AYXWORKS utilise des cookies nécessaires à son fonctionnement. Les cookies de mesure d’audience et de publicité, y compris les cookies tiers de Google, ne se chargent que si vous les autorisez. Vous pouvez modifier ce choix à tout moment via « Paramètres des cookies » en bas de page.
Vision, inspection, détection et guidage du robot.
Sources vérifiées: 2026-10-14
16
Vision industrielle
VIS-001
Qu’est-ce que la vision industrielle et quand a-t-elle besoin de l’IA ?
La vision industrielle utilise des images ou des mesures visuelles associées pour inspecter, identifier, mesurer ou guider un processus. L’IA n’est pas toujours nécessaire. Une géométrie stable et un éclairage bien contrôlé peuvent être gérés efficacement par des algorithmes conventionnels ; les modèles appris peuvent être utiles lorsque l’apparence varie trop pour les règles pratiques écrites à la main.
Explications, exemples et sources
Définissez d'abord la décision : défaut présent, dimension dans la tolérance, étiquette correcte ou pose de sélection utilisable. Testez ensuite une base de référence simple avant d’ajouter une formation sur modèle. Gardez l'éclairage, le placement de la caméra et la présentation des pièces dans le champ d'application ; L’IA ne peut pas récupérer de manière fiable les informations que l’image n’a jamais capturées. Mesurez les fausses acceptations et les faux rejets par rapport aux conséquences commerciales et de sécurité. La précision globale d'un classificateur n'est pas suffisante lorsque de rares défauts justifient l'installation du système.
Un système d’inspection ou de prélèvement doit-il utiliser la vision 2D ou 3D ?
Utilisez la 2D lorsque les informations requises sont visibles dans le plan de l'image sous une géométrie contrôlée, telle que de nombreuses étiquettes, arêtes et contrôles de surface. Utilisez la profondeur ou les informations 3D lorsque la hauteur, la forme, le volume ou la pose de l'objet sont essentiels. Le besoin vient de la mesure, et non du fait que la 3D est une mise à niveau de plus grande envergure.
Explications, exemples et sources
Une vérification descendante des étiquettes peut ne pas nécessiter de profondeur ; c'est souvent le cas de prélever des pièces qui se chevauchent dans un bac. Testez le matériau de la surface, l’occlusion, le champ de vision et la résolution requise à distance de travail. Prévoyez du temps pour l’éclairage, l’étalonnage et l’intégration du robot, et pas seulement pour l’achat des capteurs. Un système 3D peut encore avoir des difficultés avec les pièces transparentes ou réfléchissantes, et une simple configuration 2D peut le surpasser dans la bonne tâche. Validez l'erreur finale à la sortie du processus, et pas seulement la précision nominale de la caméra.
Pourquoi l’éclairage, l’étalonnage et les cadres de coordonnées sont-ils essentiels à la vision robotique ?
L'éclairage détermine ce que le capteur peut observer, l'étalonnage relie les mesures à un modèle et les images de coordonnées relient les informations de la caméra au mouvement du robot. Des erreurs dans l’un de ces éléments peuvent faire en sorte qu’une détection visuellement convaincante produise une mesure ou un mouvement incorrect. Un résultat d’IA de haute confiance ne corrige pas une mauvaise transformation géométrique.
Explications, exemples et sources
Enregistrez les caractéristiques intrinsèques de la caméra, la distorsion, la relation caméra-robot, le cadre de l'outil et les unités utilisées par chaque interface. Vérifiez la direction de la transformation et les horodatages avec des cibles connues avant de vous déplacer à proximité de l'équipement. Testez la chaîne complète dans plusieurs positions et orientations sur le volume de travail. Revérifiez après avoir changé l'objectif, la monture de l'appareil photo, l'outil ou le luminaire. Conservez les données d'étalonnage versionnées avec la configuration matérielle afin qu'un ajustement mécanique n'invalide pas silencieusement la configuration enregistrée.
Comment dois-je valider un système de vision avant la production ?
Testez-le sur des cas représentatifs et difficiles qui n'ont pas été utilisés pour régler le système. Mesurez les erreurs importantes pour le processus, notamment les fausses acceptations, les faux rejets, les résultats incertains et les échecs d'acquisition. Validez les variations attendues des pièces, de l’éclairage, des positions et des conditions de fonctionnement plutôt qu’un ensemble d’images organisé.
Explications, exemples et sources
Divisez les données afin que les images quasi-dupliquées de la même pièce ou du même lot de production ne fuient pas entre la formation et les tests. Incluez des exemples endommagés, limites et inconnus avec des étiquettes vérifiées indépendamment. Définir la sélection des seuils, l’escalade et la surveillance de la dérive avant le lancement. Pour un robot guidé, mesurez également les résultats de pose et de sélection, pas seulement les étiquettes d'image. Conservez un ensemble de données d'acceptation versionné et réexécutez-le après des modifications de modèle, d'optique ou d'éclairage. Lorsque le résultat de la vision prend en charge une fonction de protection, l’évaluation d’un modèle ordinaire ne constitue pas une preuve de sécurité suffisante.
En quoi la détection, la segmentation, la classification et la détection d’anomalies diffèrent-elles ?
La classification attribue une étiquette à une entrée ; la détection d'objets localise les instances, souvent avec des cadres de délimitation ; la segmentation étiquette les régions ou pixels de l'image ; La détection d'anomalies signale les écarts par rapport à un modèle normal appris ou défini. Choisissez le résultat dont le processus a réellement besoin plutôt que d'utiliser le modèle le plus élaboré disponible.
Explications, exemples et sources
Une porte de tri peut nécessiter uniquement une catégorie, tandis qu'une pince peut avoir besoin d'une limite et d'une pose d'objet. La détection des anomalies peut être utile lorsque les défauts sont divers, mais un score d'anomalie élevé n'explique pas le défaut ni ne prouve que le rejet est justifié. Définissez des règles d'annotation et des cas ambigus avant de collecter un grand ensemble de données. Évaluez le chemin de décision complet, y compris les seuils et la gestion des résultats incertains. Des prédictions plus détaillées peuvent augmenter le travail d’annotation et de validation sans améliorer la décision finale.