Si l'IA excelle dans la sélection de défauts de surface indétectables par les méthodes traditionnelles, sa mise en œuvre pose des problèmes de fiabilité, de performance, de productivité et de flexibilité. Pour relever ces défis, il faut notamment gérer l'entraînement des réseaux neuronaux sans échantillons adéquats, ce qui a un impact sur les taux de faux rejets et les taux de sélection.

Le projet pilote Dimac de KITT4SME se concentre sur l'essai de la réalité augmentée comme outil pour élargir la base de données d'images de défauts pour l'entraînement de l'IA. Le résultat élargit la portée de l'IA à des contextes auparavant jugés impossibles, approchant les performances des algorithmes traditionnels de vision par ordinateur.

Ce webinaire est recommandé aux entreprises intéressées par le contrôle qualité piloté par l'IA, au-delà du secteur de la production d'éléments de fixation. Il s'adresse également aux chercheurs et à toute personne intriguée par la technologie de l'IA.