Solutions de spectroscopie et de vision industrielle
La vision artificielle basée sur l’apprentissage profond (réseaux neuronaux) imite, d’une certaine manière, la manière dont le cerveau humain traite les informations visuelles, donc, comme cela se produit avec le cerveau, il est essentiel qu’il y ait d’abord un processus d’apprentissage. Pour cela, il faut disposer d’un ensemble d’images suffisamment représentatif des cas à détecter, qui sert à « entraîner » le réseau neuronal, c’est-à-dire, que le réseau soit capable d’« interpréter » ou « reconnaître » les caractéristiques d’intérêt. Une fois le réseau construit validé, il est utilisé pour inspecter chaque nouvelle image, la sortie du réseau étant une étiquette qui identifie ladite image comme appartenant à l’une des classes préétablies. En pratique, un réseau neuronal est un ensemble de valeurs numériques, collectées dans un fichier numérique, propre à une tâche précise, de sorte qu’un logiciel dédié se charge « d’appliquer » ledit réseau à chaque image afin d’obtenir l’étiquette correspondante à la classe à laquelle l’image semble appartenir.
Les algorithmes traditionnels de vision par ordinateur sont déterministes. Cela signifie qu’à l’aide de fonctions mathématiques, qu’elles soient génériques ou spécifiques, chaque image est analysée à la recherche des caractéristiques d’intérêt. Cette approche limite son application à des cas très spécifiques, dans lesquels les caractéristiques sont très marquées ou évidentes par rapport au reste des éléments de l’image, et elle nécessite toujours l’intervention d’experts humains. Dans le monde réel, les circonstances favorables à l’utilisation d’algorithmes déterministes sont rares. Au contraire, il existe de nombreux éléments interférents qui affectent grandement la précision du résultat. L’apprentissage profond, en revanche, ne part pas d’hypothèses plus ou moins réalistes, mais plutôt, dans la phase d’apprentissage, il s’adapte automatiquement aux circonstances, c’est-à-dire qu’il est moins sensible aux variations imprévues, et cela peut être réalisé sans la nécessité d’hypothèses théoriques ou le travail d’un expert.
L’application la plus fréquente est la détection de défauts morphologiques afin d’activer un système de rejet qui rejette les produits marqués par le réseau de neurones comme défectueux. Par exemple, la détection de corps étrangers ou d’unités défectueuses dans les aliments, les différences de couleur intolérables dans les pièces, les textiles ou les produits alimentaires ou la quantification objective des défaillances ou des défauts afin de calculer un juste prix pour les différents degrés de qualité d’un produit, par exemple les défauts du grain pour la vente et la commercialisation.
