Secteur(s) : Industrie

Détecter des défauts de surface d’un film plastique lors de sa production

0 %

de baisse des fausses alarmes

Client :

Technologies utilisées :

Machine Learning

Deep Learning

Vision & Fusion capteurs

Leader dans son secteur depuis plus de 40 ans, Novacel met constamment l'accent sur l'expertise et l'innovation afin de fournir à ses clients et partenaires les solutions de surface les plus appropriées pour préserver la valeur de leurs matériaux, et ce dans le monde entier.

Offrant une gamme complète de films, d'adhésifs, de papiers et de machines techniques , nous pouvons vous assister tout au long de vos processus industriels dans tous les segments de marché.

Partenaires de votre réussite, nos équipes travaillent quotidiennement à vos côtés pour développer des produits fiables et performants avec une technologie inégalée et des services personnalisés.

Adoptant une stratégie de responsabilité proactive, nous nous engageons à suivre vos politiques sociales et environnementales.

Novacel se présente comme votre expert en solutions de surface responsables capable de valoriser tous vos matériaux.

Pour cela, nos équipes innovent en permanence et travaillent avec des partenaires et fournisseurs sélectionnés qui partagent notre vision de l'industrie.

Source : https://www.linkedin.com/company/novacel-solutions

Enjeux

Moderniser l'outil de détection et de contrôle de défauts déjà en place sur les lignes de production du client, pour améliorer les performances et réduire le temps de contrôle humain.
Une ligne de production est équipée de quatre caméras linéaires reliées à un PC via une carte d'acquisition.

Démarche

L'objectif est de développer un algorithme Deep Learning de segmentation et de l'intégrer dans l'outil existant de manière transparente pour les opérateurs.
La détection est faite en temps réel et doit suivre la cadence imposée par la ligne (vitesse de défilement du film).
Les défauts sont filtrés en fonction de leur surface, orientation et longueur, avant d'être affichés sur l'IHM.
Échanges avec les experts métiers, compréhension du besoin et choix du nouveau matériel pour héberger les modèles IA.
Collecte de données (images) et annotation des défauts en concertation avec le client, pour l'entraînement des modèles.
Mise en place d'un segmenteur sémantique Deep Learning, augmentation de données, entrainement sur les serveurs GPUs de Probayes, puis optimisation du temps d'inférence.
Evaluation du modèle sur un jeu test, puis en temps réel sur un banc de test
Installation et réglage chez le client.

Résultat

Baisse de 75% des fausses alarmes
Livraison d'un système complet (PC + module logiciel) modernisé.
Une collecte de données complémentaire est prévue pour affiner le modèle (ajout de nouveaux défauts, images non compressées, sans artefacts)