IA contre les systèmes de vision à base de règles pour la transformation alimentaire
Cet article a été initialement publié dans un numéro de Processing Magazine. Cliquez ici pour consulter l'article sur le site web de la publication.
Bien qu'elles aient rapidement gagné en popularité dans plusieurs usines de transformation alimentaire ces dernières années, les technologies d'inspection visuelle automatisée existent depuis plusieurs décennies. Les premières entreprises alimentaires à avoir été pionnières dans les technologies d'inspection visuelle sont apparues dans les années 1980, lorsque la vision industrielle est passée des laboratoires universitaires à l'exploitation commerciale.
Les systèmes de vision utilisés aujourd'hui sur les lignes de transformation alimentaire dépassent de loin leurs humbles débuts. Grâce à une résolution de caméra améliorée, une technologie d'éclairage optimisée et un logiciel d'analyse robuste, les systèmes de vision modernes peuvent désormais analyser rapidement les caractéristiques uniques des produits et détecter les corps étrangers avec une vitesse et une précision remarquables.
Des grandes marques de boulangerie aux fabricants de plats surgelés, tous ressentent des pressions externes qui accélèrent le besoin de capacités d'inspection plus avancées dans leurs usines. Avec des réglementations plus strictes en matière de sécurité alimentaire, des attentes croissantes des consommateurs et des goûts changeants, des pénuries de main-d'œuvre persistantes et la croissance de la concurrence, l'adoption de l'inspection visuelle — en particulier les solutions puissantes basées sur l'IA d'aujourd'hui — est de plus en plus considérée comme un investissement nécessaire pour rester compétitif et rentable.
Mais cela signifie-t-il automatiquement que chaque transformateur alimentaire a besoin du système d'inspection par IA le plus robuste sur sa ligne ? Pas nécessairement. Comprendre la vaste gamme de systèmes de vision disponibles et savoir quand chaque approche est pertinente est essentiel pour réaliser le bon investissement.
Technologie d'inspection visuelle : Ancrée dans des métriques basées sur des règles
La plupart des systèmes d'inspection visuelle dans les usines alimentaires utilisent aujourd'hui des seuils prédéfinis pour analyser les produits en fonction de la couleur, de la taille, de la forme, du contraste et d'autres caractéristiques simples, qui sont généralement mesurées par échantillonnage de routine des produits. Dans des environnements de traitement contrôlés avec des produits très uniformes, cette approche de mesure basée sur des règles s'est avérée efficace.
Cependant, pour de nombreux transformateurs alimentaires, les produits d'aujourd'hui sont tout sauf uniformes. De nombreux produits sont très variables, même sur une ligne de production contrôlée. Des exemples de ces variations vont des formes et textures naturelles des ingrédients aux variations de processus telles que l'état et les réglages de l'équipement, les méthodes de l'opérateur ou les changements dans l'environnement ambiant. Ces variations sont souvent inévitables, et dans certains cas très souhaitées, mais elles introduisent un niveau de complexité qui peut mettre à l'épreuve certains systèmes basés sur des règles. Cette complexité signifie souvent que les systèmes basés sur des règles doivent être désajustés pour éviter les faux rejets, et introduit un risque correspondant de ne pas détecter les défauts mêmes qu'ils recherchent.
Place aux applications d'inspection visuelle basées sur l'IA
Fait intéressant, la croissance de la technologie de vision basée sur l'IA n'a pas été motivée par les échecs de la vision basée sur des règles, mais par son succès.
Les utilisateurs de systèmes de vision basés sur des règles sont devenus plus à l'aise avec l'inspection automatisée, ce qui les a amenés à demander à leurs fournisseurs de technologie des capacités plus avancées. Ils ont constaté que leurs systèmes basés sur des règles étaient moins bien équipés pour gérer une plus grande variabilité des produits ou pour identifier des défauts subtils ou des corps étrangers. Leurs attentes croissantes ont révélé les limites naturelles de la technologie et ont créé un besoin pour une solution plus flexible et adaptative.
Plutôt que de s'appuyer sur des mesures fixes et préprogrammées, les systèmes basés sur l'IA utilisent des modèles d'apprentissage automatique entraînés sur des images de produits réels pour reconnaître des motifs, des textures et des variations qu'il est presque impossible d'identifier manuellement avec une grande répétabilité. Ces capacités amplifient la capacité du système à prendre des décisions plus nuancées, en particulier dans les applications alimentaires où les produits sont intrinsèquement incohérents.
Peser les différences entre l'inspection visuelle basée sur des règles et celle basée sur l'IA
L'intégration de la technologie d'inspection visuelle n'est pas seulement un investissement en capital important, mais elle peut également apporter des changements majeurs au processus de production et à la culture au sein d'une organisation. Lors de l'évaluation des technologies, il est utile de penser moins en termes de « laquelle offre le plus de capacités » et plus en termes de « laquelle est la meilleure pour l'application ». L'inspection visuelle basée sur des règles et celle basée sur l'IA apportent chacune des forces distinctes à considérer dans le cadre des besoins uniques de l'opération.
Complexité du processus et du produit. Les systèmes basés sur des règles fonctionnent mieux dans les applications alimentaires où les conditions de production sont très contrôlées et où les seuils de mesure sont bien définis. Généralement, si vous pouvez documenter clairement les critères de décision de réussite/échec à l'aide de mesures et de nuanciers, un système basé sur des règles peut aider à améliorer la vitesse et la précision de l'inspection de routine des produits.
Les systèmes basés sur l'IA diffèrent en ce qu'ils peuvent être appliqués efficacement dans des environnements de production où les conditions sont moins prévisibles. Parce que les systèmes basés sur l'IA apprennent des exemples de produits, ils s'adaptent mieux aux variations naturelles et aux attributs plus complexes que les systèmes basés sur des règles. Par conséquent, pour les produits alimentaires plus simples où la variabilité du produit est moins perceptible d'une unité à l'autre, l'opérateur de l'usine pourrait ne pas avoir besoin d'utiliser toutes les vastes capacités d'un système d'IA et pourrait trouver exactement ce dont il a besoin avec un système basé sur des règles qui ne mesure que quelques composants.
Détection de corps étrangers. Parce que les systèmes basés sur des règles fonctionnent avec des mesures fixes, leur application à la détection de corps étrangers est souvent limitée aux seules couleurs qui n'apparaissent jamais naturellement dans le produit. Cette incapacité à distinguer les anomalies du produit de tout ce qui sort de leur champ de mesure est pâle en comparaison des systèmes basés sur l'IA, qui peuvent apprendre et analyser les petits détails et les indices contextuels des images pour distinguer les attributs de produits d'apparence similaire des corps étrangers authentiques. La production de pains à hamburger en est un excellent exemple.
Les petits pains à hamburger produits en série sont généralement cuits dans des moules réutilisables. Au fil du temps, un excès de pâte peut s'accumuler au fond du moule et sur d'autres pains, créant un aspect peu appétissant pour les consommateurs. Pour compliquer davantage les choses, les pains présentent souvent des bulles d'air ou des dépôts de farine naturels qui sont acceptables mais peuvent être visuellement similaires aux défauts de pâte incrustée.
Un système de vision basé sur des règles peut avoir du mal à distinguer le dépôt de pâte de ces caractéristiques naturelles. Cependant, un système de vision basé sur l'IA, bien entraîné sur le produit et le processus, peut prendre ces décisions avec une bien plus grande précision.
Ce même principe peut s'appliquer à d'autres matériaux potentiellement dangereux qui peuvent s'incruster à la surface du produit, tels que des fragments de métal, de plastique ou de caoutchouc provenant des machines de traitement ou des emballages. Si la détection de corps étrangers est une priorité majeure pour l'opération, les systèmes de vision basés sur l'IA répondent mieux à cette exigence.
Infrastructure et complexité de l'usine. Un critère de décision clé pour choisir entre une inspection visuelle basée sur des règles ou basée sur l'IA est la capacité de l'usine à soutenir le déploiement et l'entretien réussis de ces systèmes. Tous les systèmes bénéficient d'une connectivité à distance sécurisée et à haut débit pour accéder aux services d'assistance et surveiller les problèmes émergents, mais les systèmes de vision basés sur l'IA peuvent avoir des exigences accrues pour l'installation de production.
De plus, les systèmes basés sur des règles peuvent être plus faciles à déployer et à maintenir étant donné la facilité d'activation et d'ajustement des spécifications de mesure. Il n'est pas rare que ces systèmes soient pleinement opérationnels en quelques heures ou jours après l'obtention des premières images. En revanche, les processus de collecte de données et de création de modèles associés aux solutions basées sur l'IA peuvent prolonger ce délai de plusieurs semaines, voire de plusieurs mois, pour les projets très complexes.
Pensez de manière pratique lors de l'évaluation de l'inspection visuelle
De nombreux fabricants de produits alimentaires continuent de réussir avec les systèmes de vision basés sur des règles, tandis que les opérations présentant une grande variabilité de produits et des processus complexes peuvent être mieux adaptées aux systèmes basés sur l'IA. Il est crucial de noter que le choix n'est pas toujours l'un ou l'autre. De nombreuses solutions adoptent une approche hybride et peuvent combiner le déploiement rapide et les capacités quantifiées et prévisibles des systèmes basés sur des règles avec l'adaptabilité et les capacités de détection étendues des systèmes basés sur l'IA. En comprenant les atouts de chacun, les transformateurs alimentaires peuvent élaborer une stratégie d'inspection adaptable pour protéger la qualité, améliorer l'efficacité et évoluer avec leur exploitation.
