S M A R T FA C TO R Y
Comparé à la vision industrielle classique, le Deep Learning est conçu pour les applications difficiles à résoudre, plus facile à configurer et tolérant aux variantes.
• Il peut s’adapter à de nouveaux exemples sans modification de la structure des programmes. Un exemple industriel classique : la recherche de rayures sur l’écran d’un appareil. Ce type de défaut varie en termes de taille, d’emplacement et de type d’arrière-plan. En tenant compte de ces variations, le Deep Learning permet de distinguer les produits conformes de ceux défectueux. De plus, l’assimilation d’une nouvelle cible (par exemple un nouveau type d’écran) peut s’effectuer simplement à l’aide d’images de référence. L’inspection de pièces visuellement similaires à la texture de surface complexe et d’apparence variable présente des difficultés considérables pour les systèmes de vision industrielle classiques à base de règles. Si les défauts fonctionnels donnent presque toujours lieu à un rejet, ce n’est pas toujours le cas des anomalies cosmétiques, qui dépendent des besoins et préférences du fabricant. De plus, ces dernières sont difficiles à distinguer pour les systèmes de vision industrielle classiques.
INFOS
En raison du nombre de variables parfois difficiles à isoler (éclairage, variantes de couleur, courbure ou champ de vision), la détection de certains défauts est notoirement difficile à programmer et à résoudre à l’aide d’un système classique. Là encore, le Deep Learning apporte de nouveaux outils totalement appropriés. 26 | Industrie Afrique du Nord | Novembre 2019
46
En résumé, les systèmes de vision industrielle fournissent des résultats fiables pour les pièces régulières, fabriquées selon une qualité répétable, et les applications deviennent difficiles à programmer lorsque le nombre d’exceptions et de types de défauts augmente. Pour les situations complexes qui nécessitent une vision proche de celle de l’homme ainsi que la rapidité et la fiabilité d’un ordinateur, le Deep Learning se révèle extrêmement prometteur. Les avantages du Deep Learning pour l’industrie À l’heure d’adopter des outils d’automatisation de nouvelle génération, la vision industrielle traditionnelle et l’analyse des images via le Deep Learning s’avèrent donc complémentaires, et non concurrentes. Dans certaines applications, notamment celles de mesure, la vision industrielle basée sur des règles demeure la solution privilégiée, car plus économique. En revanche, pour les inspections complexes de produits aux nombreuses variantes et aux défauts imprévisibles qui s’avèrent impossibles à programmer et réaliser à l’aide d’un système classique, les outils s’appuyant sur le Deep Learning constituent une alternative de choix. Pour plus d’informations sur les solutions de Deep Learning de Cognex, consultez la page : cognex.com/fr-fr/ViDi-deep-learning