Le deep learning a énormément élargi ce que la vision artificielle peut inspecter. Sur les lignes où les défauts sont variables ou difficiles à décrire par des règles fixes —comme les lignes de conserves—, c’est la technologie qui fait la différence. Voyons comment le deep learning s’applique au contrôle qualité et à l’inspection avancée des boîtes de conserve.
Deep learning appliqué au contrôle qualité
Contrairement à la vision par règles, le deep learning apprend à partir d’exemples de pièces bonnes et défectueuses. Il reconnaît ainsi des défauts impossibles à définir par une formule : variations de texture, déformations subtiles, défauts irréguliers. Idéal quand la variabilité du produit est élevée.
Les défis de l’inspection des boîtes de conserve
Les lignes de conserves sont exigeantes : haute vitesse, surfaces métalliques aux reflets, et défauts comme bosses, défauts de sertissage, mauvais scellage, déformations ou codage illisible. Beaucoup de ces défauts sont variables et difficiles à paramétrer.
Inspection avancée des boîtes avec le deep learning
Avec des modèles entraînés sur des images réelles de la ligne, le système apprend à distinguer une boîte correcte d’une boîte défectueuse même avec reflets et variabilité. Il détecte bosses et défauts de sertissage, vérifie le bon scellage et valide le codage, en rejetant automatiquement les unités non conformes.
Avantages
Inspection à 100 % sur des lignes à forte cadence, détection de défauts que les règles fixes ne captent pas, moins de réclamations et traçabilité de chaque rejet.
Chez AIS Vision Systems, nous appliquons le deep learning et notre plateforme d’inspection à l’inspection avancée des boîtes de conserve. Parlez-nous de votre ligne.