L’intelligence artificielle et le machine learning : la révolution du contrôle qualité, des inspections et de la détection des fraudes

Les bases de la reconnaissance d’images pour le machine learning

Les algorithmes du machine learning utilisent d’immenses quantités de données issues d’un domaine spécifique pour optimiser les processus et améliorer l’efficacité. Les systèmes de ML s’entraînent à reconnaître des modèles et des corrélations en connectant des points de données. Pour ce faire, il faut des algorithmes robustes, des jeux de données volumineux avec des informations décisives, un domaine ciblé et un objectif concret.

Aux yeux de quelques-unes des meilleures entreprises et des plus éminents chercheurs de ML, le deep learning est une technologie révolutionnaire capable de transformer des centaines de secteurs d’activité. Une grande partie du travail abstrait a été fait, et il est à présent temps d’utiliser le ML et de le convertir en modèles commerciaux durables.

Pour une reconnaissance d’images optimale, il est primordial d’identifier correctement toutes les images afin de distinguer celles qui sont pertinentes au sein du jeu de données. Au plus le système basé sur le ML sera exposé à des exemples d‘images correctes, au plus il sera capable de sélectionner les modèles et de repérer les différences inhérentes.

Des algorithmes de ML pour détecter les défauts des circuits imprimés

Bien que l’inspection visuelle automatisée de CI ait grandement évolué ces dernières années, plusieurs études montrent que le deep learning dépasse les performances des algorithmes et de l’extraction des caractéristiques du machine learning traditionnel.^[1]

Dans la plupart des usines de fabrication de CI, des défauts sont initialement détectés par une machine d’inspection automatique (AOI). Ensuite, un ingénieur d’inspection de la qualité vérifie chaque CI signalé.

Malheureusement, la machine AOI peut classer par erreur plusieurs cartes comme défectueuses en raison d’une griffe, d’un petit trou ou de la présence de nanoparticules comme de la poussière, de fragments de papier ou de minuscules bulles d’air. De plus, les ingénieurs qualifiés peuvent également commettre des erreurs durant l’inspection. C’est pourquoi il est impératif d’utiliser des systèmes de ML correctement entraînés pour améliorer la précision des procédures du contrôle qualité.

L’année dernière, les chercheurs de l’université Yuan Ze de Taïwan ont publié une étude dans laquelle ils sont parvenus à atteindre un taux de précision dans la détection des défauts sur les CI de 98,79 % en utilisant des réseaux neuronaux convolutifs YOLO (you-only-look-once).^[2]

Par rapport à d’autres critères de classification simples, le système YOLO est couramment utilisé dans la pratique. C’est un modèle de détection unifié d’objets simples, qui peut être directement entraîné avec des images complètes. Fast YOLO est le détecteur d’objet le plus rapide à usage général. YOLOv2 fournit le meilleur compromis de vitesse en temps réel et de précision pour la détection d’objets, par rapport à d’autres systèmes dédiés, parmi plusieurs jeux de données prévus à cet effet.

D’après leur publication, l’équipe a utilisé 11 000 images, soit un réseau de 24 couches convolutives, et deux couches entièrement connectées. Pour entraîner l’algorithme Tiny YOLOv2, les chercheurs ont utilisé le framework Keras^[3] en l’exécutant sur la carte graphique TITAN V de Nvidia.

Détection des fraudes et des contrefaçons, et performance du composant

En 2019, l’organisation de coopération et de développement économiques a établi que les biens contrefaits et piratés représentaient jusqu’à 3,3 % du volume du commerce mondial. Ce pourcentage augmente chaque année. Les États-Unis sont le pays le plus affecté par la contrefaçon : ses marques ou brevets ayant été liés à 24 % des saisies de faux produits.^[4]

Le secteur des composants électroniques est particulièrement affecté par les contrefaçons. À mesure que le prix des composants essentiels augmente et que les perturbations se multiplient sur la chaîne d’approvisionnement, de nombreux produits contrefaits font leur entrée sur le marché pour combler les pénuries. Comme si la tâche n’était pas assez difficile, il est quasiment impossible de distinguer la plupart des composants contrefaits des pièces originales.

La détection des contrefaçons parmi les produits finis, en particulier pour les produits de consommation, peut se faire par inspection visuelle. Cependant, il faudrait avoir un œil particulièrement entraîné et une connaissance aigüe en la matière pour distinguer les vrais produits des faux.

L’avantage de la reconnaissance d’images à cet égard est immense. Les algorithmes de ML peuvent analyser des millions d’images et détecter les plus petites incohérences et anomalies de forme, de couleur, de texture et de taille.

En matière de composants électroniques, il est plus difficile de se contenter d’une simple inspection visuelle. Le marché est envahi de contrefaçons et de versions surannées. L’utilisation de contrefaçons ou de pièces de deuxième main pourrait causer des dommages à l’équipement ou à la marque, provoquer des rappels de produits et potentiellement engager la responsabilité de l’entreprise.

En plus de la reconnaissance d’images, d’autres méthodes et algorithmes de ML sont nécessaires pour améliorer la détection des pièces contrefaites ou modifiées. Ces dernières années, la technologie de blockchain est rapidement devenue l’une des solutions clés disponibles pour protéger l’authenticité des produits et des composants et sécuriser la chaîne d’approvisionnement.

Par exemple, IBM combine la blockchain à l’imagerie et à l’intelligence artificielle pour vérifier l’authenticité des produits. Sa solution Crypto Anchor Verifier^[5] utilise le ML, les réseaux neuronaux et l’analyse vidéo pour évaluer les propriétés des liquides et identifier la couleur, la saturation, la viscosité et d’autres caractéristiques chimiques, afin de déterminer avec le plus de précision possible si un produit est authentique ou non. Par ailleurs, ce système peut être entraîné à reconnaître des modèles électriques au sein des composants électroniques en vue de distinguer les nouvelles pièces des versions précédentes pour la même UGS.

Le rôle de l’IA et du ML dans la chaîne d’approvisionnement n’a pas fini de se développer

Ces derniers temps, les perturbations de la chaîne d’approvisionnement mondiale causées par la pandémie ont forcé de nombreux fournisseurs et fabricants à élargir leurs sources d’acquisition de produits et composants. Grâce aux dernières technologies et au ML, ils ont pu éviter les pièces contrefaites et améliorer leurs performances en accélérant les processus, en augmentant la productivité et en réalisant un contrôle qualité plus précis.

À mesure que la précision de la reconnaissance d’images et du ML s’améliore et s’accélère, de nombreux secteurs commencent à utiliser ces technologies pour le contrôle qualité et la détection des contrefaçons.

Toujours plus de secteurs envisagent de migrer leurs opérations dans le cloud, augmentant ainsi la disponibilité des données d’entraînement. Alors que les capacités d’IA et de ML augmentent de manière exponentielle, ces solutions révèlent un véritable potentiel pour aider ces secteurs à rapidement améliorer la qualité et la performance de leurs produits.