Vision industrielle Aussi performant qu'un contrôleur humain, voire meilleur

Related Vendors

MVTec Software GmbH

Sick AG

Kärcher AG

FACTUREE - Der Online-Fertiger

Grâce aux progrès technologiques continus, de plus en plus de tâches peuvent être automatisées avec succès au moyen de la vision industrielle. Une application particulièrement exigeante a été réalisée chez le laboratoire pharmaceutique Aspen Notre-Dame-De-Bondeville : des ampoules remplies doivent y être inspectées pour détecter d'éventuelles particules étrangères. Avec l'aide du logiciel de vision industrielle MVTec HALCON et du service client de MVTec, l'objectif a été atteint : porter l'assurance qualité à un niveau supérieur.

L'intelligence artificielle est de plus en plus utilisée dans les environnements industriels, permettant l'automatisation de tâches toujours plus complexes. Les entreprises en tirent des gains d'efficacité considérables dans différents domaines. La vision industrielle joue ici un rôle clé, car les environnements de production fournissent rapidement de grands volumes d'images servant de données d'entraînement. L'entreprise pharmaceutique Aspen, dont le siège se situe à Durban en Afrique du Sud, a également identifié le potentiel de combiner la vision industrielle et le Deep Learning. Active dans les secteurs de la santé et del'industrie pharmaceutique, elle exploite aussi des sites en Europe, notamment à Notre-Dame-de-Bondeville en France. C'est là que les ingrédients de la formulation sont pesés, mélangés, puis remplis dans des ampoules lors d'un processus ultérieur. « Notre objectif était d'automatiser l'inspection des ampoules afin de détecter d'éventuelles particules étrangères. L'assurance qualité des produits pharmaceutiques est d'une importance critique. Il était donc indispensable que la nouvelle solution atteigne au minimum les taux de détection du processus précédent, une inspection manuelle, ou mieux, qu'elle les dépasse », explique Mickael Denis, manager opérationnel vision industrielle. Vincent Trombetta, automatic visual inspection expert chez Aspen, poursuit : « Il était évident qu'une telle tâche ne pouvait être automatisée qu'avec des technologies Deep Learning. Pour la mise en œuvre, qui nécessitait un savoir-faire approfondi, nous avons fait appel aux services de conseil de MVTec Software GmbH. La machine d'inspection intégrant déjà une solution basée sur MVTec HALCON, il était logique de recourir directement au fabricant. »

Défis spécifiques du secteur pharmaceutique

À Notre-Dame-de-Bondeville, où se trouve la ligne concernée, les ampoules en plastique sont d'abord formées par soufflage, puis remplies et enfin scellées. Toutes ces étapes sont réalisées dans une seule machine, garantissant un processus hautement hygiénique. Ainsi, les risques de contamination par des particules étrangères sont extrêmement faibles. Malgré cela, la production s'effectue en salle blanche pour réduire encore davantage toute possibilité de contamination. Ce processus est appelé BFS (Blow, Fill and Seal).

Galerie d'images

Après le remplissage et le scellage, les ampoules sont transportées vers une zone d'inspection et de conditionnement. Elles y sont contrôlées pour détecter d'éventuels défauts. Autrefois, les opérateurs devaient inspecter manuellement chaque ampoule en la manipulant individuellement et en l'examinant sous tous les angles afin de vérifier son intégrité, le niveau de remplissage, ainsi que la présence éventuelle de particules. La difficulté réside principalement dans le fait que le liquide contenu dans les ampoules peut et doit contenir des bulles, qui sont très difficiles à distinguer de véritables particules étrangères. Même pour les inspecteurs humains, les particules en suspension peuvent être difficiles à repérer : elles peuvent adhérer aux parois, se déposer au fond ou demeurer peu visibles en raison de la viscosité de l'eau. L'inspection manuelle est donc extrêmement chronophage et coûteuse. D'où l'objectif de l'automatiser. « Comme l'inspection devait être effectuée visuellement, il était clair que nous ne pouvions utiliser que la vision industrielle. Nous devions également répondre aux processus de validation particulièrement exigeants du secteur pharmaceutique. Ils garantissent que la nouvelle installation inspecte les ampoules à la vitesse requise tout en assurant le plus haut niveau de précision et de robustesse », précise Mickael Denis.

Inspection des ampoules à l'aide de 14 images

La nouvelle installation utilise douze caméras compatibles GigE Vision. L'éclairage joue également un rôle clé pour rendre les particules facilement visibles. Le traitement d'images s'effectue sur des IPC industriels, et la solution logicielle repose sur MVTec HALCON. Ce logiciel standard pour la vision industrielle propose plus de 2100 opérateurs permettant de réaliser pratiquement toutes les tâches de traitement d'images, y compris de nombreuses méthodes Deep Learning. Aspen exploite précisément ces fonctionnalités. Face à un contexte aussi complexe, le Deep Learning présente de nets avantages par rapport aux approches classiques basées sur des règles. Avec des méthodes traditionnelles, il n'était pas possible de définir un ensemble de règles suffisamment robuste et flexible pour détecter correctement les défauts.

Concrètement, les ampoules d'essai sont déposées manuellement sur le convoyeur puis transportées vers la machine d'inspection. Les douze caméras sont positionnées de manière à capturer jusqu'à quatorze images de chaque ampoule à différentes stations. Cette grande diversité d'images profite à l'inspection basée sur le Deep Learning : certaines particules sont invisibles sur un angle, mais parfaitement visibles sur un autre. Une particule n'est considérée comme détectée que si elle apparaît dans un nombre suffisant d'images, ce qui réduit efficacement les faux positifs.

Une fois les images acquises, elles sont transmises à MVTec HALCON, qui exécute différentes méthodes de traitement d'images. Pour la détection de particules, Aspen utilise la segmentation sémantique basée sur le Deep Learning intégrée à HALCON. D'autres tâches d'inspection sont réalisées en parallèle, notamment la détection de défauts dits « cosmétiques ». Il s'agit par exemple de vérifier le niveau de remplissage, la conformité de la couleur et l'intégrité du scellage. Ces tâches reposent sur des méthodes classiques telles que le matching et l'analyse de blobs, qui offrent une très grande robustesse et des temps de traitement courts lorsque l'application s'y prête. Au terme du processus, chaque ampoule reçoit un verdict clair : OK ou NOK.

MVTec fournit un accompagnement conceptuel et logiciel

« Le projet était très complexe, certainement l'un des plus exigeants auxquels nous ayons été confrontés. Cela concernait en particulier la préparation des images pour l'entraînement. Nous avons été sollicités pour soutenir la préparation conceptuelle, l'implémentation des procédures et la documentation », explique Patrick Ratzinger, project manager chez MVTec. Le Deep Learning nécessite une préparation rigoureuse des images pour garantir une prise de décision fiable. MVTec a contribué à trier, retoucher, recombiner et entraîner plusieurs fois les données préalablement annotées par Aspen. Le même jeu de données a été entraîné à plusieurs reprises afin de comparer les résultats. MVTec a ainsi conçu un réseau neuronal qu'Aspen peut utiliser directement sur sa ligne d'inspection. Ce réseau est entraîné pour segmenter les particules sur le fond et les identifier de manière fiable. Pour l'entraînement, des ampoules de test ont été manipulées afin de simuler des défauts possibles. Les images correspondantes ont été capturées puis annotées avec le Deep Learning Tool de MVTec, un produit conçu pour préparer des images destinées aux applications Deep Learning. Les données annotées, y compris les images sans défaut, ont ensuite été réunies dans un ensemble de données utilisé pour entraîner les réseaux. Les différents entraînements ont été évalués pour vérifier leur performance dans des conditions réelles.

« Grâce à ce projet, nous avons acquis une solide connaissance des données et de leur utilisation – notamment de la meilleure manière d'annoter les défauts, de structurer les datasets, et d'interpréter les résultats. Cet ensemble de connaissances a été transmis à Aspen dans le cadre de notre accompagnement », ajoute Patrick Ratzinger.

Taux de détection robustes : augmentation de la précision et réduction des faux négatifs

Les deux lignes de production sont désormais en service. « Nous voulions une application conforme à l'état de l'art de la vision industrielle. L'utilisation du Deep Learning s'imposait, notamment pour renforcer notre expertise interne. Avec le soutien de MVTec, nous avons nettement amélioré le taux de détection des défauts et réduit de manière significative les faux négatifs », explique Vincent Trombetta. L'entreprise prévoit de poursuivre ses efforts d'automatisation reposant sur la vision industrielle.

(ID:50672588)