Qu'est-ce que la vision industrielle et quel est son principe ?

La vision industrielle (VI) est une technologie et une méthodologie permettant la détection et l'analyse automatisées d'images pour des applications telles que l'inspection automatisée, le contrôle des processus et la navigation robotique, couramment utilisées dans l'industrie. Le terme « vision industrielle » englobe un large éventail de technologies, de produits matériels et logiciels, de systèmes intégrés, d'actions, de méthodes et de savoir-faire. Discipline d'ingénierie à part entière, la vision industrielle se distingue de la vision par ordinateur, branche de l'informatique. Elle vise à intégrer les technologies existantes de manière novatrice et à les appliquer à la résolution de problèmes concrets. Ce terme est fréquemment employé dans les environnements d'automatisation industrielle, mais également dans d'autres domaines tels que la sécurité et la navigation automobile.

Le processus complet de vision industrielle comprend généralement trois étapes : la formation des images, leur analyse automatique et l’extraction des informations nécessaires.

La première étape du processus d'inspection automatisée consiste en l'acquisition d'images, généralement à l'aide de caméras, d'objectifs et d'un système d'éclairage. Ces acquisitions varient également en fonction du traitement ultérieur. Des logiciels et des programmes spécifiques sont développés à partir de ces images. Différentes techniques de traitement d'images numériques permettent ensuite d'extraire les informations nécessaires, et des décisions (conformité/non-conformité) sont généralement prises sur la base de ces informations.

Après l'acquisition d'une image, celle-ci doit être traitée. Plusieurs étapes de traitement sont généralement utilisées séquentiellement pour obtenir le résultat souhaité. Ces étapes peuvent débuter par l'application de filtres pour modifier l'image, suivie de l'extraction d'objets, puis de l'extraction de données (par exemple, mesures, lecture de code) à partir de ces objets, et enfin de la transmission de ces données, ou de leur comparaison à une valeur cible afin de générer un résultat de type « réussite/échec ». Les méthodes de traitement d'images en vision industrielle comprennent :

Assemblage/Recalage : Combinaison d’images 2D ou 3D adjacentes.
Filtrage (par exemple, filtrage morphologique)
Seuil : Le seuillage commence par la définition ou la détermination d'une valeur de gris qui sera utilisée pour séparer les parties d'une image, et est parfois utilisé pour simplement convertir certaines parties d'une image en noir et blanc selon que la valeur de gris de l'image est inférieure ou supérieure à cette valeur de gris.
Comptage de pixels : comptage du nombre de pixels clairs ou foncés
Segmentation : Division d’une image numérique en plusieurs segments afin de simplifier et/ou de modifier la présentation de l’image pour la rendre plus significative et plus facile à analyser.
Détection des contours : Recherche des contours cibles
Analyse des couleurs : Utiliser la couleur pour identifier les pièces, les produits et les objets, évaluer la qualité à partir de la couleur et distinguer les caractéristiques grâce à la couleur.
Détection et extraction de speckles : Détecter les speckles discrets de pixels connectés dans une image qui servent de points de repère (par exemple, les trous noirs dans les objets gris).
Réseaux de neurones/apprentissage profond/apprentissage automatique : prise de décision multivariée pondérée et auto-entraînée. Aux alentours de 2018, ce domaine a connu un essor considérable, grâce à l’utilisation de l’apprentissage profond et de l’apprentissage automatique pour étendre significativement les capacités de vision par ordinateur.
La reconnaissance de formes comprend la mise en correspondance de modèles. Il s'agit de trouver, de faire correspondre et/ou de compter des motifs spécifiques. Cela peut inclure la position d'un objet, qui peut être pivoté, partiellement caché par un autre objet ou de taille variable.
Lecture des codes-barres, des codes Data Matrix et des codes-barres 2D
Reconnaissance optique de caractères (OCR) : lecture automatique de texte, par exemple de numéros de série.
Mesure / Métrologie : Mesure des dimensions d'un objet (par exemple en pixels, pouces ou millimètres)
La comparaison avec la valeur cible (détection des défauts) permet de déterminer un résultat « réussi/non réussi ». Par exemple, pour la vérification de codes ou de codes-barres, la valeur lue est comparée à une valeur cible enregistrée. Pour les mesures, la valeur mesurée est comparée à la valeur et à la tolérance appropriées. Pour vérifier un code alphanumérique, la valeur issue de la reconnaissance optique de caractères (OCR) est comparée à la valeur appropriée ou à la valeur cible. Lors de la recherche de défauts, la taille du défaut mesuré est comparée à la valeur maximale autorisée par la norme de qualité.

Les systèmes d'inspection automatisés fournissent généralement des résultats binaires (conforme/non conforme). Ces résultats peuvent déclencher des mécanismes de rejet des articles non conformes ou l'émission d'alarmes. Parmi les autres résultats courants figurent les informations de position et d'orientation des objets provenant des systèmes de guidage robotisés. De plus, les types de résultats incluent les données de mesure numériques, les données lues à partir de codes et de caractères, le comptage et la catégorisation des objets, l'affichage des processus ou des résultats, les images enregistrées, les alarmes des systèmes de surveillance spatiale automatisés (vidéosurveillance) et les signaux de contrôle de processus. Sont également inclus les interfaces utilisateur pour l'intégration de systèmes multicomposants et les interfaces d'échange automatique de données.

La société Advancevi s'engage à réaliser des avancées majeures dans les technologies d'apprentissage profond en intelligence artificielle et en vision par ordinateur. Après plusieurs années d'efforts soutenus, elle a récemment lancé un équipement de vision par ordinateur de pointe pour l'inspection des défauts de surface de divers tuyaux, tubes, câbles et fils. Grâce à la vision par ordinateur, aux algorithmes de traitement d'images, à l'intelligence artificielle, à la reconnaissance de formes et au développement de matériel et de logiciels embarqués ARM/FPGA/DSP, cet appareil vise à réduire la charge de travail, à améliorer la qualité des produits, à diminuer les coûts et à promouvoir l'industrie manufacturière de pointe vers une production intelligente.