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.

The KITT4SME Dimac’s pilot focuses on testing augmented reality as a tool to expand the defective image database for AI training. The result broadens AI’s scope to previously deemed impossible contexts, approaching the performance of traditional computer vision algorithms.

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.