Le deep learning est utilisé dans le cadre de nombreux contextes aujourd’hui, notamment pour la reconnaissance d’images, le traitement automatique du langage et de la parole, les voitures autonomes, les chatbots, les jeux vidéo ou encore l’analyse de données.
L’analyse d’images/Deep learning est très utile dans le cadre de contrôle qualité et de maintenance, rendant les équipes techniques bien plus opérationnelles avec une réduction de la marge d’erreurs.
Nous avons développé une application pour la vérification du montage de jonction de câble moyenne tension. Elle est déployable sur n’importe quel téléphone mobile classique et ne nécessite pas de connexion internet, totalement compatible avec l’environnement de travail des techniciens (des chantiers sans connexion). Elle sert d’outil au technicien afin qu’il puisse vérifier la précision de son montage. A la fin de sa vérification, il dispose d’un rapport reprenant quelles étapes sont correctes ou non.
L’application est donc conçue pour ces techniciens en prenant compte les problématiques qu’ils rencontrent, à savoir :
- Les mesures et la découpe manuelles peuvent être imprécises
- Beaucoup de temps est consacré à la vérification manuelle des mesures (qui n’est pas très précise et fausse le reste du travail)
- La notice de montage n’est pas comprise de tous
Le câble est composé de trois parties : le conducteur, le semi-conducteur et le mastic blanc. Traditionnellement, le technicien doit découper les câbles puis les mesurer à la main. Voici les étapes métiers.
- La mesure du conducteur et du semi-conducteur
- La détection des mastics blancs
- Vérification du montage final: mesures égales de part et d’autre
Nous avons donc remplacé ces étapes de vérifications manuelles par une application d’analyse d’image via de l’intelligence artificielle. Plus précisément du deep learning.
D’un point de vue plus technique, l’algorithme d’analyse d’image a été conçuede la façon suivante:
- Création du dataset : Prise de photos en changeant l’environnement et la luminosité pour un jeu de données plus varié et fidèle à la réalité du champ de travail des techniciens
- Labellisation des photos au format Yolov5 OBB
- Augmentation de données pour avoir un modèle neuronal plus robuste
- Agrégation de données synthétiques réalisées via des modèles 3D pour de meilleurs résultats
- Adaptation du modèle au mobile
Vous pouvez également consulter notre article sur la réalité augmentée, le deep learning et contrôle qualité.