Eurotec : Avec le recul, comment évaluez-vous l’impact de l’IA sur vos opérations ?
RB : Pour nous, l’important est que nos clients puissent réaliser des opérations impossibles jusque-là. De leur point de vue, il y a clairement un avant et un après IA.
JP : La présentation de l’algorithme Pathabene a donné de nombreuses idées à nos clients, dont une particulièrement intéressante : utiliser cette technologie pour créer un nouveau moyen de reconnaissance visuelle. Une année d’un travail extrêmement complexe nous a permis de mettre au point ce que nous considérons aujourd’hui comme le meilleur algorithme de reconnaissance visuelle sur le marché.
Tout le monde pense que son produit est le meilleur… en quoi le vôtre le serait-il ?
JP : Les algorithmes conventionnels ont leurs limites, notamment pour ce qui touche aux états de surface et à la constance dans la reconnaissance des pièces. Les retours de nos clients montrent que nous avons réussi à repousser ces limites. Nous avons par exemple un client horloger dont les pièces à souder sont proches de l’état final avec des surfaces s’apparentant à des miroirs. Les images vues par le système optique de Mister-Laser apparaissent parfois blanches ou noires et il est très difficile pour une reconnaissance visuelle conventionnelle de trouver la pièce sans travailler sur l’éclairage. De plus, la configuration de ce dernier doit être modifiée à chaque changement de pièce, ce qui s’avère chronophage. A une exception près, nous avons pu réaliser à ce jour toutes les applications avec un éclairage standard et fixe.
Concrètement, quelles sont les améliorations ?
RB : Le comparatif ci-dessous montre différentes méthodes de reconnaissance visuelle. Les deux exemples du haut sont réalisés avec Pathabene et Recobene qui travaillent avec des algorithmes IA. En-dessous, ce sont les versions améliorées du pattern matching et de la reconnaissance de cercle de la dernière version de Forbeam. Nous avons à chaque fois simulé le tir laser pour éviter des effets secondaires pouvant provenir de la géométrie à souder et nous concentrer uniquement sur la reconnaissance visuelle. Nous avons délibérément choisi des surfaces claires, obscures, rugueuses et homogènes et les goupilles ont des chanfreins et alésages différents avec des surfaces très variables.
On constate que Pathabene a correctement trouvé tous les cas. La géométrie soudée n’est pas parfaitement circulaire car, pour rappel, Pathabene décide par lui-même le chemin de soudage à réaliser, raison pour laquelle le plan de joint apparent a été davantage pris comme centre. L’IA s’adaptant aux différentes conditions, l’éclairage et la prise d’images sont basiques et peuvent rester identiques d’une série de pièces à l’autre, même si elles sont différentes. Recobene a également réussi mais s’est centré sur la goupille. La géométrie à souder en forme de cercle a été définie par l’opérateur de la machine. Le centrage ne peut donc être que parfait pour la soudure. Les conditions de travail sont identiques à celles de Pathabene et ne requièrent pas d’attention particulière lors de la mise en route. La vitesse de reconnaissance est par contre 10x supérieure qu’avec Pathabene. Le pattern matching a rapidement montré ses limites aux variations visuelles des pièces. On voit ici qu’il faudrait travailler sur l’éclairage pour qu’il soit rasant ou en dôme, sans garantie de résolution du cas. Une adaptation serait nécessaire en cas de changement de série, ce qui ralentirait la mise en service de la machine. L’éclairage étant très proche de la pièce, il faudrait également éviter dans l’automatisation la collision entre les deux. Enfin la recherche de cercle a reconnu des cercles mais avec une telle tolérance de diamètre que le centrage n’est qu’approximatif. Il faudrait améliorer les chanfreins pour augmenter la qualité de recherche mais ceci est beaucoup plus onéreux à produire.
Comment cela fonctionne-t-il ?
JP : Nous avons testé des solutions du marché, telle que YOLO V8, mais ses limites techniques sont vite apparues. Après de nombreux essais, nous sommes revenus au modèle Resnet utilisé avec succès dans Pathabene, mais avec un étage final spécialisé pour la détection fiable et précise d’objets de tailles différentes.
L’intégration dans Forbeam de l’édition des annotations, donnée de base utilisée par tout processus d’apprentissage, a été une pièce maîtresse du projet : elle est intuitive et épurée et transforme cette tâche en vrai jeu d’enfant. On peut voir dans l’image suivante que le nombre de paramètres est extrêmement restreint. Il faut ajuster l’outil de centrage sur la pièce et le dimensionner de manière à obtenir de l’information nécessaire à l’apprentissage, tout en ajustant le cercle sur la pièce à souder.
L’augmentation de ces données de base est capitale : l’utilisateur annote entre 1 et 4 images de ses pièces, prises depuis l’outil Forbeam, et le serveur d’apprentissage les transforme en millier d’images différentes, en variant l’angle, la luminosité, la taille, le bruit, etc. L’apprentissage se focalise sur l’essence commune entre toutes ces images, ce qui rend le modèle particulièrement fiable et résiliant.
Pathabene a besoin d’un serveur d’apprentissage. Est-ce également le cas de Recobene ?
RB : Oui, mais comme les clients peuvent avoir besoin des deux algorithmes pour leur production, nous avons choisi de rester sur un seul serveur d’apprentissage et avons ajouté Recobene. Deux possibilités s’offrent au client : un serveur local chez lui ou l’usage à distance de notre serveur basé en Suisse dans un lieu sécurisé. Ce développement a également requis plusieurs mois de travail afin d’avoir une interface unique mais deux types d’apprentissages différents.
Quelles applications horlogères peuvent être améliorées avec cet algorithme ?
RB : Toutes les soudures réalisées avec une vision industrielle. Un exemple : la surface de certains roulements horlogers est tellement brillante que de légers angles sur la pièce ou une très légère rugosité amènent une énorme différence sur la luminosité de la surface, générant des informations parasites qui peuvent altérer la reconnaissance visuelle :
D’autres pièces telles que tirettes, viroles, masses oscillantes, rouages, cadrans, bracelets, fermoirs, boîtiers, roulements, ponts, pitons, barillets ou tenons ont les mêmes caractéristiques. C’est pourquoi nous avons introduit une nouvelle génération d’optiques et caméras qui permettent d’améliorer d’un facteur 4 la résolution des images pour le virolage.
A gauche, l’image fournie par la caméra standard. Au centre, l’image de la nouvelle caméra haute définition. A droite, la même caméra qu’au centre mais avec la nouvelle optique de grossissement d’image. Grâce à ces nouveautés, il est possible d’accroître encore la précision de soudage sur la tranche d’un spiral et de moins le blesser.
Soudage de pignon sur arbre horloger réalisé avec reconnaissance visuelle.
