Cas d’usage

Vous avez peut-être des opérateurs qui réalisent des inspections visuelles sur les pièces en production. A force, vous avez peut-être commencé à constituer une petite banque d’images de pièces bonnes ou mauvaises. Si c’est le cas, tant mieux, nous allons pouvoir l’utiliser. Et sinon, il n’est pas trop tard pour le faire.

A partir de ces images, nous pouvons entraîner un réseau de neurones capable d’identifier les défauts visuels en production en temps réel, avec un contrôle unitaire à haute cadence.

Ce mode de contrôle a plusieurs avantages.

  • Il permet d’identifier au plus tôt les défauts et d’éviter de monter des parties défaillantes avec des parties bonnes, pour finalement jeter l’assemblage.
  • Il permet d’identifier très rapidement les déviations de processus, afin de remettre la production sur les rails avec un minimum d’impact.
  • Il permet de réaliser automatiquement un contrôle unitaire à moindre coûts.
  • Il élimine la subjectivité. Tout est défini par les choix faits au moment de classer les images sur lesquelles il apprend.
  • Il enrichit automatiquement la défauthèque au fil des contrôles, ce qui permet une traçabilité totale.
  • Il vous alerte sur l’apparition de nouveaux défauts potentiels et vous permet de les classer en fonction de l’action à prendre. Suite à cela, il se met à jour pour intégrer ces nouvelles informations.

Laisser un commentaire