BLOG

Les fonds affluent dans l’Internet des objets, construits autour de capteurs intelligents connectés à Internet. Mais le sens le plus riche de tous, la vision, est resté en grande partie ignoré, et utilisé dans l’industrie seulement pour une petite fraction de son potentiel. La vision est resté isolée dans un recoin technologique du développement des machines intelligentes, tandis que les autres sens avançaient rapidement.

Jusqu’à récemment, la vision par ordinateur – la plus largement utilisée dans la fabrication – et les technologies de l’informatique grand public ont existé dans des mondes parallèles. Avec d’autres technologies productives, la vision par ordinateur a tendance a être calibré spécifiquement pour la machine, au matériel piloté, et fait peu de cas de l’usage de l’Internet. Beaucoup de progrès que nous tenons pour acquis dans l’informatique moderne grand public – connectivité omniprésente, stockage illimité en cloud, aperçus tirés de masses de données non structurées – doivent encore être appliquées au monde l’usine en général et à la vision par ordinateur en particulier.

Il n’est pas surprenant quand on sait que jusqu’à récemment, la plupart des logiciels de vision numériques ont été créés par des fabricants de matériel de vision par ordinateur, construits sur des systèmes embarqués sans API ouvertes. Ce qui vient à l’esprit quand vous pensez au logiciel qui a été fourni avec votre scanner, votre routeur Wi-Fi, et le système de navigation de votre voiture ? Volumineux, peu flexible et peu intuitif. Le logiciel n’est rien de plus que d’un utilitaire nécessaire au fonctionnement du matériel .

Mais ce monde fermé est en train de céder face à une convergence de technologies émergentes :

1. La prolifération de capteurs à bas prix et de senseurs caméra pixel haute densité
2. Les implémentations ouvertes des algorithmes de vision, l’apprentissage de la machine et des outils statistiques
3. Une puissance de calcul croissante peu onéreuse, devenant pratiquement illimitées dans un cloud

Ces technologies offrent toutes les matières premières nécessaires à un un changement massif dans la manière dont la vision par ordinateur est opérée. Ce changement concerne le passage d’une concentration sur la matière première des données visuelles – les pixels et les bitmaps générés par des caméras spécifiques – à l’extraction de données à partir d’images et l’utilisation de techniques statistiques et scientifiques des données à tirer de ces enseignements.

Cette nouvelle approche de la vision par ordinateur trouve un puissant potentiel au sein de la renaissance de l’industrie manufacturière américaine, mettant l’accent sur des cycles de production rapides et une personnalisation de masse. Considérant que l’ usine américaine typique a été construit autour fonction reproductibles, systématique, la fabrication moderne est axée sur ??la flexibilité, l’adaptabilité et une plus grande efficacité. Nous sommes passés d’Henry Ford déclarant « de n’importe quelle couleur qu’ils veulent tant qu’elles sont noires » à Moto X (Le téléphone de Google) fabriqué aux États-Unis et livré dans les quatre jours configuré sur le client.

Des exigences de qualité implacable :

Ce besoin de flexibilité sur la ligne de fabrication est cependant en tension avec les exigences de qualité auxquelles les fabricants font face de manière implacable entre le haut de l’industrie et le bas des chaînes d’approvisionnement. Malgré des investissements considérables dans le contrôle qualité, les constructeurs automobiles ont rappelé presque autant de voitures que de voitures vendues aux États-Unis en 2012. Ford et General Motors ont effectué des opérations de garantie de quelques 5,7 milliards de dollars en 2012, plus de la moitié des 10,5 milliards comptabilisés en résultat net… Les constructeurs automobiles sont en train de payer les fournisseurs en fonction de Benchmarks de défauts par millions, éliminant ceux qui tombent en dessous des seuils, et en repoussant leur responsabilité afin d’effectuer des réclamations jusqu’à leurs fournisseurs.

Alors que l’automatisation a transformé une grande partie de la fabrication manufacturière, une part encore surprenante du contrôle qualité se fait toujours manuellement ou s’appuie sur le jugement humain. De nombreux types de contrôle exigent une évaluation visuelle, mais l’expérience de la vision par ordinateur dans le contrôle qualité a jusqu’ici été une source de frustrations. Les machines en usage utilisent une architecture vieille de 30 ans à forte intensité capitalistique et fortement limitée dans ses capacités. Les systèmes de vision par ordinateur contemporains fonctionnent comme des îles autonomes, rarement connectés à Internet. Chaque fois que les besoins changent, chaque installation doit être reprogrammé manuellement, unité par unité, ce quui ajoute une charge financière et des délais de production parfois intolérables en flux tendus.

Pire encore, peu de données sont conservées, ce qui rend difficile un repérage des tendances ou de corrélations entre plusieurs variables. La plupart des inspections de qualité de fabrication par la vision numérique est aujourd’hui en partie un échec. Si les inspections initiales d’un cycle de production passent l’inspection de la qualité, les machines sont allumés et les données d’essais écrasées.

Le nouvelle vision par ordinateur

Libéré de ses entraves matérielles et étendue par la connectivité, le stockage de données illimitées et l’analyse statistique de données de Big-data sont en train de changer le rôle de la vision dans le secteur manufacturier. Au lieu d’être un outil réactif pour détecter les défauts, la vision par ordinateur est devenu un outil de collecte de données à l’appui des initiatives de prévention des défauts, pour améliorer la compréhension des processus complexes, et permettant une plus grande collaboration entre les chaînes d’ approvisionnement en temps réel.

Avec les services web modernes, une fois les données recueillies, elles sont facilement regroupées dans des tableaux de bord accessibles aux chargés de la production, ingénieurs qualité, et les services de gestion, locale ou mondiale. Les fabricants peuvent également partager des données avec les partenaires de la chaîne d’approvisionnement, ce qui rend plus facile le contrôle des fournisseurs ou de satisfaire aux exigences d’établissement de rapports pour les clients.

Un grand fabricant de boulons de haute qualité et d’autres fixations automobiles, a parfaitement intégré ces nouveautés dans leur utilisation de la vision numérique. Son système l’utilise pour analyser le grain des boulons. Si le motif est erroné (si les lignes du grain se terminent sur ??une surface portante) la tête du boulon peut se fendre quand un ouvrier d’usine les tord vers le bas, ou pire, quand il tient déjà un bloc moteur en place. Le système capture des images en utilisant un scanner à 100 dollars acheté chez Best Buy. Toute l’intelligence est dans le logiciel, en cours d’exécution à distance sur la plate-forme de cloud computing d’Amazon. Le système compare chaque image à des milliers d’ autres photos de grains métalliques stockés dans le nuage, recherchant des modèles qui sont en corrélation avec l’échec de la pièce.

Le fabricant de vis explore maintenant l’extension de son système de vision par ordinateur à son fournisseur d’acier, ce qui lui permet de saisir des images de grains de métal de chaque lot de tiges d’acier qu’il expédie à l’appareil de fixation. Le fabricant de fixations sera alors en mesure d’analyser des ensembles de données de plus en plus massives de corréler des motifs de grain dans les tiges d’acier avec des mesures de qualité dans les boulons finis.

Au lieu d’examiner un seul poste, de grands ensembles de données permettent aux entreprises de tracer les interactions complexes sur la ligne de production et dans la chaîne d’approvisionnement. Des stations en amont peuvent produire des pièces qui sont techniquement au seuil de la tolérance, mais quand certaines plages de variation acceptables sont combinées, elles peuvent causer néanmoins des défauts en aval après installation.

Pour ce client la matière première (une tige d’acier) et le lot de boulons fabriqués à partir de la tige, peuvent chacun être bien conformes aux spécifications, mais l’analyse de données rétrospectives peuvent montrer que certaines combinaisons de motifs du grain dans les tiges d’acier conduisent à plus les taux de défaillance sur les boulons utilisés pour des applications spécifiques.

Quand les constructeurs automobiles s’adapteront au système, ils monteront en puissance. Si un rapport constate que les boulons fixant le porte-gobelet se brisent et conduisent à des réparations sous garantie, le fournisseur de pièces dispose maintenant d’outils d’analyse pour déterminer la source du problème. Ils peuvent exécuter l’analyse pour déterminer si les boulons qui ont échoué provenaient d’un lot particulier de tiges d’acier, ou ont été faits un jour où leur ligne de production a été ajustée à une tolérance spécifique ou bien encore si le problème n’était pas dans le boulon lui-même, ou avec l’opérateur travaillant sur le côté gauche de la ligne d’assemblage, qui surcouple uniformément les vis du moteur.

Une fois les données capturées dans le cloud, de tels systèmes peuvent stocker une quantité illimitée de données indéfiniment, pour une nouvelle analyse ou recherche précise à tout moment. Ils permettent de déceler des corrélations dans le temps, suivre des tendances par l’analyse statistique et d’identifier des causes profondes, et les problèmes que nouvelles variables posent, revenir en arrière au besoin et analyser des données précédemment acquises dans leurs évaluations. Comme chaque ligne de production devient plus intelligente, l’ensemble du système devient plus intelligent. Comme Google en apprend davantage sur les consommateurs dans leur recherche et à chaque clic, les utilisateurs de ces systèmes sont en mesure de regrouper les apprentissages de problèmes qualité communs dans tous les secteurs.

En fin de compte, la vision peut transformer les défis physiques du monde des problèmes Big Data. Nous savons maintenant comment résoudre ces problèmes Big Data de mieux en mieux chaque jour.

Titre original : Liberating machine vision machines – Janvier 2014. Traduit et adapté de l’anglais. Source : Wired.