Outil d’analyse Rouge
|
|
L’outil d’analyse Rouge permet d’effectuer deux types de détection de défauts, la détection d’anomalies et la détection de défauts, ainsi que la segmentation en fonction du mode de fonctionnement (Non supervisé ou Supervisé). Différents modes de fonctionnement sont disponibles en raison des subtiles différences pouvant exister entre les deux types de détection de défauts. |
Mode Non supervisé
En mode Non supervisé, l’outil d’analyse Rouge apprend uniquement l’apparence des bonnes pièces (y compris toutes les variations acceptables), afin qu’il soit en mesure de détecter toutes les anomalies par rapport à l’apparence normale apprise. Ainsi, l’outil tente de trouver une description compacte de l’objet à inspecter. La capacité de l’outil à trouver des anomalies, en termes de sélectivité et de spécificité, dépend en grande partie de la densité du modèle. Si, par exemple, la pièce se présente sous différents types et différentes orientations, la densité est réduite et les ambiguïtés entre les types de pièces et leurs orientations peuvent empêcher l’outil de détecter certaines anomalies.
Mode Supervisé
En mode Supervisé, l’outil d’analyse Rouge apprend l’apparence des défauts. En tant que tel, il ne produit pas (du moins explicitement) un modèle de la pièce inspectée. Il dépend donc beaucoup moins de la configuration, du type ou de l’état de la pièce lors de l’acquisition de l’image. Cependant, l’outil d’analyse Rouge en mode Supervisé doit entraîner un modèle explicite avec les différents types de défauts. C’est pourquoi il a besoin de bons et de mauvais échantillons pour apprendre. Il est notamment important de disposer d’une collection représentative de mauvais échantillons (qui sont souvent assez difficiles à obtenir).
De plus, en mode Supervisé, un outil d’analyse Rouge peut être utilisé pour rechercher des différences autres que des défauts. L’outil peut être utilisé pour identifier les différentes régions d’une image qui sont censées y être. Un outil d’analyse Rouge en mode Supervisé peut être utilisé pour étiqueter les régions ciblées sur les images de training afin de pouvoir trouver et marquer des types de régions similaires sur les images non apprises après l’entraînement.
Les deux modes sont complémentaires, en termes de performances et d’exigences, et peuvent être utilisés de façon combinée. Par exemple, un outil en mode Non supervisé peut être utilisé pour, dans un premier temps, filtrer les anomalies visuelles, et un ou plusieurs outils en mode Supervisé et en aval peuvent, dans un second temps, servir à trouver des défauts spécifiques et visuellement difficiles à discerner comme des rayures, des taches à faible contraste ou des changements de texture.
| Défis | Mode Non supervisé | Mode Supervisé |
|---|---|---|
| Trouver des défauts inattendus | Probable | Peu probable |
| Nécessite des échantillons de défauts | Non | Oui |
| Sensibilité aux configurations et aux variations des pièces | Forte | Faible |
| Détecter des défauts de type éraflure, fissure ou encore craquelure | Difficile | Facile |
| Détecter des types de défauts spécifiques | Non | Possible |
| Paramètres de défauts mesurables (proches de la position et de l’intensité) | Aucun | Dimensions, forme |