Améliorer la qualité d'impression des bouteilles en verre avec l'apprentissage automatique

Dans la production de bouteilles en verre, s'assurer que les impressions sur ces bouteilles sont de haute qualité est super important. Même des petites imperfections dans l’impression peuvent avoir un gros impact, et des trucs comme les reflets sur le verre peuvent rendre difficile la détection de ces défauts. Pour résoudre ce problème, on a bossé avec une entreprise de taille moyenne spécialisée dans la fabrication de bouteilles en verre. On a développé deux méthodes utilisant l'IA qui peuvent aider au contrôle qualité des impressions sur les bouteilles.

#Le Défi

Les bouteilles en verre peuvent réfléchir la lumière d’une manière qui complique les photos. Quand on prend des photos de ces bouteilles, des reflets peuvent rendre difficile de savoir si une impression est acceptable ou pas. Le système actuel utilisé par notre partenaire capture des images de bouteilles et les compare à une image de référence "parfaite". Si les différences entre les deux images dépassent une certaine limite, la bouteille est considérée comme défectueuse. Cependant, ce système a du mal avec les variations causées par les reflets, ce qui entraîne soit des fausses alertes, soit des défauts ratés.

Notre partenaire a clairement dit qu'il fallait se concentrer sur l’identification correcte des bouteilles défectueuses, même si cela signifiait que certaines bouteilles acceptables soient incorrectement signalées. Ils voulaient réduire les coûts liés à l'acceptation des bouteilles défectueuses, qui peuvent être assez importants.

#Collecte et Préparation des Données

Les images qu'on a utilisées pour notre analyse ont été récupérées du système existant de l'entreprise, qui prend des photos de bouteilles à la fin de la ligne de production. Chaque bouteille est photographiée dans un environnement contrôlé, avec la caméra et les lumières à des positions fixes. La bouteille est tournée pour une vue claire.

Comme on pouvait pas interrompre la production, on a mis en place un processus pour copier les images sur un disque externe sans affecter les opérations principales de l'usine. On a déterminé qu'on pouvait seulement capturer un nombre limité d'images périodiquement tout en priorisant celles marquées comme inacceptables par le système de contrôle qualité existant.

#Sélection d'Images Non Supervisée

Pour simplifier le processus de labellisation, on a utilisé une méthode pour trier les images qu'on avait collectées. On a comparé chaque image à une image de référence d'une impression acceptable, en utilisant certaines mesures pour déterminer leur similarité. Les images trop différentes ont été signalées pour un examen par nos experts en contrôle qualité.

Nos experts ont ensuite labellisé les images en fonction de défauts spécifiques, comme des bavures, une rotation, ou d'autres problèmes. Ils ont classé les impressions en deux catégories : acceptables et inacceptables. Cela a aidé à réduire le grand nombre d'images qui devaient être vérifiées manuellement.

#Préparation des Données

Une fois qu’on avait nos images labellisées, on a commencé à les préparer pour l'analyse. On a travaillé avec des images en couleur et en niveaux de gris et utilisé plusieurs techniques pour améliorer leur qualité. Ça incluait l'application de filtres pour minimiser les reflets et l'utilisation de Métriques de qualité d'image pour comparer les images test à l'image de référence.

#Métriques de Qualité d'Image

On a utilisé certaines métriques pour évaluer à quel point deux images étaient similaires. Une plus grande différence indiquait un défaut possible dans l'impression. Les métriques sur lesquelles on s'est concentrés incluaient l'Erreur Quadratique Moyenne, l'Erreur Quadratique Moyenne Normalisée, et l'Indice de Similarité Structurale.

#Filtres d'Image

Pour améliorer la qualité de l'image, on a appliqué différents filtres conçus pour mettre en avant les impressions tout en réduisant les effets des reflets. Des filtres comme Sobel et Canny ont aidé à mettre en évidence les contours dans les images, rendant les impressions plus claires et plus faciles à analyser.

#Alignement des Images

Les bouteilles peuvent apparaître sous des angles légèrement différents dans les images à cause de la configuration. Pour gérer ça, on a aligné les images en utilisant une technique appelée ORB (Oriented FAST and Rotated BRIEF). Ça nous a permis de corriger la rotation et d'autres variations, facilitant la comparaison des impressions avec l'image de référence.

#Approches d'IA

On a développé deux méthodes principales pour analyser les images.

#Approche 1 : Caractéristiques d'Image et Classificateurs Classiques

Dans notre première approche, on a pris des images alignées et appliqué les filtres qu'on avait choisis. Ensuite, on a utilisé différents modèles d'apprentissage supervisé comme les Machines à Vecteurs de Support et les k-Nearest Neighbors pour classer les images comme acceptables ou inacceptables basés sur les caractéristiques qu'on a extraites.

Cette approche nous a permis d’atteindre un niveau de précision relativement élevé, démontrant que même avec des distorsions spécifiques comme les reflets, on pouvait classer efficacement les images. Cependant, on a constaté que l'alignement des images faisait une grosse différence en termes de performance.

#Approche 2 : Ajustement Fin de Modèles CNN

Notre deuxième méthode a consisté à utiliser des Réseaux de Neurones Convolutifs (CNN) pré-entraînés. Ces modèles avaient été formés sur un grand ensemble d'images et pouvaient être ajustés pour notre tâche spécifique d'identification des défauts dans les impressions de bouteilles en verre.

En utilisant des modèles comme ResNet et VGG, on a pu classifier les images directement sans se fier à des caractéristiques spécifiques. Cette méthode a donné de bons résultats, surtout en termes de sensibilité, ce qui signifie qu'elle a correctement identifié les impressions inacceptables.

#Visualisation avec Grad-Cam

Pour analyser encore plus nos modèles, on a utilisé un outil appelé Grad-Cam, qui aide à visualiser quelles parties d'une image sont les plus importantes pour une décision de classification. En appliquant cette technique, on pouvait voir quelles zones des impressions étaient souvent signalées comme défectueuses, fournissant des insights exploitables pour le processus de fabrication.

#Résultats

En évaluant nos deux approches, on a constaté que les deux méthodes amélioraient le système de contrôle qualité existant. Notre première approche a montré de bonnes performances, surtout grâce au processus d'alignement des images. La deuxième approche utilisant des CNN a généralement surpassé la première en termes de précision.

#Métriques de Performance

En termes de taux de vrais positifs, nos modèles ont excellé à identifier les impressions inacceptables tout en maintenant un taux de faux positifs gérable. Cet équilibre est crucial en fabrication puisque l’objectif est de minimiser les coûts liés aux bouteilles défectueuses sans submerger le personnel de contrôle qualité avec des fausses alertes.

#Insights pour la Fabrication

Les deux techniques ont non seulement amélioré la précision de classification mais ont aussi fourni des insights qui pourraient aider à optimiser le processus de fabrication. Par exemple, suivre les rotations des bouteilles dans le temps peut indiquer des problèmes sous-jacents dans la production qui pourraient mener à des défauts.

De plus, les cartes thermiques générées par nos modèles CNN offraient une représentation visuelle claire des zones communes de défaut. Cette information peut aider les fabricants à concentrer leurs efforts sur des régions spécifiques du processus d’impression qui pourraient nécessiter des ajustements ou des améliorations.

#Conclusion

En conclusion, notre travail démontre le potentiel de l'IA pour améliorer les processus de contrôle qualité dans l'industrie de la fabrication de bouteilles en verre. En mettant en œuvre des techniques efficaces de collecte de données, de traitement d'images, et d'apprentissage automatique, on a réussi à développer deux approches qui ont considérablement amélioré l'identification des impressions défectueuses. À l'avenir, une collecte continue de données et un raffinement supplémentaire de ces méthodes pourraient donner des résultats encore meilleurs, aidant les fabricants à maintenir des normes élevées tout en réduisant les coûts liés aux erreurs de production.