Smart ProductionL'IA en contrôle qualité optique: utile ou pas utile ?

Les usines intelligentes entièrement autonomes vont-elles bientôt voir le jour ? Si vous suivez les développements dans le domaine de l'intelligence artificielle, c'est l'idée. Pour le contrôle qualité automatisé, par exemple, l'IA permet en effet de résoudre certains problèmes. Néanmoins, les solutions d'IA performantes restent encore bien loin de la norme qui leur est attribuée.

Elles nécessitent un volume d'investissement considérable et elles ne sont rentables que dans certaines conditions. De plus, pour de nombreuses tâches, l'IA n'est absolument pas nécessaire. Quel rôle l'IA peut-elle jouer notamment pour soutenir le contrôle qualité optique ? Dans quels cas son utilisation a-t-elle du sens et dans quels cas n'en a-t-elle pas ?

Pour les contrôles OK-non OK simples, les systèmes déterministes - traitement d'images avec des algorithmes basés sur des règles - sont parfaitement adaptés. Tout ce qui diffère de la norme est détecté comme un défaut ou une pièce non OK.

De tels systèmes sont utilisés dans les applications critiques pour la sécurité où des critères de qualité rigoureux s'appliquent. Des règles programmées spécifiquement garantissent qu'aucun défaut n'échappe au contrôle. Souvent, davantage de pseudo-défauts sont acceptés de manière délibérée pour pouvoir répondre aux exigences de qualité élevée avec des temps de cycles courts.

Les solutions purement basées sur l'IA sont moins adaptées dans de tels scénarios. Elles fonctionnent sur la base d'exemples appris. Selon la qualité des données apprises, elles génèrent des résultats fluctuants qui reposent sur des probabilités, ce qui est incompatible avec le contrôle qualité où aucune erreur n'est admise.

L'IA joue un rôle clé en matière d'inspection visuelle lorsque les résultats absolus sont moins importants que les estimations ou les évaluations. Et cela se retrouve notamment dans : les applications non liées à la sécurité, lorsqu'un taux de détection de 100 % n'est pas requis ; les fonctions et situations d'inspection fluctuantes ; ou pour soutenir le traitement d'images hybride.

Pour quels cas ou tâches l'IA est-elle particulièrement adaptée au contrôle qualité optique ?

Les fissures, taches ou éclaboussures peuvent considérablement varier que ce soit au niveau de la forme, de la couleur, de la taille et de la position. La détection basée sur les règles de défauts si variables s'avère donc difficile. Une IA peut filtrer les défauts, les classer et évaluer si une pièce est susceptible d'être OK ou non.

Un système basé sur les règles ou un inspecteur humain peut procéder à l'évaluation finale. Lorsque les évaluations corrigées sont retransmises à l'IA, cela lui permet d'améliorer ses évaluations au fil du temps.

Le taux souvent élevé de pseudo-erreurs dans les systèmes basés sur des règles peut être réduit à l'aide de l'IA. Pour ce faire, l'IA doit être formée à l'aide de données contenant des erreurs présentes dans les limites ou dans l'intervalle de tolérance. De cette manière, l'IA apprend à distinguer dans quels cas les défauts sont plus acceptables ou inacceptables.

Les volumes de données en matière de contrôle qualité optique ont tendance à augmenter rapidement pour plusieurs raisons : résolutions plus élevées, données en 3D et composants inspectés plus grands. Par conséquent, une évaluation en temps réel dure plus longtemps et peut même dépasser le temps de cycle de la ligne de production, ce qui entraîne alors un ralentissement. L'un des points forts de l'IA est qu'elle peut traiter d'importantes quantités de données beaucoup plus vite que les algorithmes traditionnels. Elle peut pré-filtrer, trier et évaluer des données d'images pour qu'elles fassent l'objet d'une inspection plus poussée, ce qui permet d'accélérer considérablement le processus d'inspection global.

Même dans les lignes de production automatisées, les inspecteurs humains sont souvent intégrés au travail : dans les cas limites ou avec les composants compliqués, c'est eux qui prennent la décision finale. Les tests manuels requièrent une concentration maximale. Les IA préparent et traitent les données pour les inspecteurs, ce qui leur facilite le travail. L'ergonomie du lieu de travail est améliorée et les coûts liés au personnel sont réduits. Cela peut être un argument convaincant surtout en cette période de pénurie de main d'œuvre qualifiée.

Comment les entreprises peuvent-elles être certaines de faire le bon choix entre une solution avec ou sans IA ? Elles doivent considérer trois critères :

1.     Capacités

2.     Efforts d'intégration

3.     Coût

Pour faire simple, il convient de déterminer si l'IA permet de tirer des bénéfices dans la situation donnée, et si ces bénéfices sont suffisants pour justifier l'investissement. Malgré le battage médiatique autour de l'IA, le calcul du retour sur investissement doit être effectué à tête reposée. Les questions suivantes peuvent vous aider :

●       L'IA aidera-t-elle à obtenir de meilleurs résultats d'inspection sur le long terme ?

●       Quel doit être le niveau de précision des résultats d'inspection ? Quelles sont nos exigences en matière de qualité ? Les composants doivent-ils respecter des normes de sécurité ?

●       Quel est le taux d'erreur de la méthode d'inspection actuelle et de combien peut-il être réduit grâce à l'IA ?

Toutes les solutions d'IA ne sont pas identiques. Dans sa forme la plus simple, une IA est formée avec de bonnes pièces et tout ce qui diffère est classé comme défaut (détection d'anomalie). Pour les tests plus complexes et plus précis, l'IA doit être formée avec beaucoup plus de données sur tous les cas possibles. Quelles compétences sont vraiment requises ?

Plus la solution est complexe et plus l'effort de formation est élevé. Et il doit tout d'abord y avoir suffisamment de données pour y parvenir, notamment pour les erreurs et les cas limites. L'une des questions les plus importantes est donc la suivante : Possédons-nous ces données ? Et si ce n'est pas le cas, où pouvons-nous les trouver ?

Plus le réseau neuronal d'une IA est performant et plus il a besoin de ressources. Le coût du matériel et la puissance de calcul (dans le cloud) sont exponentiellement supérieurs pour une solution d'IA que pour un logiciel classique.

L'effort et le coût d'une solution d'IA sont donc relativement élevés et un retour sur investissement rapide est peu probable. Un algorithme basé sur des règles fournit des résultats fiables dès le premier jour. Une IA, par contre, doit être optimisée au fur et à mesure. Il faut parfois attendre plusieurs années avant que les résultats n'atteignent la qualité requise. Entretemps, les entreprises peuvent avoir à gérer des coûts plus élevés et des résultats plus mauvais.