Contrôle qualité dans l’industrie manufacturière : méthodes traditionnelles ou d’apprentissage profond

L’inspection qualité est une tâche essentielle lors de la fabrication, qui garantit que les produits respectent les normes de qualité requises. Cependant, évaluer la qualité à l’aide de méthodes d’inspection traditionnelles peut s’avérer coûteux à mesure que la complexité des produits augmente.

Les fabricants s’orientent vers des techniques d’inspection basées sur le deep learning, comme la détection d’objets et la segmentation sémantique, afin de réduire les coûts d’inspection. Le deep learning est un sous-domaine de l’intelligence artificielle (AI) qui utilise des algorithmes informatiques appelés réseaux neuronaux pour identifier des schémas complexes dans les données. Ces techniques contribuent à automatiser le flux de travail d’inspection et à réduire la dépendance aux inspecteurs humains en analysant de vastes ensembles de données, notamment des images et des vidéos.

Grâce à sa polyvalence et à sa rentabilité, l’assurance qualité basée sur l’AI augmente considérablement la rentabilité des entreprises. Selon certaines études, le secteur manufacturier pourrait tirer plus de 3 000 milliards de dollars US de l’AI d’ici 2035.

Cet article explique comment les méthodes de deep learning peuvent améliorer l’inspection qualité et comment Ultralytics YOLO11 peut renforcer l’inspection dans plusieurs secteurs.

Qu’est-ce que l’inspection qualité dans l’industrie manufacturière ?#

L’inspection qualité consiste à déterminer si un produit présente des défauts, des anomalies ou des incohérences avant d’atteindre le consommateur.

Le processus peut avoir lieu pendant la production, lorsque le produit avance sur une chaîne d’assemblage, ou après la production, mais avant que les articles ne passent sur la ligne de distribution.

Il implique souvent des experts humains qui réalisent des évaluations visuelles pour vérifier si le produit s’écarte des normes de conception souhaitées ou n’y répond pas.

Cependant, à mesure que les exigences de qualité augmentent, les fabricants se tournent vers des approches automatisées basées sur le deep learning afin d’améliorer l’agilité et la scalabilité de leurs opérations.

Que sont les approches de deep learning ?#

Les approches de deep learning utilisent des réseaux neuronaux artificiels qui fonctionnent selon des principes inspirés du cerveau humain. Ces réseaux sont constitués de couches interconnectées de neurones. Chaque neurone effectue un calcul mathématique pour analyser les données, identifier des schémas et générer une prédiction.

Fig. 1. Réseau neuronal artificiel.

Dans l’inspection qualité, les modèles de deep learning incluent des frameworks de vision par ordinateur qui apprennent et extraient automatiquement des caractéristiques à partir d’images de produits.

Le développement de modèles de vision par ordinateur nécessite que des experts entraînent un réseau neuronal sur des ensembles de données pertinents et effectuent des validations sur un nouvel ensemble de données afin d’en vérifier les performances.

Une fois validés, les experts peuvent déployer ces modèles sur des caméras et des capteurs à l’aide de différents outils de déploiement, tels que PyTorch, ONNX et OpenVINO.

Approches de deep learning pour l’inspection qualité#

L’inspection qualité basée sur la vision utilise plusieurs méthodes pour détecter et localiser les dommages, les fissures et les éléments manquants. La liste ci-dessous présente quatre approches modernes de deep learning.

Classification binaire#

La classification binaire désigne la tâche qui consiste à classer les images dans l’une de deux classes, par exemple pour déterminer si un objet présente ou non un défaut.

À partir de données visuelles, un modèle de classification produit une décision binaire oui/non. Ces modèles aident à détecter les éléments manquants. Par exemple, un modèle de classification peut déterminer si un élément manque ou non sur un produit.

Fig. 2. Classification binaire d’une pièce automobile.

Classification multiclasse#

La classification multiclasse consiste à classer les images dans plus de deux classes. Elle attribue chaque image à l’une de plusieurs catégories prédéfinies.

Par exemple, un modèle de classification multiclasse peut analyser l’image d’un produit et renvoyer les probabilités de plusieurs types de dommages ou de fissures, en indiquant lequel est le plus susceptible d’être présent.

Fig. 3. Classification multiclasse détectant des défauts de forme et de couleur.

Cette approche est utile dans l’industrie manufacturière, où différents défauts, comme des rayures, des bosses ou des fissures, peuvent nécessiter des procédures de traitement différentes.

Localisation#

La localisation consiste à identifier l’emplacement précis d’un objet ou d’une caractéristique dans une image. Elle utilise des modèles de détection d’objets pour prédire des boîtes englobantes ou des coordonnées qui mettent en évidence la région précise du dommage.

Cette approche est utile pour des tâches comme la détection de fissures dans des bâtiments ou des pièces industrielles, où l’emplacement précis d’un défaut est nécessaire pour effectuer 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.

Localisation multiclasse#

La localisation multiclasse identifie et localise plusieurs défauts dans une image tout en classant chaque défaut dans l’une de plusieurs catégories prédéfinies.

Elle utilise des modèles de détection d’objets plus avancés pour déterminer le type et l’emplacement d’un défaut afin de fournir des informations plus détaillées.

Fig. 5. Modèle localisant plusieurs types de défauts.

Par exemple, un modèle de localisation multiclasse peut analyser l’image d’un article endommagé et indiquer le type de défaut, comme une rayure ou une fissure, ainsi que les coordonnées exactes du défaut dans l’objet.

Approches traditionnelles ou de deep learning#

Les méthodes d’inspection traditionnelles sont plus rigides : elles suivent des règles et des normes définies par l’utilisateur, comme des seuils, des listes de contrôle prédéfinies et des critères de réussite ou d’échec.

Par exemple, dans les techniques de vision fondées sur des règles, les experts définissent la couleur, la forme et la taille idéales d’un produit donné. Le système avertit les experts si une caméra ou un autre dispositif de capture d’images détecte des écarts par rapport à ces normes.

Les approches basées sur le deep learning offrent davantage de flexibilité pour construire des systèmes de détection plus complexes. Elles consistent à collecter et à annoter de vastes ensembles de données d’images d’objets défectueux. Les experts utilisent les données annotées pour entraîner des modèles de détection d’objets, tels que Ultralytics YOLO11. Une fois le modèle entraîné, ils peuvent le déployer sur des caméras ou des capteurs afin de capturer des images et d’identifier les défauts en temps réel.

Dans la section suivante, nous verrons comment Ultralytics YOLO11 peut être utilisé pour l’inspection qualité.

Utiliser la vision par ordinateur pour l’inspection qualité#

Tu ne regardes qu’une fois (YOLO) est un modèle de détection d’objets en temps réel de pointe (SOTA), réputé pour sa grande précision, son adaptabilité et sa vitesse. Sa dernière version est Ultralytics YOLO11, qui améliore les versions précédentes en matière d’extraction de caractéristiques, de vitesse, de précision et d’adaptabilité.

Il présente une meilleure architecture pour une extraction de caractéristiques plus précise et inclut des pipelines d’entraînement optimisés pour accélérer le traitement. Il est plus efficace sur le plan du calcul, avec 22 % de paramètres en moins et de meilleurs scores de précision que ses prédécesseurs.

Grâce à sa polyvalence, Ultralytics YOLO11 peut contribuer à améliorer les flux de travail d’inspection qualité dans de nombreux domaines. Il peut aider à détecter les anomalies, les dommages, les fissures, les éléments manquants et les erreurs d’emballage des produits en réalisant des tâches comme la détection d’objets et la segmentation.

Examinons quelques façons dont les modèles de vision par ordinateur peuvent être utilisés dans l’industrie manufacturière.

Détection des éléments manquants et des pièces mal positionnées dans l’électronique#

Les modèles de vision par ordinateur peuvent vérifier qu’un produit contient tous les éléments nécessaires. Ils peuvent détecter les composants manquants dans les produits assemblés afin d’en garantir l’intégralité.

Dans la fabrication de produits électroniques, l’identification des composants manquants, des pièces mal alignées ou des problèmes de soudure est essentielle pour garantir que le produit final est fiable et possède les fonctionnalités attendues.

Des modèles de détection d’objets comme YOLO11 peuvent être entraînés à détecter les composants manquants ou mal positionnés sur les cartes électroniques. Ils peuvent analyser les images des cartes en temps réel et identifier des défauts tels que des résistances ou des condensateurs manquants. Cela garantit que l’assemblage de chaque unité est correct avant son expédition.

Détection des fissures dans les pièces automobiles#

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

L’industrie automobile est un exemple de secteur où la détection des fissures dans plusieurs composants, comme les engrenages et les systèmes de freinage, est nécessaire pour garantir le respect des normes de sécurité.

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

Détection des dommages dans l’industrie textile#

La vision par ordinateur peut contribuer à détecter différents types de dommages à la surface d’un produit, comme des rayures, des bosses et des déformations, à l’aide de tâches de vision par ordinateur.

L’industrie textile peut tirer un grand bénéfice de la détection des dommages basée sur l’AI en utilisant des modèles de détection d’objets et de segmentation comme Ultralytics YOLO11. Cette technologie peut identifier des défauts tels que des déchirures, des trous, des taches ou des irrégularités du tissu pendant le processus de production.

Détection des anomalies dans la fabrication pharmaceutique#

La détection des anomalies consiste à analyser la conception, la structure, l’apparence et la taille d’un produit afin d’évaluer si ces propriétés s’écartent des normes souhaitées.

Dans la fabrication pharmaceutique, la détection des anomalies est essentielle pour garantir la qualité et la sécurité des produits médicamenteux. Les fabricants peuvent utiliser Ultralytics YOLO11 pour détecter des irrégularités telles que des incohérences dans la forme ou la taille des comprimés, des décolorations ou la présence de particules étrangères.

Précision de l’emballage et de l’étiquetage#

L’utilisation des modèles de vision par ordinateur dans l’emballage et l’étiquetage constitue un autre exemple d’application dans l’industrie manufacturière. Par exemple, l’industrie agroalimentaire doit respecter des normes strictes en matière de sécurité et de conformité pour les consommateurs.

Des modèles comme Ultralytics YOLO11 peuvent aider à détecter les erreurs d’emballage, comme un étiquetage incorrect, un emballage endommagé ou l’absence de sceaux de sécurité. Ils peuvent également vérifier que les étiquettes sont correctement positionnées et comportent des codes-barres ou des dates d’expiration lisibles.

Cela garantit que les produits respectent les réglementations du secteur et sont prêts à être distribués aux consommateurs.

Défis et perspectives de l’inspection qualité basée sur l’AI#

Les frameworks d’inspection qualité basée sur l’AI continuent d’évoluer et font face à de nombreux défis. Voici quelques limites et orientations de recherche futures à prendre en compte pour ces technologies.

• Apprentissage en monde ouvert et vision active : La création de modèles de détection d’objets capables de détecter de nouveaux objets est difficile en raison de la disponibilité limitée de données étiquetées. Les modèles d’entraînement non supervisé et d’apprentissage par transfert peuvent aider les experts à adapter rapidement les frameworks de détection à de nouveaux ensembles de données.
• Détection au niveau du pixel : La segmentation d’images permet aux modèles de comprendre la différence entre l’arrière-plan et l’objet principal d’une image. L’intégration de la détection d’objets et de la segmentation constitue un domaine de recherche en développement constant, visant à garantir une inspection de haute qualité.
• Apprentissage multimodal : Les modèles multimodaux peuvent intégrer et analyser simultanément plusieurs types de données. Dans la détection d’objets, l’apprentissage multimodal peut contribuer à améliorer la précision de l’inspection en apprenant à partir de différents types de données, comme des données thermiques pour comprendre la profondeur, des images en 2D et de courtes séquences vidéo.

Points clés à retenir#

L’inspection qualité basée sur le deep learning connaît une progression exponentielle grâce au développement constant de différents modèles de détection d’objets. Avec l’inspection qualité basée sur l’AI, les fabricants peuvent atteindre une scalabilité et une flexibilité supérieures à celles des approches traditionnelles.

Les entreprises peuvent utiliser des modèles tels qu’Ultralytics YOLO11 pour automatiser le processus d’inspection, en tirant parti de son architecture améliorée et de ses capacités d’extraction de caractéristiques, qui permettent d’obtenir une meilleure précision et une vitesse accrue.

Tu peux en apprendre davantage sur YOLO11 et d’autres modèles de détection d’objets en consultant notre dépôt GitHub et en rejoignant notre communauté dynamique. Découvre comment Ultralytics redéfinit la fabrication grâce à des frameworks de deep learning de pointe.