Comment choisir une technologie d'IA moderne pour les applications de fabrication et d'automatisation

Dans la vie quotidienne en dehors de la production et des laboratoires dans le domaine de l'automatisation industrielle, les définitions de l'intelligence artificielle (IA) varient considérablement.

« L'intelligence artificielle » fait référence à une science qui englobe plusieurs disciplines techniques et d'ingénierie différentes, notamment la vision industrielle, la vision par ordinateur, l'apprentissage automatique et l'apprentissage profond. Lorsqu’un système basé sur cette combinaison de technologies est conçu correctement (de l’analyse de l’application à la validation finale), il peut ajouter une valeur considérable à l’usine.

L'essor de l'intelligence artificielle dans le secteur manufacturier

John McCarthy, professeur d'informatique à l'Université de Stanford, est connu comme le « père de l'intelligence artificielle ». L’intelligence artificielle peut être définie comme « la science et l’ingénierie permettant de créer des machines intelligentes, en particulier des programmes informatiques intelligents ». Il s'agit d'utiliser des ordinateurs pour comprendre des tâches similaires chez les humains, mais l'intelligence artificielle ne doit pas nécessairement se limiter à des méthodes biologiquement perceptibles.

Dans ce cas, l'intelligence artificielle peut fournir aux fabricants de différents secteurs des outils précieux pour l'inspection automatisée des systèmes de vision industrielle. Au sein de l’intelligence artificielle, il existe des sous-ensembles d’apprentissage automatique et d’apprentissage profond. L'apprentissage automatique utilise des techniques grâce auxquelles les machines peuvent « apprendre » pour s'améliorer dans différentes tâches. L'une de ces techniques est l'apprentissage profond, qui utilise des réseaux de neurones artificiels, tels que les réseaux de neurones convolutifs, pour simuler le processus d'apprentissage du cerveau humain.

L'apprentissage profond, un sous-ensemble de l'apprentissage automatique, ainsi que l'apprentissage automatique, est devenu populaire dans le domaine de l'automatisation industrielle en raison de sa capacité à « apprendre » à partir de l'analyse continue des modèles au fil du temps. Le processus d'apprentissage profond commence par les données. Par exemple, pour aider la vision industrielle à détecter les défauts des produits, les fabricants créeront un ensemble de données préliminaires en téléchargeant des images décrivant les défauts ou les caractéristiques qui doivent être détectés avec de « bonnes » images. L'apprentissage profond consiste à étiqueter de manière collaborative un ensemble de données préliminaires, à entraîner le modèle et à valider les résultats à l'aide d'images de test de l'ensemble de données d'origine, à tester les performances en production et à se recycler pour couvrir de nouveaux cas ou fonctionnalités.

Lorsque tous les facteurs sont pris en compte et que les étapes appropriées sont suivies, le logiciel apporte de la valeur lors de la mise en œuvre d'outils d'apprentissage profond dans des systèmes d'inspection automatisés nouveaux ou existants, y compris des tâches telles que la détection des défauts, la classification des fonctionnalités et la vérification des assemblages. Plus précisément, ce logiciel apporte de la valeur dans de nombreuses applications telles que des tâches telles que la détection de défauts, la classification des fonctionnalités et la vérification. La technologie de l’IA peut faciliter les décisions d’inspection subjectives qui nécessiteraient autrement une inspection manuelle. La technologie de l’IA peut aider à identifier des scénarios présentant un niveau élevé de complexité ou de variabilité qui rend difficile l’identification de caractéristiques spécifiques.

Systèmes de vision industrielle améliorés

L'application de l'intelligence artificielle dans les applications ne profite pas à toutes les applications et il ne s'agit pas d'une technologie indépendante. La technologie de l’IA représente plutôt un outil puissant dans la boîte à outils d’inspection automatisée qui peut être déployée dans plusieurs secteurs différents, offrant aux fabricants une variété d’options lors du choix d’une solution. Ils peuvent coder des solutions en interne à l'aide de frameworks tels que PyTorch ou TensorFlow, acheter des solutions prêtes à l'emploi ou sélectionner des produits ou des systèmes compatibles avec l'IA spécifiques à une application.

Il existe plusieurs solutions d'IA prêtes à l'emploi sur le marché qui permettent aux utilisateurs finaux de créer leurs propres modèles sans être liés à une application spécifique. Par exemple, la plate-forme d'assurance qualité d'Elementary propose ce que l'entreprise appelle un « système de vision complet » avec des têtes d'imagerie et un logiciel d'apprentissage automatique avec des analyses avancées conçues pour identifier les problèmes, améliorer continuellement et débloquer de nouvelles capacités pour une variété de processus de fabrication. Le système combine des outils de vision industrielle traditionnels, tels que la lecture de codes-barres et la reconnaissance optique de caractères, avec des capacités d'apprentissage automatique pour ajouter des capacités d'inspection externe au système. Dans l'ensemble, le système offre des capacités de détection supplémentaires.

Mike Bruchanski a déclaré : « L'intelligence artificielle n'est pas magique et elle ne peut pas tout faire, mais elle peut ajouter de nouvelles capacités puissantes aux systèmes de détection automatisés. La détection d'anomalies - comme la découverte d'une masse évidente dans le grain - est une technologie basée sur A exemple clair d'un outil de vision d'apprentissage automatique qui peut fonctionner avec des systèmes de vision industrielle pour le contrôle qualité. " Les applications d'inspection courantes pour les systèmes de vision élémentaires incluent les emballages de produits de consommation (y compris les étiquettes, les bouchons et les accessoires), a déclaré Brushanski, les dispositifs médicaux et l'automobile. les pièces et assemblages, ainsi que les produits alimentaires et les boissons (impliquant souvent des versions uniques d'inspection d'assemblage).

Il a déclaré : « Par exemple, lors de l'inspection de sandwichs préemballés pour le petit-déjeuner, il serait difficile d'établir un modèle qui permettrait à un logiciel de comprendre si le fromage n'est pas au bon endroit ou pas du tout, mais notre outil d'apprentissage automatique permet à un système de vision d'examiner les sandwichs empilés et de prendre des décisions rapides. Notre plateforme propose une approche similaire dans les inspections d'assemblage de dispositifs médicaux, tout en effectuant également une gamme d'inspections automobiles, de l'identification des étiquettes réglementaires à l'inspection des soudures pour détecter les bosses, les vides ou les fissures. »

L'adoption de la robotique est en hausse

Un certain nombre de produits d'intelligence artificielle spécifiques à des applications ont vu le jour ces dernières années dans le but de rationaliser et de simplifier certaines tâches. Dans certains cas, cela peut impliquer de rendre tout un système opérationnel en quelques heures. Le Rapid Machine Operator (RMO) de Rapid Robotics est un excellent exemple d’un tel système. Chaque RMO est conçu pour gérer les tâches courantes des opérateurs de machines et comprend un bras robotique à 6 axes, un capteur de profondeur 3D, une pince et un boîtier de commande pour l'informatique de pointe et le traitement de l'intelligence artificielle. Selon l'entreprise, rmo est équipé d'algorithmes d'intelligence artificielle pré-entraînés.

Juan Aparicio, vice-président des produits chez RapidRobotics, a déclaré : "Chaque RMO est conçu pour répondre aux exigences de production uniques du client. Ces cellules de travail modulaires permettent aux fabricants d'étendre l'automatisation rapidement, de manière rentable et avec un faible risque." les progrès de l’intelligence artificielle rendent l’automatisation robotique plus facile et plus efficace que jamais à déployer.

"Dans notre domaine, l'une des propositions de valeur les plus importantes de l'IA est la diversité des talents en automatisation. Le récit commun est que l'automatisation a pénétré le secteur manufacturier américain. Grâce à notre travail, nous avons constaté que ce n'est certainement pas le cas

À la surprise des chercheurs, un récent rapport du MIT sur l'avenir du travail a révélé que les robots basés sur l'intelligence artificielle sont rarement présents dans les petites et moyennes entreprises, a-t-il ajouté. Il existe de nombreuses opportunités de déploiement, notamment l'inspection de la qualité et le mobile autonome. robots, assemblage et conception générative.

Dans le domaine de la robotique, Photoneo utilise des méthodes d'intelligence artificielle dans ses solutions d'automatisation pour identifier, prélever et classer des objets de types mixtes. L'entreprise utilise des CNN formés sur un vaste ensemble de données d'objets pour identifier des éléments de différentes formes, tailles, couleurs ou matériaux. Si le logiciel rencontre un objet qu'il n'a jamais vu auparavant, il peut identifier et classer l'objet en fonction d'objets similaires qu'il a rencontrés ou sur lesquels il a été formé auparavant. De plus, le logiciel peut être formé sur un ensemble de données spécifique si un client a besoin de détecter des anomalies ou des éléments de personnalisation susceptibles de dégrader les performances du modèle.

Andrea Pufflerova, spécialiste des relations publiques de Photoneo, a déclaré : « Les clients ont souvent besoin d'un système robotisé de préparation d'articles capable d'identifier, de sélectionner et de trier des articles de différentes formes, tailles, couleurs ou matériaux. L'intégration de l'intelligence artificielle dans une telle solution permet aux clients de localiser. » et traiter des types d'objets mixtes, y compris des produits biologiques tels que des fruits ou du poisson.

Elle a ajouté : « Cela peut même inclure des articles souvent difficiles à identifier, comme des sacs souples, déformables, pleins de rides et d'irrégularités. «

Solutions personnalisées complètes

Les entreprises qui cherchent à déployer des logiciels d'IA dans leurs opérations peuvent aller plus loin et laisser des entreprises comme Prolucid créer et intégrer des modèles d'apprentissage automatique personnalisés, y compris la prise en charge de la collecte et de l'étiquetage des données, la formation et le déploiement des modèles

. Darcy Bachert, PDG de Prolucid, explique : « En tant qu'intégrateur de systèmes, notre objectif est d'appliquer des modèles avancés de vision par ordinateur et basés sur l'IA pour faciliter les applications complexes d'inspection de fabrication, ainsi qu'une variété de clients non industriels, y compris les soins nucléaires et médicaux. « Notre approche typique consiste à utiliser la vision par ordinateur ou d'autres outils existants pour résoudre le problème de la manière la plus simple possible. Si nous rencontrons une application pour laquelle ces éléments ne conviennent pas, nous considérons l'IA comme une option et commençons par rechercher des modèles disponibles dans le commerce qui correspondent au cas d'utilisation spécifique, comme la détection d'anomalies ou la classification de fonctionnalités. "

Bachert a noté que les plateformes open source telles que TensorFlow, qui sont fournies avec des modèles pré-entraînés conçus pour des cas d'utilisation pertinents, ainsi que l'ensemble de l'écosystème Python, ont eu un impact positif significatif sur l'adoption de l'intelligence artificielle dans le secteur manufacturier et autres. applications.

il a expliqué : « Développer un modèle à partir de zéro peut prendre beaucoup de temps, ce qui est souvent peu pratique pour les clients du secteur manufacturier. "Cependant, si des versions pré-entraînées peuvent être exploitées, cela simplifie considérablement l'investissement initial." identifier précocement les tendances des défauts et, à terme, prévenir leur apparition. Par exemple, l’apprentissage automatique peut identifier quand une entreprise produit davantage de défauts à certaines heures de la journée, ou quand les étiquettes de code de date commencent à s’estomper parce qu’une imprimante manque d’encre. Selon Bruchanski, la technologie identifiera quand un processus tourne mal et enverra des commandes au système ou à l'opérateur pour effectuer des ajustements.

Il a déclaré : "À l'avenir, l'apprentissage automatique peut aider à optimiser les processus en détectant les défauts, en identifiant les tendances à l'origine des erreurs et en fournissant ces données aux fabricants, les aidant ainsi à créer un environnement sans défauts." estime que le développement de modèles d'IA hybrides combinant des approches basées sur des modèles et basées sur l'IA offre également un potentiel pour les applications industrielles.

Elle a déclaré : « Aujourd’hui, il ne suffit peut-être pas de former un système pour qu’il fonctionne raisonnablement bien sur un ensemble limité d’exemples – il faut également comprendre sa représentation interne. Par rapport aux approches traditionnelles d’apprentissage automatique en boîte noire ou d’apprentissage profond, hybrides. Les modèles d’IA offrent un apprentissage plus rapide et plus simple et une meilleure interprétabilité. »

Pour Aparicio, il est difficile de parler d’automatisation robotique sans parler de l’avenir de la main-d’œuvre.

Il a déclaré : « Dans la mesure où l’IA et l’automatisation rendent les rôles humains obsolètes, l’innovation robotique apportera des changements, mais en fin de compte plus d’opportunités pour les humains. » « Par exemple, le déploiement de robots nécessitera toujours l’implication des ingénieurs, car ils en ont besoin. » coordonner divers processus d'intégration, mélanger le matériel et les logiciels et concevoir un système fiable. "

À mesure que le logiciel deviendra le principal outil de formation et de support des robots, ces rôles seront probablement davantage intégrés à l'informatique. Compte tenu de la vitesse à laquelle ces technologies évoluent, les entreprises peuvent décider de s'associer à un fournisseur de solutions verticalement intégré, ce qui leur permettra de se concentrer davantage sur la croissance de leur activité pendant que le fournisseur gère la flotte de robots. Bachert a expliqué que dans ce scénario, la main-d'œuvre robotique passera d'équipes distribuées à une approche centralisée, permettant aux entreprises de robotique en tant que service de profiter d'économies d'échelle et d'une formation centralisée.

Quand il s’agit de surmonter les obstacles qui entravent l’adoption rapide de l’IA, Bachette a conclu que l’IA n’est qu’un autre outil pouvant être utilisé pour l’automatisation industrielle. Cependant, prévient-il, « à mesure que la communauté open source continue de croître et que de plus en plus de modèles pré-entraînés deviennent disponibles, les barrières à l'entrée de ces technologies dans les applications du monde réel diminueront. Cette adoption obligera les clients finaux à investir dans la formation au sein de leur entreprise. équipes, car l'intelligence artificielle présente des défis tout à fait uniques qui ne sont pas toujours présents dans les simples applications de vision par ordinateur ou d'inspection