L'intelligence artificielle dans les syst\u00e8mes de vision<\/strong><\/p>\n\n\n\n Je commencerais par expliquer bri\u00e8vement les termes et les principes de fonctionnement. Je commencerai par dire que ce qui suit est une grande simplification de cette science complexe, avec des termes qui ne sont pas toujours scientifiquement appropri\u00e9s.<\/p>\n\n\n\n Apprentissage machine, apprentissage profond et r\u00e9seaux de neurones<\/strong> font tous partie de la grande famille desIntelligence artificielle<\/strong>.<\/p>\n\n\n\n Le Apprentissage automatique<\/strong> (en italien Apprentissage automatique<\/strong>) sont un ensemble d'algorithmes permettant d'apprendre des informations et de g\u00e9n\u00e9rer des d\u00e9cisions \u00e0 partir d'un ensemble de donn\u00e9es d'apprentissage sans utiliser de mod\u00e8les math\u00e9matiques ou statistiques pr\u00e9d\u00e9termin\u00e9s.<\/p>\n\n\n\n En pratique, dans les syst\u00e8mes de vision artificielle utilisant l'apprentissage machine, on fournit g\u00e9n\u00e9ralement \u00e0 l'algorithme une s\u00e9rie d'images de d\u00e9fauts afin qu'ils soient reconnus comme tels par la suite.<\/p>\n\n\n\n Cette action est appel\u00e9e Apprentissage supervis\u00e9 <\/strong>et c'est le type d'apprentissage le plus utilis\u00e9 dans les syst\u00e8mes de vision artificielle de ce type. Les donn\u00e9es d'apprentissage d'entr\u00e9e (les images des d\u00e9fauts et les informations relatives \u00e0 leur caract\u00e9risation) sont s\u00e9lectionn\u00e9es manuellement, c'est-\u00e0-dire supervis\u00e9es. Toutes ces informations sont \"dig\u00e9r\u00e9es\" par l'algorithme de telle sorte qu'il identifie une r\u00e8gle g\u00e9n\u00e9rale qui lui permet de trouver les d\u00e9fauts catalogu\u00e9s dans les images qu'il verra de temps en temps.<\/p>\n\n\n\n Une sorte de bo\u00eete magique qui apprend des images de d\u00e9fauts et fournit un jugement sur l'image que vous voyez \u00e0 ce moment.<\/p>\n\n\n\n Dans notre bo\u00eete magique se trouvent quelques r\u00e9seaux de neurones<\/strong>c'est-\u00e0-dire des algorithmes capables d'apprendre, un peu comme l'esprit humain. En 2019, pas moins de 29 types de r\u00e9seaux de neurones<\/strong>5 d'entre eux sont d\u00e9finis comme Profond\u00e9ment.<\/strong> La principale diff\u00e9rence entre un r\u00e9seau neuronal simple<\/strong> et un r\u00e9seau neuronal profond<\/strong> est dans le nombre de couches interm\u00e9diaires cach\u00e9es. Le r\u00e9seau neuronal simple ne comporte qu'une seule couche interm\u00e9diaire, contrairement au r\u00e9seau neuronal profond qui en comporte plusieurs, chaque couche correspondant \u00e0 un niveau diff\u00e9rent d'abstraction du \"raisonnement\".<\/p>\n\n\n\n Le Apprentissage approfondi<\/strong>L'\u00e9laboration de l'information par un r\u00e9seau neuronal profond donne des r\u00e9sultats souvent plus fiables que ceux d'un r\u00e9seau neuronal monocouche.<\/p>\n\n\n\n Avantages et inconv\u00e9nients de l'apprentissage automatique dans les syst\u00e8mes de vision artificielle<\/strong><\/p>\n\n\n\n L'apprentissage machine et l'apprentissage approfondi sont deux mots qui ont \u00e9t\u00e9 beaucoup utilis\u00e9s ces derniers temps dans l'environnement de l'industrie 4.0. Ind\u00e9pendamment des aspects \"\u00e0 la mode\" des deux termes, nous devrions comprendre si ces technologies peuvent \u00eatre utilis\u00e9es de mani\u00e8re rentable.<\/p>\n\n\n\n La r\u00e9ponse \u00e0 cette question d\u00e9pend du type d'application du syst\u00e8me de vision.<\/p>\n\n\n\n Examinons les principaux avantages.<\/p>\n\n\n\n Examinons maintenant les inconv\u00e9nients.<\/p>\n\n\n\n Solution VEA pour l'apprentissage machine dans les syst\u00e8mes de vision<\/strong><\/p>\n\n\n\n Des tests effectu\u00e9s chez certains de nos clients ont montr\u00e9 que les technologies d'apprentissage approfondi sont tr\u00e8s bonnes car elles sont capables de cataloguer efficacement un bon nombre de d\u00e9fauts, mais elles sont co\u00fbteuses \u00e0 g\u00e9rer et ne sont pas capables de surmonter le niveau de fiabilit\u00e9 que pr\u00e9sentent les algorithmes propri\u00e9taires actuels en \"logique hybride\". En fait, les algorithmes actuels VEA en \"logique hybride\" sont aujourd'hui plus fonctionnels, plus rapides \u00e0 mettre en \u0153uvre et surtout plus fiables et contr\u00f4lables qu'un r\u00e9seau neuronal \"profond\".<\/p>\n\n\n\n Les algorithmes en \"logique hybride\", d\u00e9velopp\u00e9s depuis 2007 par VEA, adoptent d\u00e9j\u00e0 un apprentissage supervis\u00e9 pr\u00e9\u00e9tabli partiellement bas\u00e9 sur le r\u00e9seau de neurones, mais en adoptant des logiques statistiques et math\u00e9matiques pour renforcer sa stabilit\u00e9.<\/p>\n\n\n\n Les derniers types de r\u00e9seaux neuronaux profonds, ainsi que la capacit\u00e9 d'\u00e9laboration croissante des processeurs, pr\u00e9sentent cependant plusieurs avantages. La solution consiste donc \u00e0 minimiser les inconv\u00e9nients.<\/p>\n\n\n\n D'o\u00f9 la technologie propri\u00e9taire L'apprentissage machine r\u00e9glement\u00e9<\/strong>. Il s'agit d'un ensemble d'algorithmes hybrides form\u00e9s par deux ensembles de logique distincts.<\/p>\n\n\n\n Le premier groupe \"d'apprentissage\" est form\u00e9 par les logiques d'apprentissage approfondi qui apprennent l'histoire des d\u00e9fauts, en r\u00e9sumant les concepts.<\/p>\n\n\n\n Le second groupe \"supervision\" est form\u00e9 par des logiques hybrides capables d'\u00e9valuer si le r\u00e9sultat du groupe \"apprentissage\" est suffisamment fiable, dans le cas contraire les r\u00e9sultats des logiques de \"supervision\" sont pris comme r\u00e9f\u00e9rence.<\/p>\n\n\n\n L'utilisation compl\u00e9mentaire des deux logiques a donn\u00e9 jusqu'\u00e0 pr\u00e9sent d'excellents r\u00e9sultats sans perdre en fiabilit\u00e9.<\/p>\n\n\n\n De plus, le niveau d'abstraction des logiques d'apprentissage approfondi est si \u00e9lev\u00e9 qu'il permet la construction de \"paquets\" d'apprentissage pr\u00e9-constitu\u00e9s, \u00e9vitant ainsi des sessions d'apprentissage longues et co\u00fbteuses aux d\u00e9pens du client.<\/p>","protected":false},"excerpt":{"rendered":" Les syst\u00e8mes de vision artificielle font de plus en plus appel aux technologies d'apprentissage automatique, d'apprentissage profond et de r\u00e9seau neuronal. La signification de ces termes n'est pas toujours claire pour tout le monde. Cependant, ne faites pas l'erreur de consid\u00e9rer ces technologies comme la solution \u00e0 tout probl\u00e8me de vision. Mieux vaut alors conna\u00eetre les limites pour pouvoir ...<\/p>\n![\"apprentissage](\"https:\/\/vea.it\/wp-content\/uploads\/2021\/01\/deep-learning.png\")
<\/figure><\/div>\n\n\n\n