Détection des défauts avec analyse d’image

Présentation

La classification d’images est un domaine d’application classique de l’intelligence artificielle. Une application de classification d’images est déjà utilisée dans l’industrie pour la détection de problèmes de qualité sur des chaînes de montage pendant la fabrication. Dans une chaîne de production classique, les composants passent d’un poste à l’autre dans la chaîne d’assemblage. À la fin, un inspecteur intervient pour s’assurer qu’il n’y a pas de problème. Ce processus manuel peut engendrer des erreurs. La classification d’images pilotée par l’intelligence artificielle réduit l’effort humain et classe automatiquement les images en conformes et non conformes. Cela améliore non seulement l’efficacité des opérateurs humains dans la phase de validation, mais aussi la qualité de l’ensemble du processus de fabrication.

Préparer les données

Lors de la préparation de vos données pour une solution de classification d’images, vous avez besoin de deux jeux d’images pour former votre modèle : l’un pour représenter les images conformes, et l’autre pour représenter les images non conformes. Vous pouvez choisir ces images dans un jeu de données générique tel que Kaggle, ou définir un jeu d’images personnalisé pour votre entreprise. Il peut être utile de disposer d’un ensemble homogène d’images, tel qu’une série de fichiers JPG de taille et de résolution identiques. La préparation des données nécessite également de diviser les images en jeux d’apprentissage et de validation.

Générez et formez

Une fois qu’un ensemble d’images homogène et organisé est prêt, les données sont lues dans un moteur d’analyse. Les réseaux neuronaux et l’apprentissage par transfert sont souvent un bon moyen de gérer les données d’image dans des solutions d’intelligence artificielle (IA). L’apprentissage par transfert permet d’utiliser des modèles formés qui savent déjà comment classifier les images. Un modèle existant peut très bien effectuer une tâche déterminée, par exemple, détecter des personnes ou des chats. Cependant, la tâche pour laquelle il a été formé diffère probablement du scénario spécifique que vous tentez de résoudre. Re-former un modèle existant est généralement beaucoup plus rapide que partir de zéro. L’apprentissage par transfert peut ainsi raccourcir considérablement le processus de formation. Enfin, dans la classification d’images, un réseau neuronal est parfois associé à un modèle secondaire pour fournir la prédiction finale. Par exemple, vous pouvez utiliser une architecture de réseau neuronal convolutif avec 50 couches cachées pour traiter l’image. Associez-la à un arbre de décision optimisé pour classer l’image comme conforme ou non conforme.

Déployer

Une fois le modèle de classification d’images formé, vous pouvez le déployer en tant que service web avec un point de terminaison REST. Les tableaux de bord et alertes analytiques peuvent appeler le service web pour obtenir des informations et des prédictions. Le traitement des images tendant à être coûteux en termes de calcul, de nombreuses solutions similaires utilisent des déploiements de clusters dans le cloud, qui peuvent être mis à l’échelle en cas de besoin. Un service tel qu’Azure Machine Learning peut vous aider à cet égard, en créant un point de terminaison REST aisément déployable sur un cluster Azure Kubernetes.

Les clients réalisent des choses incroyables avec l’intelligence artificielle