Les avantages qu’offre la lecture de codes-barres alliée à la vision industrielle, traditionnellement considérées aux antipodes l’une de l’autre, suscitent un intérêt croissant. Cette alliance crée des solutions de deep learning génératrices d’efficacité opérationnelle et d’avantages indiscutables. Elle offre des opportunités particulièrement pertinentes dans les environnements de fabrication haut de gamme, car les réseaux neuronaux et le deep learning conviennent parfaitement aux tâches d'analyse d'images sophistiquées dans le cadre d’applications industrielles plus subjectives.

Le deep learning pour faire la différence

L'utilisation de la vision industrielle peut améliorer les processus de la chaîne de production et permettre l’application efficace et rentable de modèles de deep learning. Le coût des caméras et capteurs intelligents a diminué ces dernières années, tandis que la puissance et la vitesse de traitement se sont considérablement accélérées. L'ajout de la vision industrielle sur une ligne de production peut avoir un impact bénéfique immédiat sur l’activité, notamment en termes d'efficacité opérationnelle, de productivité et de contrôle de la qualité.

Le deep learning permet aux industriels d’accélérer leur flux de production en optimisant la traçabilité et l’analyse et en exploitant la surveillance et le contrôle à distance pour partager l’information et les activités de gestion du système sur plusieurs sites. Il permet également aux managers de réaffecter les opérateurs à des tâches à plus forte valeur ajoutée. Ceci permet de réduire les coûts et d'améliorer la satisfaction des employés tout en renforçant le contrôle de la qualité et la vitesse de production.

Comment fonctionne le deep learning ?

La plupart des algorithmes de deep learning sont basés sur des réseaux neuronaux permettant au modèle d'apprendre et de se perfectionner par une analyse intelligente répétée d'un grand nombre  d'images types. Il s'agit d'images capturées à chaque étape du processus de production à l’aide de scanners industriels fixes et de caméras intelligentes de vision industrielle. Elles sont généralement stockées dans le cloud pour répondre aux contraintes d'évolutivité liées à la capacité de stockage et au coût des serveurs locaux.

Certaines images sont classées comme « bonnes » lorsqu'elles arrivent dans le modèle de deep learning, d'autres comme « mauvaises » en raison d'un léger défaut que le système finira par reconnaître lui-même. Arrivé à un certain stade, le modèle dispose de données suffisantes pour pouvoir commencer à déterminer de manière indépendante la qualité des images, et ses décisions sont examinées et réinjectées dans le système dans une boucle d'amélioration continue.

Les applications adaptées au deep learning

Dans les applications industrielles, les algorithmes de deep learning s'ajoutent généralement aux systèmes d'acquisition d'images existants, tels que les scanners fixes ou les caméras de vision industrielle. Les applications de deep learning sont idéales pour analyser des images complexes et plus subjectives, comme de légers changements de couleur ou de surface sur des articles, que l'œil humain aura du mal à discerner. Le deep learning peut inspecter les articles bien plus rapidement, en signalant tout défaut suspect à un opérateur humain qui va l'examiner et déterminer s'il s'agit effectivement d'un défaut. La réinjection de la décision de l’opérateur dans le réseau neuronal entretient l'apprentissage continu, pour développer et améliorer le modèle.

Les avantages pour l'entreprise sont nombreux : gains de productivité, réduction des coûts de main-d’œuvre, amélioration de la précision, renforcement de l'assurance qualité et diminution des risques opérationnels.

Les 3 facteurs d'efficacité à considérer

Le potentiel des applications de deep learning est indiscutable. Il est logique que les entreprises souhaitent exploiter cette technologie, mais beaucoup ne savent pas par où commencer. Pour utiliser efficacement la vision industrielle et le deep learning dans l'industrie manufacturière, trois facteurs doivent être réunis :

1. Stocker chaque image ;
2. Surspécifier les applications ;
3. Investir dans des équipements polyvalents.

N’importe quelle usine de fabrication, quel que soit son niveau de financement ou d’automatisation, peut commencer à modifier la manière dont elle utilise la technologie. 

Commencez par utiliser l'Internet des objets pour stocker chaque image capturée (chaque code-barres lu et chaque contrôle de la qualité) dans un environnement cloud économique, sécurisé et évolutif, pour créer la banque d'images qui va servir à former et à tester une solution de deep learning. Ensuite, vous allez surspécifier toutes les applications, élément incontournable dans tout environnement manufacturier aujourd'hui. Un imageur standard de 640x480 convient très bien pour la lecture de codes-barres simples, mais pas pour l'intégration d'une caméra de 2 millions de pixels (MP) qui va capturer toute la surface du carton et ainsi ajouter des capacités de vision industrielle à la lecture des codes-barres. En relevant le niveau de résolution de leurs caméras en environnement de production à 2 MP, 5 MP ou plus, les industriels pourront exploiter ces images haute résolution ultérieurement dans un système de réseau neuronal futur. Enfin, il est conseillé aux industriels de réévaluer la technologie qu'ils utilisent et d'envisager des mises à niveau et des investissements dès maintenant pour gagner en efficacité opérationnelle plus tard. Ils gagneront notamment à mettre en œuvre des équipements de lecture et de vision industrielle qui se connectent de manière transparente à leur infrastructure informatique locale et à leur environnement cloud.

La technologie du futur n'est pas si éloignée. En partant d’un simple système de lecture de codes-barres auquel vous ajoutez une capacité de vision industrielle et appliquez un peu d'intelligence et de deep learning, vous êtes prêts à exploiter efficacement les applications d'images de demain.