Apprentissage profond non supervisé pour automatiser l’inspection visuelle dans l’industrie manufacturière

Deep Learning and unsupervised learning to automate visual inspection in the manufacturing industry

• Auteur / Autrice : Jonathan Dekhtiar
• Direction : Alexandre Durupt, Dimitris Kiritsis, Matthieu Bricogne-Cuignières
• Type : Thèse de doctorat
• Discipline(s) : Intelligence Artificielle, Mécanique Avancée : Unité de recherche en Mécanique - Laboratoire Roberval (FRE UTC - CNRS 2012)
• Date : Soutenance le 24/10/2019
• Etablissement(s) : Compiègne
• Ecole(s) doctorale(s) : École doctorale Sciences pour l'ingénieur (Compiègne)
• Partenaire(s) de recherche : Laboratoire : Unité de recherche en mécanique acoustique et matériaux / Laboratoire Roberval
• DOI : 10.70675/24bf76c6z95c7z4113zaf30z9625ccb8da28

Mots clés

Mots clés contrôlés

Apprentissage profond

Apprentissage automatique

Intelligence artificielle

Génie industriel

Industries manufacturières

Procédés de fabrication

Automatisation

Réseaux neuronaux (informatique)

Vision par ordinateur

Reconnaissance des formes (informatique)

Reconnaissance d'objets (informatique)

Identification automatique

Perception visuelle

Mots clés libres

Apprentissage profond non supervisé

Ingénierie industrielle

Inspection visuelle

Deep learning

Unsupervised learning

Visual inspection

Automation

Manufacturing

Artificial intelligence

Industrial engineering

Neural networks

Computer vision

Pattern recognition systems

GAN

VAE

CNN

Résumé

La croissance exponentielle des besoins et moyens informatiques implique un besoin croissant d’automatisation des procédés industriels. Ce constat est en particulier visible pour l’inspection visuelle automatique sur ligne de production. Bien qu’étudiée depuis 1970, peine toujours à être appliquée à de larges échelles et à faible coûts. Les méthodes employées dépendent grandement de la disponibilité des experts métiers. Ce qui provoque inévitablement une augmentation des coûts et une réduction de la flexibilité des méthodes employées. Depuis 2012, les avancées dans le domaine associé à l’étude des réseaux neuronaux profonds (i.e. Deep Learning) a permis de nombreux progrès en ce sens, notamment grâce au réseaux neuronaux convolutif qui ont atteint des performances proches de l’humain dans de nombreux domaines associées à la perception visuelle (e.g. reconnaissance et détection d’objets, etc.). Cette thèse propose une approche non supervisée pour répondre aux besoins de l’inspection visuelle automatique. Cette méthode, baptisé AnoAEGAN, combine l’apprentissage adversaire et l’estimation d’une fonction de densité de probabilité. Ces deux approches complémentaires permettent d’estimer jointement la probabilité pixel par pixel d’un défaut visuel sur une image. Le modèle est entrainé à partir d’un nombre très limités d’images (i.e. inférieur à 1000 images) sans utilisation de connaissance expert pour « étiqueter » préalablement les données. Cette méthode permet une flexibilité accrue par la rapidité d’entrainement du modèle et une grande versatilité, démontrée sur dix tâches différentes sans la moindre modification du modèle. Cette méthode devrait permettre de réduire les coûts de développement et le temps nécessaire de déploiement en production. Cette méthode peut être également déployée de manière complémentaire à une approche supervisée afin de bénéficier des avantages de chaque approche.

Although studied since 1970, automatic visual inspection on production lines still struggles to be applied on a large scale and at low cost. The methods used depend greatly on the availability of domain experts. This inevitably leads to increased costs and reduced flexibility in the methods used. Since 2012, advances in the field of Deep Learning have enabled many advances in this direction, particularly thanks to convolutional neura networks that have achieved near-human performance in many areas associated with visual perception (e.g. object recognition and detection, etc.). This thesis proposes an unsupervised approach to meet the needs of automatic visual inspection. This method, called AnoAEGAN, combines adversarial learning and the estimation of a probability density function. These two complementary approaches make it possible to jointly estimate the pixel-by-pixel probability of a visual defect on an image. The model is trained from a very limited number of images (i.e. less than 1000 images) without using expert knowledge to ''label'' the data beforehand. This method allows increased flexibility with a limited training time and therefore great versatility, demonstrated on ten different tasks without any modification of the model. This method should reduce development costs and the time required to deploy in production. This method can also be deployed in a complementary way to a supervised approach in order to benefit from the advantages of each approach.