Vision industrielle : d’où venons-nous et où allons-nous ?

Tiempo de lectura: 9 minutos

Tout au long de l’histoire, de grands génies nous ont donné des inventions qui ont changé le monde et la façon dont les êtres humains vivent, comme le feu, la roue, la poudre à canon, le béton, l’ampoule électrique, la machine à vapeur, la presse à imprimer, les avions, les antibiotiques, le moteur à combustion, le téléphone et l’internet, pour n’en citer que quelques-unes.  Des rêveurs qui voulaient améliorer le monde et qui ont investi leur vie et tous leurs efforts dans la réalisation de leurs rêves. Cette philosophie a toujours été présente dans le monde industriel en constante évolution. Les révolutions industrielles en sont un exemple clair.

La première a commencé par la mécanisation, l’énergie hydraulique et l’énergie à vapeur. La seconde avec la production de masse grâce à l’introduction de l’électricité. La troisième, plus récente, a introduit l’automatisation et les systèmes informatiques. Nous vivons actuellement la quatrième révolution industrielle qui s’appuie sur les développements de la troisième révolution, mais où les systèmes IoT (Internet of Things), le cloud, la robotique, le big data, l’intelligence artificielle (y compris la vision industrielle) nous présentent un système avec une connectivité maximale, une puissance de calcul extrême et une automatisation élevée.

Figure 1 : Révolutions industrielles. Source : Wikipedia

Automatisation industrielle

Dans les machines de production industrielle, il existe de nombreux dispositifs qui permettent l’automatisation des processus. L’automate programmable (PLC) est le cerveau de la machine auquel peuvent être connectés des capteurs, des variateurs, des encodeurs, des servomoteurs, des électrovannes, des écrans, parmi beaucoup d’autres.

Avec les systèmes de vision industrielle, nous pouvons établir une communication directe avec ce contrôleur en utilisant des entrées et des sorties numériques ou en utilisant des communications industrielles telles que Profinet, Ethernet/IP, TCP/IP, Ethercat, Modbus, OPC/UA, entre autres.

L’installation d’un système de vision industrielle dans une machine nous permet de donner des yeux à certains processus qui nécessitent soit une inspection pour contrôler la qualité d’un produit, soit un positionnement d’un objet dans l’image, soit une méthode de traçabilité, entre autres. Le système de vision peut envoyer le résultat d’une inspection à l’automate programmable et celui-ci procédera à une manœuvre en conséquence, comme l’éjection d’une pièce qui ne répond pas aux exigences de qualité en dehors de la ligne de production.

Figure 2. PLC. Source : Siemens

La vision industrielle dans l’industrie

Au cours de la dernière décennie, l’évolution de la vision industrielle dans les environnements industriels a été imparable grâce à la fois à l’amélioration du matériel, de plus en plus rapide, de meilleure résolution et mieux adapté à l’environnement industriel, et à l’amélioration des logiciels et des algorithmes d’analyse d’images. Depuis les premières caméras compactes installées pour vérifier la présence ou l’absence de composants par contraste ou luminosité, jusqu’aux derniers algorithmes d’intelligence artificielle capables d’apprendre à classer ou détecter des anomalies impossibles à détecter avec la vision conventionnelle.

 Le marché offre actuellement une très large gamme de produits pour résoudre tout défi industriel qu’un client peut nous présenter. Le choix d’un système ou d’un autre est conditionné par les exigences de l’application elle-même. Vous trouverez ci-dessous une liste des appareils que l’on trouve actuellement dans presque toutes les installations industrielles du monde, ainsi que leurs caractéristiques:

Figure 3. IS2000. Source : Cognex

Capteurs basés sur des caméras

Il s’agit de caméras simples, de faible résolution et de faible qualité optique, qui comprennent des outils de vision industrielle de base tels que les histogrammes, la détection de blob, la géométrie simple et la détection de motifs. Elles sont la version avancée d’une cellule photoélectrique et sont utilisées pour des tâches telles que la présence, l’absence de composants, la différenciation des couleurs, le déclenchement intelligent, la différenciation des modèles et autres. Ils constituent la version la plus économique des systèmes de vision industrielle.

Figure 4. Dataman. Source : Cognex

Lecteurs de codes industriels

Ces appareils sont des lecteurs de codes à barres, QR, Datamatrix, parmi de nombreux autres types. Ils utilisent des caméras au lieu de technologies laser qui leur permettent de lire les codes, même s’ils sont mal marqués ou endommagés. Comme les capteurs de vision industrielle, ils sont configurés à l’aide d’un logiciel externe, mais peuvent ensuite être utilisés sans qu’un ordinateur connecté soit nécessaire. Toutes les marques proposent généralement deux versions, une version manuelle pour que l’opérateur puisse scanner n’importe où et une version fixe pour une lecture continue sur la ligne de production.

Appareils photo compacts         

Il s’agit de caméras plus performantes que les capteurs de vision. Il existe une large gamme avec différentes caractéristiques matérielles et logicielles pour répondre à tout type d’application. Il existe des options avec optique et éclairage intégrés ou avec éclairage externe. Ils comprennent des outils de vision qui nous permettent d’effectuer une multitude d’applications rapidement et facilement, comme par exemple:

Figure 5. Insight 9000. Source : Cognex
  • Détection de motifs
  • Filtres à images
  • Blobs
  • Bords
  • Histogrammes
  • Outils de calcul géométrique
  • Calibrage
  • Détection des défauts
  • Outils de couleur
  • ROC
  • Lecture du code.

Ils sont facilement configurables et sont prêts à communiquer avec la grande majorité des automates et des dispositifs de contrôle industriel. Ils disposent généralement de différents modes de programmation, l’un plus simple, graphique et facile pour l’utilisateur et un autre de niveau inférieur pour pouvoir assembler des logiques ou des programmes plus spécialisés.

Systèmes basés sur PC

Les systèmes basés sur PC, contrairement aux systèmes compacts, ne traitent pas l’image sur le dispositif lui-même, mais le capteur se contente d’acquérir l’image et de la transmettre à un ordinateur qui traite les données directement sur place ou sur un serveur externe ou un nuage.

Les avantages de ces systèmes sont multiples :

– Si l’application nécessite de nombreux appareils, vous pouvez les connecter tous à la même unité informatique, ce qui réduit le coût final de la solution.

– Dans de nombreux cas, l’utilisation d’un PC permet d’atteindre des taux de traitement plus élevés. Dans le cas des applications d’apprentissage profond, un ou plusieurs gpus peuvent être utilisés à la fois pour la formation et l’inférence.

– Système de stockage d’images sur un même ordinateur

– Il n’y a pas de limite de bibliothèque fixée par le fabricant. Nous pouvons utiliser des bibliothèques open source ou des bibliothèques commerciales.

– Des possibilités de développement infinies. Presque tous les langages de programmation peuvent être utilisés, bien que les plus courants soient c++, c# et Python.

– Le matériel externe est beaucoup plus puissant. Nous pouvons utiliser des images de haute résolution à des vitesses d’acquisition élevées. On trouve des caméras matricielles, des caméras linéaires, des caméras multi- ou hyperspectrales et des capteurs 3D.

– Il est possible de créer des programmes qui combinent la vision avec d’autres dispositifs tels que des imprimantes, des balances ou même d’agir comme un automate dans certains cas où l’exécution en temps réel n’est pas nécessaire.

– Une multitude de cartes de communication industrielle peuvent être utilisées.

Figure 6. architecture de la solution pc. Source : Advantech

D’autre part, les inconvénients seraient les suivants :

– Ils nécessitent plus de temps pour être mis en œuvre.

– Ils exigent un niveau de connaissances plus élevé en informatique, en développement et en programmation.

– Il est plus facile de trouver des bogues.

– Les systèmes utilisés ne sont pas aussi industrialisés que les systèmes compacts, et ceux qui le sont ont tendance à être moins performants.

Systèmes de vision 3D

Figure 7. Profil du capteur 3d Source : Advantech

Ces systèmes vont au-delà des systèmes 2D classiques en introduisant la profondeur comme troisième dimension et en renvoyant la représentation 3D de la scène au format x, y, z calibré dans le monde réel par rapport à l’axe de coordonnées propre à l’équipement. Il existe différentes stratégies et équipements. L’un des systèmes les plus utilisés est le profilomètre 3D qui utilise une ou deux caméras en combinaison avec un laser pour extraire des profils continus de la pièce, de sorte qu’en combinant chaque profil l’un après l’autre, nous pouvons créer une surface 3D représentée dans un nuage de points. D’autres techniques consistent à utiliser la vision stéréo ou la lumière structurée. Nous pouvons trouver des appareils compacts tels que les appareils qui doivent être connectés à un pc. Les outils disponibles sont les suivants :

– Des modèles 3D, qui permettent d’obtenir la position de la pièce dans l’espace, ainsi que l’orientation dans ses trois axes.

– Calculs géométriques 3D tels que hauteurs, volumes, distances 3D, extraction de plans, analyse de surfaces, entre autres.

– Génération de modèles et exportation pour une utilisation en rétroconception, par exemple.

– Systèmes de picking, de dépalettisation ou de guidage robotisé des bacs.

Caméras en dehors de la plage visibleCámaras fuera del rango visible

L’une des tendances du marché ces dernières années a été l’introduction de caméras multispectrales ou hyperspectrales dans les lignes de production, grâce à la baisse des prix et à l’amélioration du matériel, ce qui a conduit à considérer ces équipements comme un plus dans le monde de la vision industrielle. Cet équipement fonctionne en dehors du spectre visible par l’œil humain et nous permet d’analyser certains comportements de réflexion et d’absorption des matériaux dans des zones du spectre non visible telles que les UV et les IR.

Il existe de nombreuses techniques et dispositifs, SWIR, NIR, filtrage optique, caméras multispectrales ou hyperspectrales nous permettent de voir ce que l’œil humain ne voit pas en analysant certaines zones du spectre électromagnétique ou même en étudiant l’empreinte électromagnétique des matériaux.

Il existe de nombreuses applications possibles pour des secteurs tels que l’alimentation, l’automobile, l’emballage ou l’industrie pharmaceutique, comme la détection de la bonne thermosoudure, la quantité de sucre sur les pâtisseries, la qualité des fruits, la détection de corps étrangers, la composition des comprimés, des liquides, la thermographie, le recyclage, entre autres.

Figure 8 – Différents spectres

Deep Learning

L’évolution dans le domaine de l’intelligence artificielle ces dernières années n’a pas de limite, chaque jour nous pouvons trouver de nouvelles publications et de nouveaux articles avec des avancées dans le domaine. Le Deep Learning est né dans les années 40 avec les premiers modèles tels que le perceptron, dans les années 80-90 a été introduit le concept de rétropropagation, qui est actuellement utilisé et qui est la clé de l’apprentissage des réseaux neuronaux, et ce n’est qu’en 2006 avec la publication de trois articles (Hinton et al, 2006 ; Bengio et al, 2007 ; Ranzato et al, 2007) que l’on peut parler du début de la révolution que nous vivons actuellement.

Figure 9. Source d’évolution : Alonso.F dans le future

Dans le monde de la vision industrielle et du traitement numérique des images, le Deep Learning a un grand impact grâce à l’utilisation de réseaux neuronaux convolutifs capables de conserver l’information spatiale de la scène et qui, avec d’autres techniques, nous permettent de résoudre des problèmes de classification d’images, de détection d’objets ou de segmentation. La combinaison de tous ces éléments permet à la communauté scientifique ou aux entreprises privées de générer des modèles capables de résoudre des problèmes très complexes avec une précision supérieure à celle que même une personne pourrait atteindre. Des solutions pour les OCR complexes, les modèles prédictifs, le contrôle des personnes dans un espace, la reconnaissance faciale, la détection des anomalies, la conduite autonome, parmi beaucoup d’autres.

Figure 10 : Détection d’anomalie Custard : Bcnvision

Dans l’industrie, ces nouveaux algorithmes ont permis de faire un pas en avant pour résoudre certains problèmes très difficiles ou impossibles à résoudre dans le domaine de la vision industrielle, ainsi que d’atteindre des industries où la vision n’est pas si bien établie. Détection d’anomalies telles que des parasites ou des poils dans des produits alimentaires, défauts dans des parties non contrastées impossibles à ajuster avec la vision conventionnelle, position d’éléments non répétitifs comme le verre, classification automatique de produits qui ne suivent pas un modèle commun, entre autres.

Où allons-nous ?

Comme nous l’avons vu, la vision industrielle dans l’industrie a connu une évolution majeure, tant au niveau du matériel que des logiciels, au cours de la dernière décennie, offrant des dispositifs qui nous permettent de fournir la capacité d’automatiser de nombreux processus dans la chaîne de production et de créer des solutions pour répondre aux besoins exigés par l’industrie 4.0. Le Deep Learning marquera sans doute cette décennie en termes d’avancées dans le domaine de la vision artificielle, la première pierre a été posée et la révolution devrait se poursuivre dans les années à venir.  Mais ce n’est pas le seul domaine à perdre de vue, les systèmes situés en dehors du champ visible ou la vision en 3D ont encore une grande marge de progression et feront beaucoup parler d’eux. Il va de soi que les fabricants fourniront des équipements de plus en plus rapides et précis.

La vérité est qu’il est très difficile de prédire où ira toute cette technologie au cours des prochaines années, même si l’avenir semble très prometteur, l’industrie continuant à évoluer vers une automatisation complète.

Écrit par Sergio Redondo, R&D Manager.

N’hésitez pas à visiter www.bcnvision.com et contactez-nous.

Dépalettisation Bin Picking de pneus