Le contrôle qualité de surfaces complexes se dope au deep learning
L’une des plus évidentes applications de l’IA dans l’industrie ? La vision pour le contrôle qualité. Pas toujours nécessaires pour des pièces simples, les réseaux de neurones, rois de la reconnaissance d’images, prennent tout leur sens pour examiner des surfaces complexes ou des matériaux granuleux. Michelin a été conquis par la start-up grenobloise Neovision, découverte il y a un an et demi lors d’une journée open innovation destinée à trouver la solution optimale pour améliorer le contrôle des défauts des pneus d’avion de sa filiale aviation. Neovision lui a proposé de développer des algorithmes de reconnaissance d’images fonctionnant grâce à des réseaux de neurones.
Emballé, le fabricant de pneumatiques avait néanmoins exigé que la solution soit mobile et utilisable par tous ses techniciens de maintenance, quel que soit leur niveau d’expérience. Ensemble, ils ont donc développé une application de contrôle intégrée dans les smartphones des opérateurs Michelin et destinée à être utilisée « uniquement dans un environnement contrôlé, sur le tarmac ou ailleurs », indique Lucas Nacsa, le PDG de Neovision. Une fois la photo prise et envoyée dans l’application, les opérateurs accèdent à la procédure de maintenance à suivre en fonction du dommage et chaque image est envoyée dans le cloud pour alimenter l’apprentissage des algorithmes.
Scortex, une autre start-up française, concentre son expertise en reconnaissance d’images dans le secteur automobile. Depuis 2019, elle développe pour un sous-traitant français un système de vision hybride – mi-cloud, mi-local (edge) – destiné à contrôler en temps réel des pièces en plastique chromé. « Nos stations d’inspection sur la ligne de production récoltent et analysent les images localement et notre infrastructure cloud centralise les données et permet l’apprentissage », indique son PDG Aymeric de Pontbriand. En raison de la complexité des surfaces contrôlées – due à la texture pneumatique et au chromage –, « un taux important de défauts échappent aux solutions classiques de contrôle visuel ». Le deep learning s’est révélé plus efficace.
Grâce à lui, « nous sommes capables d’affiner les résultats en analysant les variabilités intra-classes et inter-classes, c’est-à-dire d’identifier un dommage en fonction de son degré de différence avec un autre et de sa similarité avec un troisième », détaille Lucas Nacsa. Les deux start-up, dont les solutions sont en phase de déploiement chez leurs clients, admettent qu’il leur reste un défi : diminuer le nombre de faux positifs.
Une logistique améliorée en quelques mois par la recherche opérationnelle
Transporteur de cars scolaires, auto-école, carrossier, concepteur de boîtiers GPS pour autocars… Le groupe Transarc est tout ça à la fois. Pour autant, « nous gérions les tournées de nos cars à la main, en regardant sur Google maps », admet Damien Rameau, le PDG de cette société familiale située à Dijon. Du moins jusqu’en octobre 2017, quand ce dernier contacte Neovision, avec un besoin précis en tête : limiter le kilométrage à vide, soit les trajets de ses cars sans passagers.
Après six mois de travail à partir de l’ERP de Transarc, la start-up lui a fourni une solution logicielle pour optimiser les tournées de ses cars grâce à des algorithmes de recherche opérationnelle, une méthode d’aide à la décision qui modélise des situations complexes en fonction de contraintes prédéfinies, puis propose les choix optimaux.
De son côté, la start-up Vekia mène depuis deux ans un travail d’automatisation de la gestion des stocks pour Engie Home Services, grâce à plusieurs algorithmes de recherche opérationnelle et de machine learning (random forest, clustering, régression linéaire, réseaux de neurones…) reposant sur le cloud de Microsoft Azure. Le retour sur investissement a été rapide. « En deux ans, la solution de Neovision nous a fait économiser 500 000 km, donc environ 500 000 euros », déclare Damien Rameau. Quant à l’ERP sur mesure de Vekia, il a permis à Engie Home Services de réduire ses stocks de 10 %.
La gestion de la maintenance assistée par l’optimisation sous contraintes
Quand elle a lancé le défi OptiPlan Mirage 2000, en février 2018, l’armée de l’air avait un objectif : planifier les activités des aéronefs de la flotte de Mirage 2000 (visites de maintenance, opérations extérieures, essais en vol, entraînement des pilotes…) sur quinze ans – jusqu’à leur fin de vie. « Nous avions un besoin criant d’optimiser ces opérations, car ce travail était réalisé sur des tableaux Excel », rappelle Jorge Van Hemelryck, le chef du bureau stratégie à la Direction de la maintenance aéronautique (DMAE).
La dizaine de candidats devait également être capable de répondre à une multitude de contraintes : un budget serré, la capacité d’accueil des hangars de maintenance, l’obligation de maximiser les potentiels de vols de chaque aéronef sans représenter un danger… S’il commence à faire ses preuves en maintenance prédictive, le deep learning n’est, semble-t-il, pas préconisé pour une telle tâche d’optimisation, estime Michel Morvan, le président de l’IRT SystemX. « Les réseaux de neurones savent apprendre et prédire à partir de données du passé, mais ils ne peuvent prédire des situations qui ne se sont jamais produites. »
Comme la plupart de ses rivaux, Cosling, lauréat du défi OptiPlan Mirage 2000, a opté pour l’optimisation sous contraintes, sur la base du calculateur open source Choco Solver. « Nos algorithmes ne font aucun apprentissage, insiste Tanguy Lapègue, son cofondateur. Ils attribuent à chaque variable du problème un champ de valeurs possibles, son domaine, en fonction de contraintes dures (la capacité d’un hangar, par exemple) et souples (la maximisation des potentiels de vols d’un aéronef). » Après deux ans de tests, la start-up a convaincu l’armée de l’air et vient de signer le procès-verbal de recette pour gérer la maintenance d’une centaine de Mirage 2000. L’expérience doit être déclinée sur les flottes plus récentes.
Cosmo Tech, la start-up créée par Michel Morvan, utilise aussi l’optimisation sous contraintes pour modéliser un « jumeau numérique d’organisation » grâce à son langage de programmation maison, Complex systems modeling language (CoSML), fruit de quinze ans de R & D. Développé il y a quatre ans pour RTE, « qui voulait optimiser les investissements pour remplacer les équipements en fin de vie, un calcul que ses opérateurs faisaient à la main », l’outil, baptisé Asset Investment Optimization, a permis de numériser un million d’équipements. « Sur 800 millions d’euros de dépenses annuelles, RTE en dégage 10 %, que l’entreprise économise ou réinvestit ailleurs », revendique Michel Morvan.
La détection de piétons sur engin mobile assurée par le machine learning
Si les réseaux de neurones profonds font des merveilles en reconnaissance d’images, ils sont, même pour l’inférence (l’exécution du modèle, par opposition à son entraînement), très gourmands en puissance de calcul. Ce qui limite leur utilisation en embarqué. « Faire tourner du deep learning sur un serveur en Californie ou dans un calculateur embarqué en temps réel n’est pas la même chose », pointe Franck Gayraud, le PDG d’Arcure, une start-up de vision industrielle.
Lorsqu’elle a été contactée, fin 2018, par un métallurgiste français qui voulait installer sur ses engins mobiles des caméras de détection des piétons, Yumain, une autre start-up française positionnée sur le même secteur, a ainsi choisi des algorithmes de machine learning à base de spike, un réseau de neurones artificiels qui nécessite moins d’analyses que le deep learning. « Un système de vision fondé sur du deep learning effectue une analyse complète de l’image : si vous avez un million de pixels, il traitera chacun d’entre eux, détaille Marc Benoit, le directeur de Yumain. Avec du spike, l’algorithme n’analyse que les éléments qui évoluent, le mouvement dans l’image. » Après six mois de test sur un site pilote, puis trois, le métallurgiste est « en train de déployer » le boîtier de Yumain dans toutes ses usines, ajoute le PDG.
La filiale recyclage du groupe Suez a fait appel à Arcure deux ans plus tôt, en 2016, pour un besoin similaire. Fruit de dix ans de recherches au CEA et de deux ans de R & D au sein d’Arcure, Blaxtair (photo), sa caméra de détection des piétons, intègre un calculateur alimenté par des algorithmes de machine learning, préalablement entraînés par apprentissage supervisé sur des millions d’images. Il a été vendu « à plus de 7 000 exemplaires à 300 clients dans douze pays », revendique Franck Gayraud, et est proposé en option sur les chariots élévateurs de Fenwick ou de Toyota, entre autres. Suez France vient de commander 2 000 véhicules équipés du Blaxtair, « principalement des chargeurs et des pelles », précise le PDG.
Si les boîtiers de détection semblent convaincre leurs clients, les deux start-up ne renoncent pas pour autant à intégrer du deep learning embarqué dans un futur proche. Marc Benoit et Franck Gayraud misent gros sur les progrès de la microélectronique. « Les équipes de Yumain développent, avec le CEA, leur propre Asic, une puce hyper-spécialisée sur laquelle nous pourrons embarquer nos propres réseaux de neurones », dévoile le premier. Le PDG d’Arcure annonce déjà une nouvelle version du Blaxtair avec du deep learning, sans en divulguer davantage. « Le Graal, se prend à rêver Marc Benoit, serait un Asic ultra-basse consommation, qui consommerait moins de 1 nanowatt, contre 3 à 5 watts pour l’Asic sur lequel nous travaillons et 15 watts pour nos GPU actuels. »
