Compte-rendu du Comptoir OCTO x La Duck Conf - Utiliser une solution d'edge Open Source pour améliorer l'inspection visuelle dans vos usines
Ce comptoir a eu lieu le 09 mars 2023 et a été animé par:
Karim Sayadi, Head of Augmented Industry @OCTO Technology
Yannick Drant, Senior Consultant - Big Data Analytics @OCTO Technology
Karim et Yannick sont des Machine Learning ingénieurs qui ont travaillé essentiellement sur les problématiques de la donnée dans le milieu industriel. Le sujet de ce comptoir est l’inspection visuelle et plus précisément focalisé sur une solution développée par notre équipe et partagée en open source: VIO (Visual Inspection Orchestrator).
Dans le contexte du “digital manufacturing”, l’inspection visuelle fait partie d’un des use cases de l’industrie où on va poser une caméra et automatiser soit, l’inspection qualité, soit l’inspection visuelle de nos opérations (par exemple, pour une inspection de corrosion sur des bâteaux ou bien pour l’automatisation du contrôle qualité sur des sièges de voitures).
L’inspection visuelle vient dans le contexte global du digital manufacturing, où de nombreux capteurs vont remonter une grande quantité de données hétérogènes. Ces données ont potentiellement besoin d’une couche de nettoyage, de normalisation, de mise en forme (appelée couche sémantique). Ces données industrielles vont pouvoir servir à plusieurs use cases (control tower, maintenance prédictive, inspection visuelle,...).
Les étapes de développement d’une solution d’inspection visuelle commencent par l’identification d’un besoin sous la forme d’un cas concret qui va apporter de la valeur business (rapporter de l’argent en réduisant les défauts de non qualité par exemple). Si le cas d’usage a une certaine valeur business, nous allons passer sur une phase de PoC afin de prouver la faisabilité technique de cet use case. Ensuite, le déploiement de ce PoC sur la ligne passera par une phase de MVP pour valider la pertinence en se confrontant à la ligne de production. Finalement, le passage à l’échelle (sur plusieurs lignes ou plusieurs usines) peut être envisagé. Souvent, ce passage à l’échelle est un point dur et compliqué pour l’industriel confronté à la réalité de l’infrastructure de l’usine et aux réalités du vrai déploiement souvent freiné par les contraintes réseau (cybersécurité, connexion cloud).
La plate-forme que nous avons développée permet de proposer un standard et d’accélérer ce passage à l'échelle qui reste l’étape la plus critique pour déployer l’inspection visuelle. La solution VIO hub est une approche centralisée qui va permettre de monitorer toutes les caméras, tous les modèles, tous les edges en apportant un certain niveau de standardisation de ce déploiement. VIO vient sur les étapes 2 et 3.
Plusieurs projets nous ont permis d’identifier un processus à 4 étapes.
Acquisition(prise de photos)
Inférence (modèle entraîné pour capturer le défaut)
Décision métier
Stockage de l’inférence (dashboard de suivi de qualité, suivi de rendement de la machine,...)
Des exemples de projets et d’applications que nous avons menés mettent en évidence des patterns comme l’absence ou présence de défauts, l’absence ou présence d’un composant, l’absence ou présence de quelque chose nécessitant une intervention, par exemple un défaut sur du plastique ou une plaque d’aluminium).
VIO va permettre de faire émerger ce pattern grâce à un socle générique permettant d’accélérer le passage à l’échelle. L’activité de développement et d'entraînement des modèles sera laissée au data-scientist qui pourra se focaliser sur cet aspect métier. La genèse de VIO a été amorcée pour aller directement et rapidement en production, s’adapter facilement à l’environnement du client et être scalable. VIO est accessible en mode open source, consultable et pouvant être installé par l’industriel de façon autonome.
VIO est aussi une brique MLOPs qui permet de gérer la dualité entre edge et cloud. L'entraînement du modèle est géré du côté du cloud. Le modèle est alors déployé au plus proche de la machine, en edge. Un des intérêts de VIO est que la partie manufacturing reste maître des mises à jour des différents edges. La gestion de la flotte d’appareils connectés est une fonctionnalité développée pour VIO et qui permet d’avoir un clair avec l’IT local dès le début du projet. VIO est aussi cloud agnostique.
L’objectif du framework VIO est d’être “Une plateforme centralisée dédiée à l’inspection visuelle qui permet de gérer le cycle de vie de la donnée, des modèles, ainsi que du hardware en usines de manière standardisée et scalable”. VIO est donc un framework modulaire qui va permettre de gérer toutes les phases de l’inspection visuelle (capture du signal, prédiction avec un modèle versionné, prise de décision business, enregistrement et stockage de la décision avec les metadata associées).
VIO permet d'intégrer la gestion de cycle de vie de la donnée, le versioning des modèles de Machine Learning et la gestion du hardware. Cette standardisation de la gestion des différentes étapes de l’inspection visuelle multi-lignes, multi-usines va permettre de faciliter et d’accélérer le passage à l’échelle.
La partie business logique est au cœur de VIO. Tous les types de capteurs peuvent être intégrés dans VIO. Le cœur de notre application, ce n’est pas la technologie autour du use case mais plutôt le cas d’usage qui va être déployé.
L’utilisation d’un outil d'inspection visuelle permet donc de réduire (parfois drastiquement) les coûts de non qualité d'une chaîne de production. Mais automatiser cette étape clé présente de nombreux challenges… C’est pour cela que nous avons développé VIO, notre plateforme de solution edge pour l'inspection visuelle aujourd'hui en Open Source. VIO permet d’accélérer le passage à l’échelle de ce type de projet d’inspection visuelle.