Des algorithmes ajustés aux besoins de l'industrie
@Systèmes Électroniques Matrox. Droits d’auteur.
Avec l’avènement de l’industrie 4.0, qui pousse les usines de production davantage vers la transformation numérique, les entreprises ont besoin d’accéder à certaines technologies comme l’intelligence artificielle afin d’augmenter leur productivité et la qualité de leurs produits. Or, si les algorithmes d’intelligence artificielle offrent une performance inégalée, ils nécessitent souvent beaucoup d’ajustements et s’adaptent mal aux changements inévitables qui surviennent sur les chaînes de montage. L’objectif des chercheurs de la Chaire de recherche industrielle Imagerie Matrox sur la vision par ordinateur pour des applications industrielles est ambitieux : mettre au point des algorithmes polyvalents afin d’être en mesure d’offrir un système facile à utiliser, qui s’adapte aisément à n’importe quel environnement de production. Pour y arriver, ils devront s’attaquer à plusieurs problèmes.
Un manque de données pertinentes
Les chercheurs utilisent typiquement des centaines de milliers (voire des millions) d’images annotées pour entraîner des algorithmes d’intelligence artificielle. La plupart des entreprises n’ont malheureusement pas les ressources pour annoter autant d’images. Qui plus est, les images dont elles disposent sont en nombre limité et déséquilibrées : p. ex. elles possèdent beaucoup plus d’images de pièces conformes que de pièces présentant des anomalies.
Pour pallier ces lacunes, les chercheurs de l’ÉTS auront recours à des techniques d’apprentissage semi-supervisé, qui nécessitent peu d’exemples pour entraîner des réseaux de neurones profonds. Un ensemble limité d’exemples à étiqueter sera sélectionné de façon dynamique de façon à maximiser la performance des modèles. Les différentes techniques utilisées s’appuieront sur l’apprentissage par renforcement.
Un manque de robustesse aux changements
Les algorithmes actuels sont très dépendants des données qu’on leur donne. Ils fonctionnent donc très bien si les images à analyser sont prises de la même caméra, du même angle et sous le même éclairage que les images qui ont servi à entraîner le système. Par contre, un changement dans l’environnement ou dans l’aspect des pièces à analyser peut rapidement faire chuter leur performance. Les chercheurs de l’ÉTS s’appuieront sur des méthodes d’apprentissage continu pour permettre l’adaptation des modèles aux changements d’environnement et de tâche sans perte de performance.
Des difficultés d’appariement
Plusieurs applications de vision 2D et 3D passent par l’appariement d’objets à des gabarits. Ces gabarits ne peuvent présenter toutes les variations possibles d’angle, de couleur, de position. De plus, ils sont parfois représentés au moyen d’un type de donnée différent que l’objet à identifier (p.ex. image 2D à associer à un objet 3D ou inversement). Des solutions devront être apportées pour contourner le manque de données, dont la mise en œuvre de réseaux de détection calibrés. Une approche multitâche sera aussi explorée afin de développer un système pouvant à la fois séparer les différents objets d’une scène et identifier les caractéristiques clés de l’objet à apparier.
Reconnaissance de caractères
La reconnaissance optique de caractères (p.ex. numéros de série) est employée dans plusieurs applications industrielles pour assurer la traçabilité des produits, la vérification du contenu et la qualité de l’impression. D’une part, ces suites de caractères, souvent composées de chiffres et lettres arbitraires, rendent l’utilisation de dictionnaire impossible. D’autre part, elles varient beaucoup puisque les caractères sont parfois mal imprimés, mal alignés et sous différentes polices, en plus de se présenter sous différentes orientations.
De nouvelles approches d’apprentissage profond, dont l’approche antagoniste, seront mises de l’avant pour obtenir une reconnaissance de caractères robuste, permettant l’intégration de règles dynamiques sans avoir à entraîner le système de nouveau.
Conclusion
Les algorithmes créés dans le cadre de la Chaire permettront aux entreprises de s’approprier des systèmes de vision artificielle robustes, aux performances inégalées grâce à l’intelligence artificielle, et ce, sans longue période d’ajustement. Leur transformation numérique s’en trouvera simplifiée, leur permettant ainsi de détecter rapidement les problèmes de production, d’épargner sur les coûts de fabrication et facilitant leur contrôle qualité.
