'emplacement précis d'un défaut est nécessaire pour des réparations ciblées.

Fig 4. Modèle localisant un trou de poinçonnage.

Par exemple, dans la maintenance des infrastructures, les modèles de localisation peuvent analyser des images d'une structure en béton et marquer la zone exacte où se trouve une fissure.

Link to this sectionLocalisation multi-classes#

La localisation multi-classes identifie et localise plusieurs défauts au sein d'une image tout en classant chaque défaut dans l'une des nombreuses catégories prédéfinies.

Elle 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 une image d'un article 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.

Link to this sectionApproches traditionnelles vs apprentissage profond#

Les méthodes d'inspection traditionnelles sont plus rigides, suivant des règles et des normes définies par l'utilisateur telles que des seuils, des listes de contrôle prédéfinies et des critères de réussite/échec.

Par exemple, dans les techniques de vision basées sur des règles, les 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'image détecte des écarts par rapport à ces normes.

Deep-learning approaches offer greater flexibility for building more complex detection systems. These approaches involve collecting and annotating extensive datasets of images of defective objects. Experts use the annotated data to train object detection models such as Ultralytics YOLO11. Once trained, they can deploy the model in cameras or sensors to capture images and identify defects in real time.

Dans la section suivante, nous examinerons comment YOLO11 peut être utilisé pour le contrôle qualité.

Link to this sectionUtilisation du computer vision pour le contrôle qualité#

You-Only-Look-Once (YOLO) est un modèle de détection d'objets en temps réel de pointe (SOTA), réputé pour sa haute précision, son adaptabilité et sa vitesse. Sa dernière itération est Ultralytics YOLO11, qui améliore les versions précédentes en termes d'extraction de caractéristiques, de vitesse, de précision et d'adaptabilité.

Il dispose d'une meilleure architecture pour une extraction de caractéristiques plus précise et inclut des pipelines d'entraînement optimisés pour des vitesses de traitement plus rapides. Il est plus efficace sur le plan computationnel, avec 22 % de paramètres en moins et des scores de précision plus élevés que ses prédécesseurs.

En raison de sa polyvalence, YOLO11 peut aider à améliorer les flux de travail de contrôle qualité dans de multiples domaines. Il peut aider à détecter des anomalies, des dommages, des fissures, des éléments manquants et des erreurs d'emballage dans les produits en effectuant des tâches telles que la détection d'objets et la segmentation.

Examinons quelques façons dont les modèles de computer vision peuvent être utilisés au sein de l'industrie manufacturière.

Link to this sectionDétection d'éléments manquants et de pièces mal placées dans l'électronique#

Les modèles de computer vision peuvent vérifier si un produit contient tous les éléments nécessaires. Ils peuvent détecter des composants manquants dans les produits assemblés pour garantir l'exhaustivité.

Dans la fabrication électronique, l'identification des composants manquants, des pièces mal alignées ou des problèmes de soudure est cruciale pour garantir que le produit final est fiable et possède la bonne fonctionnalité.

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

Link to this sectionDétection de fissures dans les pièces automobiles#

La détection de fissures est une autre tâche de détection qui analyse des images ou des données de capteurs pour localiser l'emplacement, la taille et la gravité d'une fissure.

L'industrie automobile est un exemple où la détection de fissures dans de multiples composants tels que les engrenages et les systèmes de freinage est nécessaire pour garantir qu'ils respectent les normes de sécurité.

Des modèles comme YOLO11 peuvent être entraînés pour détecter rapidement des défauts tels que des rayures de surface ou des fissures dans des composants automobiles complexes.

Link to this sectionDétection de dommages dans le textile#

Le computer vision peut aider à détecter divers types de dommages sur la surface d'un produit, tels que des rayures, des bosses et des déformations en utilisant des tâches de computer vision.

L'industrie textile peut bénéficier considérablement de la détection de dommages basée sur l'IA en utilisant des modèles de détection d'objets et de segmentation comme YOLO11. Il peut identifier des défauts tels que des déchirures, des trous, des taches ou des incohérences de tissu pendant le processus de production.

Link to this sectionDétection d'anomalies dans la fabrication pharmaceutique#

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

Dans la fabrication pharmaceutique, la détection d'anomalies est vitale pour garantir la qualité et la sécurité des produits médicamenteux. Les fabricants peuvent utiliser YOLO11 pour détecter des irrégularités telles que des incohérences dans les formes de comprimés, les tailles, la décoloration ou les particules étrangères.

Link to this sectionPrécision de l'emballage et de l'étiquetage#

Un autre exemple de la façon dont les modèles de computer vision peuvent être utilisés dans la fabrication concerne l'emballage et l'étiquetage dans les industries. Par exemple, l'industrie agroalimentaire doit respecter des normes strictes en matière de sécurité des consommateurs et de conformité.

Des modèles comme YOLO11 peuvent aider à détecter les erreurs d'emballage telles qu'un étiquetage incorrect, un emballage endommagé ou des sceaux de sécurité manquants. Il peut également vérifier que les étiquettes ont les bons placements avec des codes-barres clairs ou des dates d'expiration.

Cela garantit que les produits sont conformes aux réglementations de l'industrie et sont prêts pour la distribution aux consommateurs.

Link to this sectionDéfis et orientations futures du contrôle qualité basé sur l'IA#

Les frameworks de contrôle qualité basé sur l'IA sont encore en évolution et font face à de nombreux défis. Voici quelques limitations 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 difficile en raison de la disponibilité limitée de données étiquetées. Les modèles d'apprentissage non supervisé et d'apprentissage par transfert peuvent aider les experts à adapter rapidement les frameworks de détection à de nouveaux datasets.
• Détection au niveau des pixels : La segmentation d'images permet aux modèles de comprendre la différence entre l'arrière-plan et l'objet principal dans une image. L'intégration de la détection d'objets et de la segmentation est un domaine de recherche qui est constamment développé pour garantir une inspection de haute qualité.
• Apprentissage multimodal : Les modèles multimodaux peuvent intégrer et analyser plusieurs types de données simultanément. En détection d'objets, l'apprentissage multimodal peut aider à améliorer la précision de l'inspection en apprenant à partir de différents types de données, tels que les données thermiques pour comprendre la profondeur, les images bidimensionnelles et les courts métrages vidéo.

Link to this sectionPoints clés#

Le contrôle qualité basé sur l'apprentissage profond connaît des progrès exponentiels grâce au développement constant de différents modèles de détection d'objets. Avec le contrôle qualité basé sur l'IA, les fabricants peuvent atteindre une plus grande évolutivité et 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 de caractéristiques, ce qui se traduit par une meilleure précision et une vitesse plus rapide.

Tu peux en apprendre davantage sur YOLO11 et d'autres modèles de détection d'objets en consultant notre GitHub repository et en t'engageant avec notre communauté dynamique. Explore comment Ultralytics redéfinit la fabrication grâce à des frameworks d'apprentissage profond à l'état de l'art.