Analyse d'image par IA

L'analyse d'images par IA consiste à utiliser des modèles d'apprentissage automatique pour analyser et évaluer automatiquement des images. Dans le contrôle qualité, ces systèmes peuvent identifier des défauts de surface, des écarts ou des anomalies sans qu'un opérateur ait à examiner chaque image individuellement.

Contrairement au traitement d'images traditionnel fondé sur des règles prédéfinies, un modèle d'IA apprend, à partir d'un grand nombre d'images d'exemple, à reconnaître les caractéristiques typiques d'un défaut. Il peut ainsi s'adapter à des défauts nouveaux ou variables sans qu'il soit nécessaire de définir et de programmer manuellement chaque règle.

Comment fonctionne l'analyse d'images par IA dans le contrôle qualité ?

Le processus se déroule généralement en trois étapes :

1. Acquisition des images. Les caméras capturent l'objet à inspecter dans des conditions constantes. Un éclairage stable et un angle de prise de vue fixe sont essentiels pour garantir la comparabilité des résultats entre les différentes mesures.
2. Traitement des images. Le contraste est optimisé et les zones pertinentes sont mises en évidence, par exemple à l'aide de techniques de seuillage ou de détection des contours. Cette étape prépare l'image afin de faciliter l'identification des anomalies.
3. Classification. Un modèle entraîné attribue les anomalies détectées à une catégorie et en évalue la taille, la répartition ou la gravité.

Exemple pratique : détection des dommages causés par les impacts de gravillons sur des surfaces peintes

Les impacts de gravillons peuvent provoquer des défauts à la surface des peintures automobiles lorsque de petites pierres viennent heurter le revêtement à grande vitesse. Traditionnellement, ces dommages sont évalués visuellement selon des normes de contrôle définies. Cette évaluation peut toutefois être influencée par l'expérience et l'appréciation individuelle de l'opérateur. Deux personnes peuvent donc évaluer différemment un même dommage.

Afin de rendre l'évaluation plus objective, une équipe de recherche a développé un système de traitement d'images capable d'analyser automatiquement des panneaux d'essai soumis à des tests normalisés de résistance aux impacts de gravillons. Le processus d'analyse, qui comprend l'optimisation du contraste, le seuillage et l'analyse des contours, identifie les zones endommagées et en évalue la taille et la répartition.

Les résultats publiés mettent en évidence deux aspects : l'évaluation automatisée présente une forte corrélation avec la moyenne des évaluations réalisées par des experts, tandis que les évaluations individuelles de ces derniers présentent des écarts significatifs. Par ailleurs, le contrôle automatisé n'a nécessité qu'environ un septième du temps requis pour une évaluation manuelle.

Cet exemple montre dans quels cas l'analyse d'images par IA peut être particulièrement efficace dans le contrôle qualité : notamment pour des défauts clairement définis et visuellement identifiables, dont l'évaluation manuelle prend du temps et peut varier d'un opérateur à l'autre.

Les avantages de la méthode

• Critères d'évaluation uniformes : un modèle entraîné applique les mêmes critères à chaque image. Des facteurs tels que la baisse de concentration ou la fatigue, susceptibles d'influencer une évaluation manuelle, n'affectent pas l'analyse automatisée.
• Rapidité : de grandes quantités d'images peuvent être analysées en une fraction du temps nécessaire à une inspection manuelle, un avantage particulièrement important dans la production en série.
• Traçabilité : chaque évaluation peut être reliée ultérieurement à l'image correspondante et documentée.
• Détection de défauts peu visibles : un système correctement entraîné peut également identifier des défauts de petite taille ou à faible contraste qui pourraient échapper à une inspection visuelle.

Les limites de la technologie

L'analyse d'images par IA évalue ce qui est visible sur l'image, mais elle ne détermine pas la cause d'un défaut. Déterminer si un dommage causé par un impact de gravillon résulte d'une épaisseur de couche insuffisante, d'une formulation inadaptée ou d'une erreur de procédé nécessite toujours l'intervention d'un expert.

Dans le cas des modèles d'IA supervisés, les types de défauts que le système doit reconnaître doivent être définis au préalable. Il est également nécessaire de disposer d'un nombre suffisant d'images d'exemple pour chaque type de défaut. Le modèle peut donc ne pas détecter certains défauts rares ou encore jamais observés, ou les classer de manière incorrecte.

Pour les défauts dont la détection dépend fortement de l'éclairage, des caractéristiques de la surface ou de l'angle de prise de vue, un étalonnage précis du système est nécessaire. Sans cette préparation, la fiabilité des résultats peut diminuer sensiblement.

Par ailleurs, le résultat d'un test pris isolément ne fournit qu'une information limitée. Ce n'est qu'en le reliant aux données expérimentales, aux formulations et aux résultats de tests antérieurs qu'il peut contribuer à une base solide pour la prise de décision, par exemple pour déterminer si une formulation donnée est systématiquement plus sensible aux dommages causés par les impacts de gravillons qu'une autre.

Questions fréquentes

L'analyse d'images par IA remplace-t-elle totalement le contrôle visuel effectué par du personnel spécialisé ?

Pour des défauts clairement définis, elle peut automatiser une grande partie de l'évaluation initiale. Les cas limites et l'interprétation des causes possibles restent du ressort du personnel spécialisé.

Chaque entreprise a-t-elle besoin de ses propres données d'entraînement ?

En règle générale, oui. La qualité des images, les conditions d'essai et les défauts pertinents varient en fonction du matériau et de l'application.

Quel est le lien entre l'analyse d'images par IA et la Material Intelligence ?

L'analyse d'images génère des informations sur l'objet soumis au test. En reliant ces informations à d'autres données sur les matériaux, les formulations et les essais, il est possible de disposer d'une base plus complète pour prendre des décisions éclairées.