inspection visuelle auTomatique de défauts d’aspects en tEmps réel et en ligne par l’usage de Machines apprenantes : contribution à l’InduStrie 4.0 – TEMIS

L’inspection visuelle et la détection des défauts des produits manufacturés sur une chaîne de production doivent se réaliser en temps réel et à des cadences très élevées (sous la seconde). Cette activité fait partie intégrante de la stratégie globale d’amélioration de la qualité des produits, elle permet de limiter les retours clients couteux. Il existe déjà des approches pour automatiser les inspections visuelles mais elles nécessitent bien souvent d’être reprogrammées et calibrées en cas d’évolution du produit ou de la chaine de production. Tous les produits même les plus standards d’entre-eux sont susceptibles d’évoluer (e.g. formes, aspects, fonctions) pour répondre aux besoins spécifiques de chaque client. Pour rester concurrentielle, l’entreprise doit se doter d’une inspection visuelle automatique qui s’adapte rapidement aux changements de configurations du produit (grande variabilité du produit) et qui soit très performante sur la chaîne de production. Cela signifie que dans ce contexte de produits customisés, de nouveaux défauts encore inconnus peuvent apparaître, et doivent donc pouvoir être détectés à moindre frais. Le projet TEMIS vise donc à développer une approche automatisée et reconfigurable pour le contrôle en ligne de produits manufacturés et cela en respectant des exigences production sévères (granularité et temps d’inférence <1 seconde).

L’objectif scientifique et industriel de TEMIS est d’expérimenter puis de recommander les solutions existantes de l’état de l’art par Machine Learning (ML) ou Deep Learning (DL) répondant au besoin d’identification de défauts en ligne. La recherche qui sera menée dans ce programme ANR, axée sur le Génie Industriel, est une étude expérimentale complète et détaillée sur l’inspection visuelle réalisée en condition réelle via une plateforme expérimentale industrielle (plateforme AMS Agile Manufacturing – LabCom DIMEXP) située à l’UTC et pour laquelle les données constituantes d’un dataset de validation, dont les données sont issues de condition réelles, seront mises à disposition en open source.

L’un des caractères novateurs du projet est lié à l’élaboration d’une étude expérimentale établissant précisément des comparaisons (de granularité et de précisions) entre les approches de la littérature. Cette étude visera à établir et vérifier que les approches apprenantes statistiques supervisées et non supervisées en ML et DL peuvent offrir une agilité dans l’inspection. De cette étude seront produits des préconisations sur l’usage d’algorithmes de ML et DL vis-à-vis des critères d’exigences de production ainsi que des pipelines (chainage des approches) génériques pour atteindre les niveaux de détection souhaités.