
La vision artificielle avec apprentissage profond accélère le passage à l’usine intelligente [EDITION ABONNES] Déployées dans des applications de contrôle qualité, d’inspection de sécurité, de maintenance prédictive et de surveillance opérationnelle, les technologies traditionnelles de vision industrielle, qui s’appuient sur des règles et des critères préprogrammés, restent populaires dans les usines de production ...en raison de leur répétabilité éprouvée, de leur fiabilité et de leur stabilité. Il n’empêche, l’émergence des techniques d’apprentissage profond ouvre la voie à des fonctionnalités et à une flexibilité étendues, gages d’efficacité économique et de gain de productivité. Et ce grâce à la possibilité d’entraîner et d’améliorer les systèmes de vision artificielle avec des échantillons, toujours renouvelés, de données remontées du terrain, permettant ainsi aux fabricants d’intégrer rapidement des mises à jour et des mises à niveau. Le potentiel est tel que, selon la société d’études ABI Research, le marché des technologies de vision artificielle bâties sur l’apprentissage profond pourrait progresser d’environ 20% par an en moyenne entre 2017 et 2023 pour atteindre une valeur de 34 milliards de dollars cette année-là. « L’émergence de frameworks open source d’intelligence artificielle (IA) comme TensorFlow, Caffe2 et MXNet abaisse la barrière d’entrée qui limitait jusqu’alors l’adoption de la vision industrielle assistée par l’apprentissage profond, indique Lian Jye Su, analyste chez ABI Research. Ces frameworks peuvent être déployés sur des infrastructures de centres de données sur site à travers des packages logiciels proposés par un certain nombre de spécialistes de l’IA. Mais les fabricants peuvent aussi choisir de développer leurs propres systèmes de vision artificielle afin d’éviter d’être liés à un fournisseur particulier. » Ces systèmes qui tirent parti de l’apprentissage profond peuvent d’ailleurs récupérer des données issues de capteurs divers et variés, et non pas seulement de caméras optiques, comme les lidars, les radars, les capteurs à ultrasons ou les capteurs de champ magnétique. Données qui, du coup, peuvent fournir des informations beaucoup plus complètes sur les processus de production. Alors que la vision industrielle classique ne peut que détecter des défauts sur les produits ou des problèmes de qualité selon des règles définies par les humains, les algorithmes d’apprentissage profond permettent d’aller plus loin, souligne ABI Research. Ils peuvent repérer des anomalies ou des défauts inattendus, fournissant ainsi aux fabricants une plus grande flexibilité et des informations particulièrement précieuses. Pour l’implémentation des technologies de vision artificielle avec deep learning, ABI Research encourage les fabricants à travailler avec un large éventail de fournisseurs tels qu’éditeurs de plates-formes dans le nuage pour l’industrie, vendeurs de caméras et de capteurs, et fournisseurs de solutions de cloud public. Une plate-forme dans le nuage robuste est notamment indispensable pour la maintenance conditionnelle, la récupération des données collectées et leur analyse, précise la société d’études. A la différence des systèmes de vision industrielle qui reposent sur une programmation ligne par ligne, les modèles de vision artificielle avec apprentissage profond peuvent être déployés par les utilisateurs sans expérience de codage significative, ces modèles s’appuyant sur un apprentissage non supervisé qui repose sur les données collectées directement sur le terrain.

La vision artificielle avec apprentissage profond accélère le passage à l’usine intelligente

[EDITION ABONNES] Déployées dans des applications de contrôle qualité, d’inspection de sécurité, de maintenance prédictive et de surveillance opérationnelle, les technologies traditionnelles de vision industrielle, qui s’appuient sur des règles et des critères préprogrammés, restent populaires dans les usines de production ...en raison de leur répétabilité éprouvée, de leur fiabilité et de leur stabilité. Il n’empêche, l’émergence des techniques d’apprentissage profond ouvre la voie à des fonctionnalités et à une flexibilité étendues, gages d’efficacité économique et de gain de productivité. Et ce grâce à la possibilité d’entraîner et d’améliorer les systèmes de vision artificielle avec des échantillons, toujours renouvelés, de données remontées du terrain, permettant ainsi aux fabricants d’intégrer rapidement des mises à jour et des mises à niveau.

Le potentiel est tel que, selon la société d’études ABI Research, le marché des technologies de vision artificielle bâties sur l’apprentissage profond pourrait progresser d’environ 20% par an en moyenne entre 2017 et 2023 pour atteindre une valeur de 34 milliards de dollars cette année-là. « L’émergence de frameworks open source d’intelligence artificielle (IA) comme TensorFlow, Caffe2 et MXNet abaisse la barrière d’entrée qui limitait jusqu’alors l’adoption de la vision industrielle assistée par l’apprentissage profond, indique Lian Jye Su, analyste chez ABI Research. Ces frameworks peuvent être déployés sur des infrastructures de centres de données sur site à travers des packages logiciels proposés par un certain nombre de spécialistes de l’IA. Mais les fabricants peuvent aussi choisir de développer leurs propres systèmes de vision artificielle afin d’éviter d’être liés à un fournisseur particulier. »

Ces systèmes qui tirent parti de l’apprentissage profond peuvent d’ailleurs récupérer des données issues de capteurs divers et variés, et non pas seulement de caméras optiques, comme les lidars, les radars, les capteurs à ultrasons ou les capteurs de champ magnétique. Données qui, du coup, peuvent fournir des informations beaucoup plus complètes sur les processus de production. Alors que la vision industrielle classique ne peut que détecter des défauts sur les produits ou des problèmes de qualité selon des règles définies par les humains, les algorithmes d’apprentissage profond permettent d’aller plus loin, souligne ABI Research. Ils peuvent repérer des anomalies ou des défauts inattendus, fournissant ainsi aux fabricants une plus grande flexibilité et des informations particulièrement précieuses.

Pour l’implémentation des technologies de vision artificielle avec deep learning, ABI Research encourage les fabricants à travailler avec un large éventail de fournisseurs tels qu’éditeurs de plates-formes dans le nuage pour l’industrie, vendeurs de caméras et de capteurs, et fournisseurs de solutions de cloud public. Une plate-forme dans le nuage robuste est notamment indispensable pour la maintenance conditionnelle, la récupération des données collectées et leur analyse, précise la société d’études. A la différence des systèmes de vision industrielle qui reposent sur une programmation ligne par ligne, les modèles de vision artificielle avec apprentissage profond peuvent être déployés par les utilisateurs sans expérience de codage significative, ces modèles s’appuyant sur un apprentissage non supervisé qui repose sur les données collectées directement sur le terrain.