Les capacités de classification d'images de l'IA, déjà largement utilisées dans des applications telles que le diagnostic des maladies, la conduite autonome, la modération de contenu et autres, sont parfaitement adaptées au contrôle qualité industriel, et en particulier à l'inspection optique automatisée (AOI). Les méthodes AOI conventionnelles reposent fortement sur l'expertise lors de la configuration du système, de l'introduction de nouveaux produits et, par la suite, pendant la production, lors de l'inspection des images des zones suspectées de présenter des défauts.
L'intelligence artificielle (IA) est désormais disponible dans les logiciels commerciaux d'AOI pour faciliter la configuration et la mise en service des équipements. La mise en correspondance automatique des bibliothèques de composants, qui utilise l'apprentissage profond pour identifier les types de composants à partir d'images, permet la sélection automatique de la bibliothèque optimale. De plus, l'IA est utilisée pour faciliter la mesure 3D des composants afin de générer des données pour les pièces absentes des bibliothèques existantes.
Jugement secondaire :
Si l’IA a simplifié et accéléré la gestion des bibliothèques, cette technologie est désormais en mesure d’apporter une plus grande valeur ajoutée aux fabricants en appliquant ses capacités d’apprentissage et de classification pour améliorer la précision des inspections sur la chaîne de production. S’appuyer sur le jugement humain pour classer les défauts comme réels, faux positifs ou faux négatifs peut s’avérer chronophage et introduire de la variabilité dans le processus de fabrication. Alors que certains défauts sont faciles à classer, comme les composants manquants ou fortement désalignés, ou les problèmes de soudure importants, d’autres sont plus difficiles à repérer ou à identifier clairement car ils ne répondent pas aux normes acceptables.
Lorsque le jugement repose sur des experts humains, chaque opérateur peut appliquer des critères différents selon son expérience et son opinion. L'inspection peut s'avérer longue, car le jugement prend du temps. Certains défauts peuvent passer inaperçus, tandis que des évaluations trop strictes peuvent générer de faux positifs, entraînant des reprises inutiles. L'intégration de l'IA pour assister ces évaluations secondaires permet de réduire la dépendance aux experts et d'éliminer les inexactitudes, augmentant ainsi la productivité.
La figure 1 illustre comment l'IA peut améliorer le jugement secondaire, contribuant ainsi à valoriser les compétences humaines et à minimiser les erreurs humaines. Le système AOI partage des images des zones défectueuses détectées avec les opérateurs humains et l'application logicielle AI Judgement, qui intègre des modèles d'apprentissage automatique. Les experts humains évaluent la nature des défauts et leurs jugements sont intégrés au logiciel d'IA. En s'ajustant continuellement à mesure que les jugements des experts sont enregistrés, le modèle acquiert rapidement les meilleures compétences de jugement et élimine les erreurs humaines. Une fois entraîné, le modèle émet des jugements qui permettent aux opérateurs de travailler avec plus d'assurance et de rapidité, tout en maintenant un niveau de précision élevé et constant. De cette manière, les opérateurs peuvent égaler les performances des inspecteurs experts.

Figure 1. Collecte de données, jugement assisté et amélioration grâce à l'apprentissage automatique.
Les tests secondaires assistés par l'IA permettent d'améliorer la reproductibilité, d'éviter que des unités défectueuses ne passent inaperçues sur la chaîne de production et d'identifier rapidement les faux positifs afin d'éviter des retouches inutiles sur des ensembles non défectueux. Ceci stabilise la qualité des résultats de production et accroît la productivité.
Indice de confiance :
Le logiciel AI Judgement de Yamaha pour AOI fournit aux opérateurs un retour d’information complet expliquant leurs décisions « Conforme/Non conforme », incluant des images, des tableaux et un indicateur de confiance (Figure 2). Pour les défauts de soudure tels que les pontages ou la contamination, cet indice est affiché sous forme de carte thermique et d’indice d’anomalie calculé. Les évaluations pour d’autres défauts, comme la reconnaissance de caractères, sont exprimées par un indice de correspondance. Le logiciel rend également compte de ses propres performances grâce au calcul de l’indice de détection d’anomalies et à la suppression des surdétections. Grâce à la collecte et à l’analyse répétées des données, incluant la réduction du bruit, et à des outils permettant de créer et d’optimiser des modèles d’IA personnalisés, le logiciel AI Judgement permet aux utilisateurs de contrôler le cycle de vie de l’apprentissage automatique et, en définitive, d’effectuer un contrôle qualité sans assistance professionnelle.

Figure 2. L'analyse d'inspection, comprenant les images et l'indice d'anomalie calculé, illustrée dans l'image, permet de formuler un second avis et d'orienter la réparation si nécessaire.
De l'assistance à l'automatisation :
après l'évaluation secondaire assistée par IA réalisée par des opérateurs humains, la prochaine étape est un système d'inspection optique automatisée (AOI) entièrement autonome, capable d'égaler en permanence le niveau des meilleurs experts de l'entreprise. Le logiciel d'évaluation par IA de Yamaha est prêt à se connecter facilement à la station de réparation à distance et peut partager directement les résultats d'évaluation avec les systèmes AOI en ligne afin d'améliorer continuellement la précision des inspections. L'utilisation de l'IA pour automatiser le contrôle secondaire permet aux systèmes AOI en ligne de fonctionner en continu, sans intervention, à un rythme élevé, avec un minimum de faux négatifs et de faux positifs, évitant ainsi de passer à côté de défauts et de réaliser des retouches inutiles.
Conclusion
L'intelligence artificielle peut améliorer de nombreux aspects du contrôle qualité, notamment en accélérant la création de bibliothèques et en générant automatiquement des données sur les composants manquants. Grâce à ses capacités de classification d'images, l'IA est prête à être déployée sur la chaîne de production pour assister et, à terme, automatiser le contrôle secondaire. Traditionnellement, cette tâche exigeait l'intervention d'inspecteurs hautement qualifiés. Désormais, l'IA permet aux opérateurs d'atteindre rapidement un niveau d'expertise comparable. La feuille de route prévoit une automatisation complète, de l'assemblage au contrôle qualité, grâce à l'apprentissage automatique, afin d'améliorer encore l'assurance qualité et d'accroître la productivité.
