La question de savoir si la vision IA est réellement adaptée à une tâche donnée ou si elle peut la résoudre est également souvent posée. Ce problème de l'œuf et de la poule conduit malheureusement trop souvent à ce que la technologie ne soit même pas évaluée. Il est certain que la technologie doit encore mûrir, notamment dans l'environnement industriel, pour atteindre le même niveau d'acceptation que les méthodes classiques de traitement d'image qui ont fait leurs preuves. D'autre part, il existe déjà des outils logiciels conviviaux qui permettent aux utilisateurs sans expérience d'évaluer leurs applications avec la vision IA et de les mettre en œuvre de manière intuitive.

Une différence avantageuse

Car c'est justement le fait que les méthodes basées sur l'IA fonctionnent de manière totalement différente des approches réglementées qui constitue leur principal avantage. Cela permet aux fournisseurs de développer de tout nouveaux outils pour le traitement des images, qui peuvent être utilisés de manière beaucoup plus intuitive. Ils permettent dès aujourd'hui de transférer par l'apprentissage machine les exigences humaines en matière de qualité aux systèmes de traitement d'image basés sur l'IA afin d'optimiser et d'automatiser les processus. Souvent, il n'est pas nécessaire d'écrire une seule ligne de code source, ce qui fait que la vision IA est recommandée pour de tout nouveaux groupes cibles qui ne doivent plus nécessairement disposer de connaissances en programmation. Les analyses de faisabilité peuvent ainsi être réalisées par les collaborateurs qui ont eux-mêmes la plus grande connaissance des produits et de leurs particularités, les entreprises ne dépendent donc plus obligatoirement de programmeurs et d'experts en traitement d'image dans la phase d'évaluation.

D'une simplicité indescriptible

Considérons les points forts de la vision IA à travers l'exemple d'application suivant d'un client d'IDS. Souvent, les arbres rotatifs sont sécurisés par des anneaux d'arrêt. Mais seul un anneau entièrement enclenché dans l'encoche de l'arbre garantit une liaison sûre à 100 %. Un ajustement incorrect peut endommager le produit. La tâche semble simple pour l'assurance qualité. Vérifier que l'anneau est bien enclenché ! Le fait est cependant que cette vérification est encore effectuée par des humains, car aucune solution d'automatisation sûre n'a encore été trouvée. Les tests effectués à l'aide d'un traitement d'image basé sur des règles ont seulement permis de s'assurer de la présence ou de l'absence de l'anneau d'arrêt. Dans le meilleur des cas, il était possible de déterminer si les « oreilles » de l'anneau étaient plus écartées qu'elles ne devraient l'être. Mais l'anneau n'est pas nécessairement bien enclenché ! Il pourrait tout aussi bien être simplement posé ! Les différences marginales entre les images en cas d'erreur étaient difficiles à décrire sur la base de règles.

Une analyse de faisabilité à l'aide de méthodes d'apprentissage machine a montré qu'il suffisait de quelques exemples d'images de cas corrects et erronés, en l'occurrence près de 300, pour entraîner un réseau neuronal capable de prédire avec une grande probabilité le positionnement erroné des anneaux d'arrêt. Un contrôle visuel humain n'était donc plus nécessaire que pour un nombre de résultats incertains très faible.

Probablement involontaire

Il est possible de valider le bon fonctionnement d'un réseau neuronal grâce à son entraînement en le testant avec des exemples d'images. Un test avec des images de classes d'erreurs connues fournit des informations sur la précision de l'apprentissage et la qualité des résultats de l'IA. Plus les probabilités de BON et de MAUVAIS cas se distinguent les unes des autres, plus il est possible de définir clairement une valeur limite décisive entre BON et MAUVAIS afin de générer ultérieurement, dans l'exploitation productive, le moins possible de cas BON ou MAUVAIS détectés de manière erronée. La variance des probabilités BON calculée lors du test permet en outre d'optimiser l'environnement de production. En effet, dans l'analyse IA également, moins les conditions environnementales et donc les contenus d'image non pertinents varient, plus il est possible de faire des déclarations concrètes sur la qualité des caractéristiques distinctives intéressantes.

La validation d'un réseau neuronal convolutif entraîné avec des données de test de classes d'erreurs connues montre d'une part la qualité de l'identification des erreurs par le réseau et d'autre part l'ampleur de la variation des résultats.
La validation d'un réseau neuronal convolutif entraîné avec des données de test de classes d'erreurs connues montre d'une part la qualité de l'identification des erreurs par le réseau et d'autre part l'ampleur de la variation des résultats.

Incroyablement explicable

Ce n'est pas parce que les décisions en matière de qualité de l'IA ne peuvent pas être suivies par un ensemble de règles clairement définies et que l'algorithmique ressemble plutôt à une boîte noire que les résultats ne peuvent pas être expliqués malgré tout. Des outils tels que Attention Maps ou Anomalie Maps permettent de visualiser où se trouvent les pixels importants pour les prédictions dans l'image et dans quelle mesure ils y contribuent. Dans le cas de notre contrôle des anneaux d'arrêt, ces superpositions pointent comme prévu vers les caractéristiques pertinentes des classes de défauts connues. Anomaly Detection, en particulier, permet également d'éliminer les cas d'erreurs inconnus, et donc non formés. Cela prouve que les méthodes de l'apprentissage machine sont aussi en mesure d'utiliser plus que les connaissances acquises sur les caractéristiques connues et qu'elles peuvent justement signaler des problèmes inconnus et émergents. Par exemple, une image de caméra floue a fait que Anomaly Map a marqué des écarts à plusieurs endroits.

Attention Maps montre des pixels d'image pertinents et explique ainsi visuellement comment les prédictions de l'IA sont réalisées.
Attention Maps montre des pixels d'image pertinents et explique ainsi visuellement comment les prédictions de l'IA sont réalisées.

Anticipation

Une détection d'anomalie apporte ainsi un avantage supplémentaire pour l'assurance qualité, qui ne serait pas aussi facile à réaliser avec un traitement d'image basé sur des règles. Ce qui est déterminant, c'est la capacité à reconnaître tout écart par rapport à la normale, même ceux qui sont sous-représentés dans l'entraînement. En d'autres termes, ceux qui n'étaient pas du tout prévus. Ainsi, là où d'autres méthodes deviennent incertaines, voire échouent parfois, face à quelque chose d'« inconnu », cette méthode ne laisse rien passer, et ce, avec une grande certitude. Cela inclut tout ce qui peut se produire à un moment ou à un autre dans le cadre d'une activité normale. Grâce à des données continues sur l'état d'un système, par exemple sous la forme d'un nombre croissant de défauts ou de déviations du produit, c'est-à-dire d'anomalies, on est en mesure de déterminer le moment optimal pour la maintenance d'un système, avant que la qualité du produit ne baisse trop ou qu'un scénario du pire, comme une panne de l'installation, ne se produise.

 

L'augmentation des anomalies peut indiquer une détérioration de l'état d'une installation due à l'usure des outils, la saleté ou d'autres influences perturbatrices.
L'augmentation des anomalies peut indiquer une détérioration de l'état d'une installation due à l'usure des outils, la saleté ou d'autres influences perturbatrices.

Un outil adapté à l'utilisateur

La vision IA peut être utilisée de manière très variée dans l'assurance qualité et peut étendre ou améliorer les applications existantes. Il est important de procéder étape par étape. Une analyse de faisabilité préalable permet de déterminer si une tâche peut effectivement être traitée avec la vision IA, avant même de devoir dépenser beaucoup d'argent et de temps en personnel expert, en développement des connaissances et en systèmes IA. Pour ce faire, il existe déjà des outils logiciels conviviaux qui permettent une première évaluation basée uniquement sur l'image, disponibles aussi dans le cloud. Il n'est pas nécessaire de disposer d'un système de vision réel doté de capacités IA, ni de mettre en place une plateforme de formation spécifique. Cela permet de réduire fortement le risque d'investissement. Des interfaces intuitives, des flux de travail et des assistants faciles à comprendre peuvent également permettre aux utilisateurs qui n'ont pas encore beaucoup d'expérience en matière d'IA, de traitement d'image ou de programmation d'applications de se lancer facilement.

Néanmoins, la vision IA nécessite une certaine compréhension de ce à quoi doivent ressembler des images appropriées pour une formation efficace. C'est le pré-requis pour que des conclusions basées sur la confiance puissent être tirées par la suite et évaluées de manière compréhensible. Il est également important de faire appel à des partenaires expérimentés qui ne se contentent pas de promettre le meilleur système IA, mais qui sont en mesure de considérer et d'encadrer l'ensemble du flux de travail d'une assurance qualité basée sur l'apprentissage machine. Un support complet auprès d'une seule source est également un élément de réussite à ne pas sous-estimer dans l'environnement de la vision IA. L'utilisation de la vision IA dans l'assurance qualité n'est donc peut-être pas aussi simple qu'on le dit partout, mais elle est certainement plus simple qu'on ne le pense souvent.