Inspection visuelle

Job-Image

Inspection visuelle


L’inspection visuelle des produits industriels est l’une des applications les plus courantes du contrôle de qualité. L’inspection devient automatisée grâce à l’utilisation de caméras et des nouveaux algorithmes d’«IA» (intelligence artificielle) de vision, diminuant les erreurs humaines, le nombre de retours clients, et pour certaines pièces, réduisant drastiquement les taux de réclamations.

Le moyen privilégié aujourd’hui afin d’assurer la qualité de ces produits consiste à utiliser des systèmes d’inspection automatisée appelés AVC (Automatic Visual Control ou systèmes de contrôle visuel automatique). Ces algorithmes excellent dans leur capacité à reconnaître des formes grâce à des calculs auto-différenciés qui exploitent toutes les combinaisons possibles d’une image rendant leur reconnaissance simplifiée.

Les systèmes AVC remplissent les objectifs suivants :

  • Inspection de surface : on vérifie automatiquement les pièces pour détecter les défauts au sein des différents processus : contamination, rayures, bosses ou déformations, etc…

  • Vérifier les spécificités du produit : principalement afin de détecter des anomalies dimensionnelles. Les dimensions géométriques sont passées sous un seuil de tolérance ; ce qui contribue à améliorer l'efficacité de la production.

Les éléments clés de la réussite d’un système AVC reposent sur la caméra, la lentille utilisée (monture C) et la lumière; la règle de base est d’utiliser une source qui met en évidence ce que l’on souhaite détecter en minimisant le contraste autour de cette forme et la plateforme de processing. Il est indispensable, pour obtenir des résultats constants, d’utiliser une source de lumière stable. Celle-ci doit retourner des images avec un niveau de détail uniforme et immunisé aux fluctuations de la lumière du jour plutôt que de devoir créer un modèle d’algorithme complexe qui doivent prendre en compte les irrégularités de la lumière.

Voici un exemple de mis en place d’un système sur une chaîne de production de pneu :

Exemple de défauts observés et leur classification à la surface d’une roue.

Le catalogue créé avec l’ensemble des défauts visuels observés sert ensuite à entraîner l’algorithme de classification. Ceci dans le but de déterminer le Type ou simplement le résultat binaire (Echoue le test / Passe le test).

Les coûts de l'IA baissent grâce aux principaux gains de performances des plateformes de calculs leaders sur le marché : Amazon AWS, Kubernetes, Google Cloud Platform, etc… Ainsi cette technologie, d’abord opérationnalisée avec succès à grande échelle dans les usines de grands groupes tels que Samsung, Philips, Norvo Nordiks et Groupe Renault, fait son apparition dans les usines de taille intermédiaire pour s’intégrer durablement.

Source : Karim Tout. Automatic vision system for surface inspection and monitoring: Application to wheel inspection. Signal and Image processing. Université de Technologie de Troyes - UTT, 2018. English.