L’IA frugale optimise le contrôle qualité industriel

Satisfaire les clients et être en conformité avec les différentes réglementations sont des défis permanents pour l’industrie manufacturière. Le contrôle qualité est donc essentiel, car il permet de savoir si les produits ou les services vendus par l’entreprise sont conformes aux exigences du marché et des clients et au cahier des charges de l’entreprise.

Schématiquement, des caméras analysent les images de composants électroniques ou de pièces mécaniques et indiquent pour chacune d’elles si elles ont détecté un défaut ou non. Ce système permet de regrouper les défauts paraissant similaires.

S’il existe de nombreux acteurs spécialisés dans ce domaine, l’intégration de l’intelligence artificielle est en passe de bouleverser le secteur avec l’arrivée de poids lourds qui étaient jusqu’à présent absents dans ce domaine. C’est le cas de Google qui commercialise sa solution Visual Inspection AI. Elle automatise les tâches d’inspection visuelle à l’aide d’un ensemble de technologies de vision par ordinateur et d’IA. En France, Orange Business a développé une offre de services baptisés Computer Vision.

Mais une deeptech propose une solution plus originale et pertinente. Incubée à IMT Atlantique et créée en 2022, DeepHawk a développé une solution de contrôle de qualité visuel qui peut s’installer sur un ordinateur industriel et se connecter à n’importe quelle caméra (visuelle, à rayons X, infrarouge, microscopique) utilisant un format ouvert de vidéo.

Moins d’erreurs

Les premiers tests réalisés avec des industriels mettent en évidence des résultats prometteurs. « Chez un industriel, nous sommes passés de 20 % à 1,5 % de faux positifs », annonce Gilles Allain, cofondateur (avec Tomas Crivelli) et CEO de DeepHawk. De quoi limiter le nombre de vérifications inutiles et coûteuses, effectuées par les équipes de contrôle de qualité en cas de détection de non-conformité.

Autre particularité, l’intelligence frugale. « Aujourd’hui, on pense qu’il faut beaucoup de données pour faire de l’IA. En réalité, cela dépend du modèle d’IA. Une IA frugale a besoin de très peu, voire dans certains cas d’aucune donnée d’apprentissage. Pour relever ce défi, nous intégrons du savoir-faire expert. C’est l’humain qui partage tout son savoir avec l’IA pour être encore plus performant », nous explique Raphaël Frisch, CEO cofondateur de HawAI.tech, une deeptech de Grenoble qui développe une architecture de calcul d’IA probabiliste.

Avec l’IA frugale, la solution de DeepHawk est à la fois plus performante tout en étant plus efficiente en énergie. « En général, une cinquantaine d’images suffisent, contre environ 3 000 en deep learning. De plus, notre IA n’a pas besoin de connaître tous les défauts possibles. Elle se contente de photos de produits conformes, pour ensuite considérer les écarts par rapport à cette référence comme des anomalies », précise Gilles Allain.

Sur le marché de l’industrie, DeepHawk va cibler des secteurs comme l’automobile et l’électronique, notamment les fabricants de composants et de cartes électroniques.