DEEP LIGHTING, le dôme multi-led qui corrige les spécularités
DEEP LIGHTING est un dôme multi-led et multidirectionnel qui permet, grâce à une ensemble d’algorithmes développés par les équipes de Deep capture, de corriger les problèmes de spécularités (tâches lumineuses) sur des pièces présentant de fortes propriétés réfléchissantes (pièces laquées, chromées, aciers, inox …).
Toutes les positions de source de lumières sont calibrées les unes par rapport aux autres. Les défauts sont affichés avec les algorithmes développés et les images sont nettoyés des informations restantes.
La prise de photos se fait avec un capteur d’images haute performance reposant sur la technologie CMOS fonctionnant à un framerate de 60 Fps. Il permet de mettre en avant de petits défauts de reliefs (inférieurs à 0,1mm) qui sont parfois invisibles à l’œil nu.
Comment fonctionne le processus de détection ?
L’utilisation de la technologie Deep Lighting fonctionne en apprentissage supervisé sur notre logiciel de détection DEEP CAPTURE.
La détection
Fonctionnant en apprentissage supervisé sur notre logiciel de détection DEEP CAPTURE, le modèle s’appuie sur un dataset des quelques milliers de photos présentant les défauts dans leur exhaustivité.
- Notre outil de labellisation en ligne DEEP LABEL permet une prise en main à distance de nos équipes et un travail collaboratif sur l’incrémentation du dataset.
- Des outils de segmentation permettent de définir des niveaux d’acceptation des défauts selon leur taille et leur nombre sur le stylo.
La vision industrielle en deep learning
Qu’est-ce que c’est ? Pourquoi c’est plus performant ?
Le deep learning (ou apprentissage profond) est un ensemble de techniques basé sur des réseaux de neurones dits artificiels. Le paradigme sous-jacent révolutionne la manière de concevoir des applications, et notamment dans le domaine de la vision industrielle. Nous sommes passés d’un développement de modèles déterministes validés par un ensemble de données métier et d’experts à un développement du modèle non déterministe qui apprend à résoudre les problèmes qui lui sont adressés à partir d’un grand nombre de données métier et d’essais successifs. Le gain produit par l’utilisation de ces techniques est la capacité pour le modèle d’apprendre à reconnaître des caractéristiques invisibles ou non conscientes car le développeur du logiciel n’aurait pas pu ou difficilement intégrer dans un modèle classique de vision industrielle.
La construction même de ces réseaux de neurones permet au modèle de s’adapter à reconnaître des objets pour lequel il n’a pas été spécifiquement entraîné. Cette caractéristique permet au deep learning d’être un outil incontournable de vision industrielle pour la recherche de défauts divers dans un environnement de production maîtrisé.
