Exploiter le potentiel de l’intelligence artificielle (IA) dans le secteur de l’emballage et du conditionnement

Par Stefan Fischereder, chef de produit IA chez KEBA Industrial Automation.

Ces dernières années, le grand public a pu constater le pouvoir transformatif de l’IA. Les entreprises de l’industrie pourraient, elles-aussi, en tirer parti. En effet, des applications telles que l’emballage ou le contrôle qualité automatisés peuvent être optimisées, avec davantage de précision et d’efficacité. Encore faut-il disposer des ressources matérielles et logicielles adéquates pour que l’IA mette en lumière tout son potentiel dans l’atelier.

L’entraînement, phase incontournable d’un modèle d’IA performant
Un modèle d’intelligence artificielle de reconnaissance d’objets se fonde sur un long processus d’apprentissage. Il faut en premier lieu rassembler un maximum d’images que l’on va ensuite transmettre à un modèle d’IA. Dès lors, l’élément spécifique est annoté, puis positionné dans divers environnements, sous différents angles et arrière-plans, dans différentes positions et conditions de luminosité. Toutes ces images serviront de base de connaissances au réseau neuronal rassemblant des ensembles de données vastes et génériques.
Afin de répondre à un besoin précis, il convient d’optimiser ce réseau. Est alors appliquée la méthode dite de « transfer learning », et plus particulièrement de « fine-tuning », une technique permettant de spécialiser un modèle pré-entraîné de « Machine Learning » sur une tâche spécifique. Le réseau neuronal complet est ensuite ajusté pour permettre au modèle de s’adapter progressivement à la nouvelle tâche tout en conservant les connaissances précédentes. Dans le cas des tâches de vision par ordinateur, ce réseau de neurones profond va permettre une reconnaissance optimisée, et en temps réel, des objets avec lesquels interagir.

L’IA optimise les applications fondées sur la vision
Une telle capacité peut s’avérer très utile dans une multitude d’applications industrielles, en particulier dans le secteur de l’agroalimentaire. Par exemple, pour une opération automatisée de mise en boite de biscuits, on prend traditionnellement en photo les produits, qui circulent sur un convoyeur, pour indiquer leurs coordonnées à un robot de pick & place. Ce dernier les récupérera ensuite selon les informations que l’on lui a transmises. Si un événement extérieur se produit entre temps et que les coordonnées des biscuits changent, le robot aura beaucoup plus de difficultés à les prendre.
En revanche, grâce à un système de vision alimenté par un modèle d’IA, il saura les reconnaître précisément, quelle que soit sa position, et donc les récupérer efficacement. Même son de cloche pour le contrôle qualité : on peut s’assurer qu’une salade composée contient toujours la même quantité d’ingrédients en fin de ligne. Une aubaine pour les entreprises de l’agroalimentaire, qui pourraient voir leur productivité augmenter sur les opérations concernées, tout en réduisant la pénibilité. Toutefois, la grande difficulté réside aujourd’hui dans la manière de les intégrer efficacement dans une cellule automatisée en vue d’optimiser une application industrielle donnée.

Accélérer l’adoption de l’IA en milieu industriel
Pour le traitement des données visuelles, différents systèmes – tels qu’un contrôleur robot, un PLC, un PC dédié à la vision, ou encore un PC industriel – peuvent être utilisés, selon les besoins spécifiques de l’application. Pour mettre en œuvre cette dernière, il faut traditionnellement avoir recours à plusieurs systèmes tiers, tous devant être paramétrés et programmés, ainsi qu’à divers outils issus de différents fabricants. Chronophage et fastidieux en matière de codage, le déploiement de ces dispositifs est également coûteux et constitue un frein à la démocratisation de l’IA dans l’industrie.
L’informatique en périphérie (traiter des données directement sur les appareils plutôt que sur des serveurs cloud centralisés) devient alors cruciale. Elle améliore la réactivité en temps réel, la confidentialité des données et l’efficacité générale. Pour ce faire, des modules, utilisés en tant qu’extension, vont accélérer les tâches d’intelligence artificielle, notamment durant la phase d’inférence où les modèles prédisent à partir de nouvelles données.
Disposant d’une architecture ouverte, ces modules permettent d’exécuter des tâches d’IA directement à partir d’un code PLC. Leur capacité d’analyse de données en temps réel – déterminante pour les opérations sensibles au facteur temps et exigeant une grande flexibilité telles que l’emballage ou le contrôle qualité – constitue alors un avantage de taille et une opportunité qu’il convient de saisir.