Exemple de système 02 · Vision par ordinateur
Une inspection visuelle qui suit le rythme de la ligne.
Un système de caméras qui inspecte chaque article d’une ligne de production, signale les défauts en temps réel et apprend des retours des opérateurs.
Capture
Des caméras industrielles photographient chaque article sous un éclairage maîtrisé.
Détection
Un modèle localise chaque article et classe les défauts en quelques millisecondes.
Décision
Des seuils de confiance tranchent entre conforme, rejet et revue humaine.
Action
L’automate de la ligne écarte les rejets et le tableau de bord se met à jour en direct.
Apprentissage
Les corrections des opérateurs alimentent le prochain entraînement.
- Python
- Modèles de détection YOLO
- OpenCV
- ONNX Runtime sur matériel embarqué
- Liaison MQTT avec l’automate de ligne
- Tableau de bord web
Le défi
Une ligne de conditionnement fait passer plusieurs articles par seconde. Le contrôle qualité se fait à l’œil, en bout de ligne : la plupart des défauts sont repérés tard, certains passent inaperçus et leur cause est difficile à retrouver.
Line Sight installe une caméra et un modèle de détection sur la ligne pour la surveiller en continu, signaler les défauts dès qu’ils apparaissent et réunir les données nécessaires pour en corriger la cause.
Où cela s’applique
- Industrie et conditionnement
- Agroalimentaire
- Textile et habillement
- Entreposage et logistique
Ce que fait le système
- 01
Détecte et classe en temps réel les défauts de chaque article, comme les rayures, les bouchons manquants ou les erreurs d’impression.
- 02
Déclenche le mécanisme d’éjection et enregistre chaque décision avec l’image qui la justifie.
- 03
Fonctionne sur un petit ordinateur placé près de la ligne : il suit la cadence, même sans connexion internet.
- 04
Permet aux opérateurs de confirmer ou de corriger les détections, et utilise ces retours pour réentraîner le modèle.
Comment ça marche
De l’entrée à la décision, en cinq étapes.
- 01
Capture
Des caméras industrielles photographient chaque article sous un éclairage maîtrisé.
- 02
Détection
Un modèle localise chaque article et classe les défauts en quelques millisecondes.
- 03
Décision
Des seuils de confiance tranchent entre conforme, rejet et revue humaine.
- 04
Action
L’automate de la ligne écarte les rejets et le tableau de bord se met à jour en direct.
- 05
Apprentissage
Les corrections des opérateurs alimentent le prochain entraînement.
Ce que cela démontre
- Entraîner un détecteur fiable à partir de quelques centaines d’images annotées, avec une augmentation de données soignée.
- Un déploiement embarqué qui respecte de vraies contraintes de temps de réponse.
- Boucler la boucle : surveiller la dérive du modèle et le réentraîner à partir des retours des opérateurs.
Contact
Parlons de votre projet.
Décrivez le problème que vous rencontrez et les données qu’il concerne. Nous lisons chaque message et répondons personnellement.
Vous préférez écrire directement ? contact@skvision.mu