Grâce à l'utilisation avancée d'outils d'intelligence artificielle (IA), Dimac est désormais capable de reproduire les inspections visuelles humaines les plus complexes des composants métalliques.
Cette avancée permet d'étendre l'automatisation du contrôle de la qualité à des secteurs où les systèmes traditionnels de vision industrielle n'étaient pas en mesure de fournir des résultats fiables.
La nouvelle génération de machines de contrôle de la qualité Dimac pour les fixations peut désormais détecter des défauts qui étaient auparavant impossibles à identifier avec les systèmes conventionnels.
Le résultat est le suivant :
- une inspection plus précise et plus efficace,
- une réduction significative des déchets de production,
- les économies d'énergie et d'argent, et
- un délai de mise sur le marché plus court.
Inspection optique à grande vitesse grâce à l'IA
Dimac trieuses intègrent des stations de contrôle optique à grande vitesse - jusqu'à 700 pièces par minute - équipé de caméras et d'unités d'éclairage avancées, combinées à un logiciel de vision alimenté par l'IA. Sur la même machine, vous pouvez également effectuer des contrôles avec d'autres stations traditionnelles.
Le logiciel d'IA traite les images en niveaux de gris acquises par les caméras, interprète leur contenu et détermine en temps réel si chaque pièce est conforme ou défectueuse.
Les algorithmes d'IA de Dimac comparent les images entrantes avec une base de données de référence, ce qui permet d'identifier instantanément les pièces non conformes.
Quelques exemples d'application :
- L'IA peut différencier un marquage gravé d'une fissure superficielle, ce qui permet d'éviter les faux rejets.
- Il peut mesurer les dimensions réelles même lorsque la surface est sale ou contaminée.
- Il peut reconnaître les défauts d'aspect des matériaux dont la couleur ou la finition n'est pas uniforme.
L'IA ne se contente pas de “voir” les défauts :
elle les comprend.
Algorithmes basés sur la similarité et apprentissage continu
Contrairement aux systèmes de vision traditionnels basés sur des règles, le logiciel d'IA de Dimac ne repose pas sur des paramètres ou des seuils prédéfinis.
Au lieu de cela, l'algorithme évalue la similarité statistique entre les images analysées et les catégories de référence, en déterminant la probabilité qu'une nouvelle image appartienne à la classe “conforme” ou “non conforme”.
<Chaque “réseau neuronal” est initialement formé pour reconnaître un type de défaut spécifique, mais peut être étendu pour inspecter des familles de fixations présentant des caractéristiques similaires (par exemple, une forme identique mais un matériau différent).
Une fois formé, le modèle peut être mis à jour avec de nouveaux paramètres ou de nouveaux types de défauts tout en préservant la base de formation initiale.
Le réseau neuronal est un fichier lié au plan de contrôle et appelé automatiquement à chaque chargement du plan.
Dimac assure la formation à l'IA en tant que service
La formation à l'IA nécessite :
- une station de calcul à haute performance,
- les licences logicielles nécessaires, et
- une expertise spécialisée dans la vision artificielle et l'apprentissage automatique.
Le processus de formation à l'IA nécessite une station informatique appropriée, les licences logicielles nécessaires et des compétences spécialisées, et peut être réalisé à distance par les techniciens Dimac.
Pour une formation plus poussée, le logiciel embarqué de la machine de tri de Dimac comprend une procédure guidée simple pour aider les opérateurs à capturer des images des échantillons bons et défectueux.
Ainsi, les ingénieurs de Dimac peut effectuer des formations ou des mises à jour de modèles à distance, dans les 3 jours suivant la réception des images.
À partir des images acquises sur la machine, Dimac effectue l'entraînement, le réglage fin et la validation du modèle d'IA en interne, puis installe le réseau neuronal entraîné directement sur la machine de tri du client.
LE PROCESSUS DE FORMATION DE L'AI
1. Acquisition d'images réelles annotées
Des images réelles de composants sont capturées dans diverses conditions de fonctionnement (éclairage, orientation, état de surface), y compris des pièces conformes et défectueuses.
Les zones défectueuses sont annotées manuellement ou à l'aide d'outils d'étiquetage semi-automatiques.
2. Augmentation des données
De nouvelles variations d'images sont créées à partir d'échantillons réels grâce à des transformations géométriques (rotation, translation, zoom), ainsi qu'à des ajustements de la luminosité, du contraste et du bruit.
Cela permet d'accroître la diversité des ensembles de données et d'améliorer la généralisation des modèles.
3. Génération d'images synthétiques
Lorsque les échantillons de défauts réels sont rares ou indisponibles, Dimac utilise la simulation photoréaliste et la modélisation procédurale pour générer des images synthétiques de composants métalliques. Les défauts simulés sont des rayures, des fissures, des bosses ou des contaminations de surface.
4. Randomisation du domaine et variabilité contrôlée
Lors de la génération d'images synthétiques, des variations aléatoires contrôlées de l'éclairage, de la texture, de l'angle de la caméra et du bruit sont introduites. Cette technique, connue sous le nom de randomisation du domaine, rend le modèle plus robuste aux conditions imprévisibles du monde réel et réduit l'écart entre les données synthétiques et les données réelles.
Au-delà des fixations : L'IA pour l'interprétation des images
L'utilisation de l'IA pour l'interprétation visuelle s'est révélée très souple et évolutive.
Les mêmes algorithmes développés par Dimac peuvent être appliqués dans n'importe quel domaine nécessitant le discernement humain de l'inspection visuelle de la qualité, mais avec une vitesse nettement supérieure et un processus de formation rationalisé.
Par exemple, ces technologies sont de plus en plus pertinentes dans le domaine de l'imagerie médicale et du diagnostic, où l'IA peut faciliter l'interprétation de données visuelles complexes avec une précision exceptionnelle.
Conclusion
L'intégration de l'intelligence artificielle dans les machines de tri de Dimac représente un saut technologique majeur dans le domaine du contrôle de qualité automatisé.
En combinant la vision à grande vitesse, l'apprentissage automatique et la simulation d'images synthétiques, Dimac repousse les limites de l'inspection visuelle industrielle en proposant une nouvelle norme de fiabilité, de précision et d'efficacité.