Comment mettre en œuvre de manière fiable la détection d'objets dans les systèmes de vision industrielle dans des conditions d'éclairage difficiles ?

Le traitement d'images classique basé sur des règles atteint rapidement ses limites lorsqu'il s'agit de gérer les reflets, les propriétés variables des surfaces et les conditions d'éclairage changeantes. L'utilisation de modèles d'apprentissage profond tels que YOLOv8 permet une détection robuste des objets grâce à un apprentissage sur des ensembles de données enrichis de manière réaliste. Avec ibaVision, ces modèles peuvent être intégrés dans des systèmes de caméras existants et réentraînés en continu. Cela garantit des performances de détection stables, même dans des conditions de production variables.

Comment intégrer des systèmes de vision industrielle basés sur l'IA dans les environnements de production existants ?

Une intégration efficace nécessite une connectivité transparente avec les environnements de données et les systèmes existants, sans alourdir la complexité matérielle. ibaVision permet l'intégration de modèles d'IA via des interfaces standardisées, par exemple basées sur Python. Les objets détectés et les résultats peuvent être directement transférés vers ibaPDA et associés aux données de processus. Cela permet de créer une base de données cohérente pour des analyses ultérieures.

Comment garantir la traçabilité de bout en bout des caractéristiques de qualité visuelle au cours de la production ?

Une traçabilité complète nécessite la conservation à la fois des images originales et des résultats d'analyse qui en découlent. Avec ibaCapture, les données d'image et les résultats de détection d'objets peuvent être archivés de manière synchronisée dans le temps. Associés aux données de processus issues d'ibaPDA, ils constituent un contexte complet pour chaque événement détecté. Cela permet une traçabilité détaillée et une analyse ultérieure des causes profondes.

Comment exploiter les données d'image extraites pour une analyse avancée des processus ?

L'intégration des résultats de la vision industrielle dans les systèmes de données de processus permet d'établir une corrélation directe entre les événements visuels et l'état des machines. ibaPDA enregistre en temps réel les indicateurs extraits, tels que le nombre d'objets ou leur état. Ces données peuvent ensuite être analysées en détail à l'aide d'ibaAnalyzer. Il est ainsi possible d'identifier des corrélations et d'en déduire des possibilités d'optimisation.

Comment former et déployer efficacement des modèles d'IA destinés à des applications industrielles ?

Un processus d'apprentissage structuré commence par l'annotation de données d'images issues du monde réel et est optimisé grâce à une augmentation ciblée des données afin de refléter la variabilité de la production. Des modèles tels que YOLOv8 peuvent être améliorés de manière itérative en intégrant en continu de nouvelles données dans le processus d'apprentissage. Avec ibaVision, les modèles entraînés peuvent être déployés dans des systèmes existants sans nécessiter de matériel spécialisé. Cela permet un déploiement évolutif sur plusieurs sites avec un effort minimal en matière d'infrastructure.

Détection de la sangle du Coil par l'IA avec ibaVision

Success Stories

Dans la production de bobines d'aluminium, un cerclage adéquat est essentiel pour garantir la sécurité de la manutention et du transport. Les cerclages manquants ou mal fixés constituent un risque important pour la sécurité, en particulier sur les lignes de finition à haut débit où les contrôles manuels sont sujets à l'erreur humaine.

Solution Avantages Conclusion Fonctions utilisées Plus de Success Stories

L'objectif du projet était de détecter automatiquement à la fois le nombre de Coils et le nombre de sangles en utilisant l'infrastructure de caméras existante, tout en assurant une intégration transparente dans l'environnement de données de processus de l'usine. La solution n'était pas conçue comme un système de sécurité certifié, mais plutôt comme un outil permettant d'améliorer la fiabilité du processus et de fournir aux opérateurs des informations précieuses en temps réel. Cependant, la détection de sangles de bobines dans des conditions réelles présentait de multiples difficultés : les bobines sont de tailles différentes, les surfaces peuvent être brillantes ou mates, et les reflets et les conditions d'éclairage variables rendaient le traitement d'image traditionnel peu fiable. La perspective fixe de la caméra limitait en outre les possibilités d'optimisation de la capture d'images.

Mise en œuvre avec ibaVision

Une approche d'apprentissage profond avec YOLOv8, un cadre de détection d'objets rapide et léger, a offert la flexibilité nécessaire pour gérer les variations visuelles et améliorer la précision de la détection au fil du temps en ajoutant simplement plus d'images d'entraînement. Contrairement aux méthodes statiques basées sur des filtres, les modèles d'IA peuvent être réentraînés et optimisés en continu avec un minimum d'effort. Un premier ensemble de données d'images de Coil et de sangles a été annoté manuellement avec des boîtes de délimitation. Pour tenir compte de la variabilité du monde réel, l'ensemble de données a été augmenté en modifiant la luminosité, le contraste et la netteté et en simulant le flou et le bruit. Trois modèles YOLOv8 distincts ont été entraînés au cours d'étapes successives. Le modèle entraîné a ensuite été intégré dans ibaVision via une interface basée sur Python. La solution fonctionne sur la machine virtuelle existante du client sans nécessiter de matériel GPU. Pour chaque Coil détecté, ibaVision enregistre à la fois l'image originale de la caméra et le résultat de la détection traitée dans ibaCapture, tandis que le nombre de Coils et de sangles est enregistré dans ibaPDA pour une analyse ultérieure du processus.

System diagram showing synchronized data flow between ibaPDA, ibaCapture, and ibaVision YOLOv8.

Avantages

Détection fiable dans des conditions réelles difficiles, même avec des reflets et des variations d'éclairage
Intégration transparente dans l'environnement iba, permettant une analyse contextuelle des processus
Facilité de recyclage et de redéploiement, rendant la solution adaptable à de futures lignes ou à des projets supplémentaires.

Conclusion

En combinant la détection basée sur l'IA de YOLOv8 avec les puissantes capacités de visualisation et d'enregistrement d'ibaVision, le projet a démontré avec succès comment la vision industrielle moderne peut accroître la transparence et la fiabilité des processus sans nécessiter d'infrastructure complexe ou d'expertise avancée en IA de la part de l'utilisateur.

En combinant ibaVision, ibaCapture et ibaPDA, nous avons créé une solution pratique basée sur l'IA qui s'intègre parfaitement dans l'environnement existant du client. Le modèle de détection, fonctionnant au sein d'ibaVision, nous permet de compter de manière fiable les coils et les sangles, tandis qu'ibaPDA enregistre les résultats et ibaCapture stocke les images correspondantes.

Artuur Krekels
Ingénieur d'application et de conseil, iba Benelux

Fonctions utilisées

Les fonctions suivantes du système iba sont utilisées dans cette application.

Découvrez d'autres Success Stories

Lisez d'autres success stories inspirantes de nos clients satisfaits.

Questions fréquemment posées (FAQ)

Comment mettre en œuvre de manière fiable la détection d'objets dans les systèmes de vision industrielle dans des conditions d'éclairage difficiles ?: Le traitement d'images classique basé sur des règles atteint rapidement ses limites lorsqu'il s'agit de gérer les reflets, les propriétés variables des surfaces et les conditions d'éclairage changeantes. L'utilisation de modèles d'apprentissage profond tels que YOLOv8 permet une détection robuste des objets grâce à un apprentissage sur des ensembles de données enrichis de manière réaliste. Avec ibaVision, ces modèles peuvent être intégrés dans des systèmes de caméras existants et réentraînés en continu. Cela garantit des performances de détection stables, même dans des conditions de production variables.
Comment intégrer des systèmes de vision industrielle basés sur l'IA dans les environnements de production existants ?: Une intégration efficace nécessite une connectivité transparente avec les environnements de données et les systèmes existants, sans alourdir la complexité matérielle. ibaVision permet l'intégration de modèles d'IA via des interfaces standardisées, par exemple basées sur Python. Les objets détectés et les résultats peuvent être directement transférés vers ibaPDA et associés aux données de processus. Cela permet de créer une base de données cohérente pour des analyses ultérieures.
Comment garantir la traçabilité de bout en bout des caractéristiques de qualité visuelle au cours de la production ?: Une traçabilité complète nécessite la conservation à la fois des images originales et des résultats d'analyse qui en découlent. Avec ibaCapture, les données d'image et les résultats de détection d'objets peuvent être archivés de manière synchronisée dans le temps. Associés aux données de processus issues d'ibaPDA, ils constituent un contexte complet pour chaque événement détecté. Cela permet une traçabilité détaillée et une analyse ultérieure des causes profondes.
Comment exploiter les données d'image extraites pour une analyse avancée des processus ?: L'intégration des résultats de la vision industrielle dans les systèmes de données de processus permet d'établir une corrélation directe entre les événements visuels et l'état des machines. ibaPDA enregistre en temps réel les indicateurs extraits, tels que le nombre d'objets ou leur état. Ces données peuvent ensuite être analysées en détail à l'aide d'ibaAnalyzer. Il est ainsi possible d'identifier des corrélations et d'en déduire des possibilités d'optimisation.
Comment former et déployer efficacement des modèles d'IA destinés à des applications industrielles ?: Un processus d'apprentissage structuré commence par l'annotation de données d'images issues du monde réel et est optimisé grâce à une augmentation ciblée des données afin de refléter la variabilité de la production. Des modèles tels que YOLOv8 peuvent être améliorés de manière itérative en intégrant en continu de nouvelles données dans le processus d'apprentissage. Avec ibaVision, les modèles entraînés peuvent être déployés dans des systèmes existants sans nécessiter de matériel spécialisé. Cela permet un déploiement évolutif sur plusieurs sites avec un effort minimal en matière d'infrastructure.