Depuis la troisième révolution industrielle des années 1970, où l’électronique et l’informatique étaient au cœur de la modernisation des procédés, les systèmes de vision dite “traditionnelle” ont permis aux ordinateurs d’inspecter la production. Ces systèmes de vision s’appuyaient :

• soit sur un contrôle sensoriel guidé par la vision de l’homme,
• soit par un contrôle photographique assisté par l’ordinateur.

1. Des systèmes de vision défaillants

En ce qui concerne le contrôle sensoriel, la thèse de Nathalie Baudet met en avant que l'efficacité d'un contrôle effectué par l'homme est de 80%, soit 20% d'erreurs qui trouvent leur origine dans une mauvaise détection ou bien dans une mauvaise décision. Sans compter les facteurs de fatigabilité opérationnelle.

De leur côté, les outils informatiques actuels de vision - Machine Learning traditionnel compris -ne répondent pas à toutes les exigences. Établie avec des règles en dur, ils supportent mal la variation des règles pour distinguer bons et mauvais produits.

2. L'essor du Deep Learning

L’essor récent du Deep Learning vient justement pallier ces principaux défauts. Car la différence fondamentale des algorithmes de Deep Learning avec leur prédécesseurs repose principalement sur leur robustesse pour identifier des défauts aux variabilités multiples difficilement descriptibles (profil, éclairage, champs de vision,variations chromatiques) et pour déterminer a contrario les invariants.

Capables d’apprendre par eux-mêmes et grâce aux annotations, ils créent leurs propres règles implicites pour déterminer les combinaisons de caractéristiques qui définissent des produits de qualité.

3. Les avantages concrets du Deep Learning

L'analyse d'images basée sur le Deep Learning excelle dans les applications suivantes :

• Inspection esthétique complexe
• Classification des textures et matériaux
• Vérification de l'assemblage
• Reconnaissance des déformations & impressions de déformation

En 2022, il incombe aux industriels d'élever leur niveau de productivité pour rester compétitif à l’échelle mondiale tout en suivant les cycles d’innovation. Le contrôle qualité est l’un de ces enjeux principaux, si et seulement si, le secteur parvient à intégrer des outils de détection plus performants dont le Deep Learning fait partie.