L'inspection visuelle est le processus consistant à examiner des pièces fabriquées, des assemblages ou des environnements afin d'identifier les défauts, de vérifier les dimensions et de garantir le respect des normes de qualité couramment appliquées dans des secteurs tels que la fabrication, l'automobile, la construction et l'aérospatiale.

Les systèmes d'inspection visuelle automatisée utilisent des caméras haute résolution et des logiciels supportant à la fois le Deep Learning et les algorithmes traditionnels de vision industrielle, tels que MATLAB, Visual Inspection Toolbox et Image Acquisition Toolbox, afin de détecter efficacement les défauts à l'échelle micro ou nanométrique, difficiles à repérer à l'œil nu.

Via Visual Inspection Toolbox, MATLAB supporte les méthodes Student-Teacher, PatchCore, FastFlow et FCDD (Fully Convolutional Data Description), chacune ayant ses propres caractéristiques en termes de vitesse d'apprentissage, de taille du modèle et de capacité de gestion des images selon leur taille.

Oui, MATLAB supporte les méthodes de détection d'anomalies non supervisées lorsque les images anormales sont rares ou variées, ainsi que les méthodes de détection d'objets supervisées telles que YOLOX, lorsqu'il existe suffisamment d'images anormales pour l'apprentissage.

Le processus de détection des défauts comprend trois étapes principales : la préparation des données (notamment le prétraitement et la labellisation des images), l'application d'algorithmes classiques (mesure et correspondance de formes) ou de modèles d'IA (apprentissage de détecteurs d'anomalies ou de modèles de détection d'objets), et enfin le déploiement sur du hardware embarqué ou des applications autonomes.

MATLAB propose des fonctions permettant de supprimer le bruit, de lisser avec préservation des contours, de convertir l'espace colorimétrique, d'améliorer le contraste et d'appliquer des opérations morphologiques. Il inclut également l'application Registration Estimator, qui permet d'aligner les images présentant des décalages, ainsi que l'application Image and Video Labeler, qui automatise le processus de labellisation à l'aide d'algorithmes personnalisés pour la segmentation sémantique ou la détection d'objets.

Oui, MATLAB permet le déploiement de réseaux de Deep Learning et d'algorithmes classiques sur diverses plateformes hardware embarquées, y compris les GPU NVIDIA, les CPU Intel et ARM, ainsi que les SoC et FPGA Xilinx et Intel, grâce à des frameworks de génération de code. MATLAB supporte également l'exportation de modèles d'IA au format ONNX, ce qui permet leur intégration à des frameworks externes.

Plansee utilise MATLAB pour développer un système de détection visuelle des anomalies basé sur l'IA, qui identifie automatiquement les supports de fours industriels endommagés avant qu'ils n'entrent dans les fours à haute température. Cela permet de réduire les temps d'arrêt, d'éviter d'endommager le four et d'améliorer la fiabilité de la production. Musashi Seimitsu Industry utilise MATLAB pour inspecter chaque mois environ 1,3 million de pièces d'engrenages coniques destinés à l'automobile, tandis qu'Airbus a développé un modèle d'IA permettant de détecter automatiquement les défauts sur divers composants d'avions avant leur mise en service.