L’IA un outil au service des capteurs optiques
Forts de 20 ans d’expérience dans le développement de systèmes de mesure optique, nous avons, chez R&D Vision, intégré l’intelligence artificielle (IA) dans nos projets avec discernement. L’intelligence artificielle et les méthodes d’apprentissage de réseaux profonds (Deep Learning) ont démontré ces dernières années qu’elles étaient capables d’obtenir des performances éblouissantes pour résoudre certaines problématiques difficiles à traiter avec des approches traditionnelles de traitement d’images.
Toutefois, l’intelligence artificielle est aussi et souvent un terme fourre-tout qui couvre l’utilisation de méthodes plus ou moins performantes et abstraites, censées s’adapter pour résoudre tout type de problématique. Chez R&D Vision, nous avons gardé notre regard critique sur les technologies intégrées dans nos systèmes en restant concentrés à la fois sur la qualité et la maîtrise de l’information captée, ainsi que sur le sens intrinsèque de ces données pour les traiter avec justesse. Il est important de comprendre le fonctionnement et les limites de ces méthodes puissantes, mais surtout de maîtriser leur intégration dans un système de vision spécifique, de l’acquisition des images (optiques, hardware) à l’industrialisation dans un environnement complexe et contraint (imagerie en extérieur et contraintes métiers : ferroviaire, logistique, médical…).
Nous présentons dans cet article 4 réalisations de R&D Vision qui illustrent certains éléments importants que nous avons su exploiter pour le développement de systèmes de hautes technologies avec nos clients.
Biogemma – Outil de comptage de grains de maïs
La première réalisation est un outil de comptage de grains de maïs pour Biogemma, c’est l’un des tout premiers projets pour lequel nous avons utilisé les réseaux profonds. Le système capture des images monochromes à haute fréquence sur 360° avec plusieurs caméras synchronisées et il doit identifier si les objets détectés par un algorithme type watershed sont des grains de maïs. Ces objets (grains ou non) correspondent à des imagettes 30*30 pixels, monochromes et peu texturées. L’approche initiale développée et basée sur du clustering a permis d’obtenir un taux de détection de 94%. Avec les réseaux profonds, nous avons pu atteindre une performance de 99% confirmant l’importance d’utiliser ce type d’approche pour la classification d’image.
Moët & Chandon – Mireuse optique (qualité des caisses de raisins)
La seconde réalisation est une mireuse optique servant à objectiver la qualité de caisses de raisins en détectant entre autres la présence de moisissures sur des baies pour la société Moët & Chandon. Ce système est le fruit d’une collaboration sur plusieurs années qui a permis une collecte de plus de 100 000 images. Le système est opérationnel sur une ligne de tri qui travaille à flux tendu durant la période des vendanges. Les deux premières vendanges ont permis d’acquérir les données, de développer le tri par traitement d’image et de vérifier la fiabilité et l’intégrabilité du système à la chaîne de tri en période de production. Le système a été industrialisé en 3ème année. Nous avons ensuite intégré l’apprentissage profond pour améliorer la détection des moisissures à plus de 90%.
Pour cela, nous avons utilisé un réseau de classification. Nous avons pris de petites images autour d’objets considérés différents du raisin et le réseau a classé ces images suivant si elles avaient du moisi ou non.
L’acquisition et l’annotation des données ont été déterminantes. La chaîne optique a été améliorée avec des filtres polarisants et des éclairages directifs. Pour faciliter la phase d’annotations, des experts métiers ont été guidés par des outils semi-automatiques développés par R&D Vision et utilisant les résultats des traitements d’images précédemment mis en œuvre sur plusieurs milliers d’images. La maîtrise de l’acquisition et la synergie entre les méthodes traditionnelles et les réseaux profonds pour que chacune d’elle travaille sur les tâches pour lesquelles elles sont les plus adaptées ont permis d’obtenir les performances souhaitées.
RATP & EUROTUNNEL- Détection automatique d’éléments
Le troisième cas concerne les collaborations avec la RATP et Eurotunnel, avec des capteurs intégrés en toitures contribuent à récolter plusieurs milliers d’images de la même infrastructure scannée finement à différents moments.
Ces grandes bases d’images sont utilisées pour évaluer et améliorer les algorithmes basés sur la détection automatique d’éléments (Ex : isolateur, griffes) mais aussi suivre dans le temps l’évolution de ces équipements. La portabilité de ces algorithmes sur des plateformes embarquées est aussi une thématique explorée par nos équipes techniques.
UPR Champagne – Mireuse optique (détection d’intrus dans les caisses de raisins)
La quatrième réalisation est une technologie utilisée dans la mireuse optique d’UPR Champagne pour la détection d’intrus dans les caisses de raisins. Les réseaux profonds sont très adaptés pour apprendre et retrouver une classe d’objets à partir d’un ensemble de données représentatives de la variabilité de la perception de cet objet.
En revanche, il est moins facile d’utiliser ces réseaux pour détecter des défauts et intrus lorsqu’il n’y a pas la possibilité d’apprendre toutes ces situations spéciales. Pour UPR Champagne, l’objectif est de détecter les objets intrus présents dans une caisse de raisin comme des outils ou gants, sans se tromper avec les variations de couleurs et de textures des caisses et des feuilles de raisins. Nous avons développé un modèle de reconstruction des images. En apprenant sur des “bonnes” caisses, le modèle est capable de refaire les images de caisses de raisins mais il ne saura pas reconstruire les images d’autres objets. En reconstruisant l’image d’une caisse avec un intrus, nous obtenons une image différente de l’image originale qui permet par comparaison à l’image initiale d’identifier les défauts et intrus.
Dans le cas du raisin, une centaine d’images est nécessaire pour apprendre ce modèle. Le système a été placé au cœur du système de tri et a contribué au tri de plus de 20 000 caisses de raisins lors des vendanges 2020.
Cette technologie est en cours d’amélioration pour la détection de défauts sur des objets rigides de forme et de taille constantes. L’objectif est de détecter automatiquement les parties manquantes, cassées ou fissurées sans avoir à les apprendre individuellement. Seules une quarantaine d’images suffisent pour l’apprentissage des réseaux profonds pour ce type d’objets.
Depuis 20 ans, nous sommes focalisés sur les besoins de nos clients et restons concentrés sur la qualité et le sens de l’information captée pour les traiter avec justesse. L’utilisation d’un réseau profond pour résoudre les problématiques de traitement d’images n’est pas automatiquement suffisante. Maîtriser la captation de l’information en sélectionnant le bon mode d’interaction lumière matière et construire une synergie entre le traitement d’image traditionnel et les réseaux profonds est essentiel pour résoudre les problématiques les plus complexes, environnements difficiles (extérieur, non contrôlé ou inconnu), applications multi-capteurs ou systèmes de détection de défauts, d’intrus ou de changements.
Nous avons accumulé plusieurs milliers de tera de données issues des capteurs que nous avons développés, déployés et validés en environnement opérationnel (images monochromes, couleurs, thermiques, térahertz, champs de vitesses, températures..). Ces données brutes ont été valorisées par des traitements d’images pour fournir une aide à la décision aux opérateurs. Ces résultats, intrinsèquement annotés, sont aujourd’hui exploités par R&D Vision avec les technologies d’IA disponibles et adaptées pour fournir demain des capteurs embarqués encore plus autonomes et intelligents.
