De plus en plus, les systèmes de vision industrielle réalisent le traitement en local des images. Ce qui limite les transferts de données au système central et décongestionne le réseau de transmission de l'entreprise.

L ection, la surveillance et la diffusion avision industrielle a fait d'énormes progrès au cours des dix dernières années. Les algorithmes de détection des contours et de détection du mouvement, d'une part, et les avancées technologiques en silicium avec leurs retombées pour les capteurs d'image, les réseaux logiques programmables, microcontrôleurs et processeurs graphiques (GPU), d'autre part, ont favo-risé l'intégration de cette vision industrielle dans les applications embarquées. En outre, afin de rendre cette technologie plus accessible aux concepteurs, les fabricants proposent aujourd'hui des éléments complexes directement téléchargeables sur FPGA, ainsi que de nouveaux environnements de développement (logiciel OpenCV, par exemple).

Cet engouement pour la vision industrielle va de pair avec une tendance à fusionner systèmes industriels et Internet des objets (IdO). L'utilisation de capteurs de plus en plus intelligents, sous le contrôle d'algorithmes de traitement des images, permet de recueillir des données précieuses sur le fonctionnement des équipements. Ce qui a pour conséquence d'ouvrir de nouvelles voies à la surveillance. Quant au développement de la vision industrielle, il s'explique, d'une part, par une nécessité d'optimisation des transferts de données (réduction de la consommation d'énergie et de la bande passante) et, d'autre part, par une recherche d'automatisation. L'une des applications phare de la vision industrielle concerne l'ins-pection. Or, au cours des dix dernières années, le prix des caméras à hautes performances –munies de détecteurs d'images CMOS– a chuté, ce qui a permis de démocratiser l'inspection de cartes et de systèmes électroniques. En outre, l'association de ces caméras à des FPGA a permis d'améliorer l'analyse des images et, in fine, la prise de décision. De tels dispositifs fournissent, en local, une réponse adaptée aux stimuli reçus, ce qui limite les transferts de données vidéo via les réseaux de transmission de l'entreprise.

Le rapprochement de l'inspection et de l'IdO a aussi permis d'enrichir l'ensemble des données servant à analyser les performances de l'usine. Plutôt que des données brutes, la vision industrielle «intelligente» fournit des informations déjà travaillées, directement assimilables par l'informatique de l'entreprise. Ce qui contribue à décongestionner le système informatique (ERP, etc.) qui doit gérer des millions de données –et de plus en plus de données du fait de la diffusion de l'Internet des objets. D'où une réduction de la charge du réseau de transmission et du serveur, en même temps qu'une amélioration de la prise de décision.

La vision industrielle : dispositif clé du robot

Les améliorations de la vision industrielle ont favorisé l'avènement de systèmes robotisés au sein de l'usine. De tels systèmes communiquent directement avec les autres équipements de l'atelier également dotés de vision. Ces intercommunications locales contribuent à la réduction des transferts d'in-formations aux serveurs centraux. C'est notamment dans le domaine de la manutention des matériaux –convoyage de matériaux dans l'usine, placement sur les machines, picking des produits dans les entrepôts…–, que la vision industrielle a révolutionné les pratiques. Outre le déplacement de robots filoguidés, la vision industrielle permet au-jourd'hui la détection d'obstacles en circulation dans l'atelier et favorise, de ce fait, une coopération sécurisée entre robots et employés. Dans le cas du picking, la vision industrielle permet d'identifier les produits recherchés via la lecture optique des codes à barres puis de saisir, via bras robotisé, les ar-ticles sélectionnés avant de les placer dans un panier.

La vision industrielle permet aux véhicules aériens sans pilote de mener à bien des opérations d'inspection dans des zones difficiles d'accès ou dangereuses, ainsi que des opérations logistiques.

La vision industrielle a également donné tout son sens aux véhicules aériens sans pilote (UAV pour Unmanned AerialVehicle ) en permettant à ceux-ci de mener à bien des opérations d'inspection dans des zones difficiles d'accès ou dangereuses (oléoducs, installations gazières…). Dans ce cas, la vision industrielle assure l'observation et la détection d'obstacles fixes et mobiles (drone en vol, par exemple).

Le décollage de la surveillance

Parce qu'elle permet le traitement automatisé et local des images, la vision industrielle a grandement favorisé l'essor de la surveillance vidéo. Pour ce, l'utilisation de FPGA a beaucoup contribué à la détection des objets (fixes ou en mouvement) ainsi qu'à leur différenciation. Et, aujourd'hui, le Machine Learning sert de locomotive à la diffusion des apprentissages – par exemple, le repérage d'un nouveau danger, avec émission d'une alerte. L'alliance de la vision industrielle et du véhicule autonome, notamment du drone, a encore dopé la surveillance; ce d'autant plus qu'aujourd'hui le véhicule autonome contrôle lui-même le niveau de sa batterie et, en cas de décharge de celle-ci, se dirige de lui-même vers la station de recharge en même temps qu'il avertit de la nécessité de son remplacement. La diffusion de l'utilisation de la vision industrielle a dopé le secteur de la surveillance. Ainsi, au lieu qu'elles soient inspectées par un employé, les vidéos sont désormais analysées localement avec une possibilité d'activation automatique d'alarmes. Ce domaine a béné-ficié de l'amélioration de la précision des algorithmes de traitement des images opérant à partir des FPGA. Ces algorithmes permettent aujourd'hui de différencier précisément les mouvements d'un intrus, d'un animal ou des branches d'un arbre. Il en résulte que l'employé en charge de la surveillance gère un nombre plus important d'équipements. En outre, aujourd'hui, les caméras se chargent d'apprendre «leur métier» à d'autres machines. De tels systèmes savent aussi demander l'aide de dispositifs plus précis en cas de doute. Des machines UAV sont également utilisées en agriculture, pour la surveillance des cultures; en cas de problème, le drone guide l'agriculteur (ou un appareil fonctionnant de manière autonome, comme, par exemple, un tracteur) vers la zone à traiter.

Des logiciels de traitement des images de plus en plus pointus

Les technologies logicielles et matérielles utilisées dans la vision industrielle progressent continûment. Ainsi, les algorithmes de traitement de l'image permettant la vision industrielle sont aujourd'hui téléchargeables par les FPGA et par les processeurs graphiques les plus récents. De tels composants savent gérer de 8 à 16 canaux simultanément, avec des fréquences de 60 images par seconde. Le fait qu'ils opèrent en liaison avec des logiciels de haut niveau, comme par exemple OpenCV, leur donne davantage d'ampleur.Ainsi, alors qu'il était initialement cantonné à des activités de recherche et développement, OpenCV est aujourd'hui très utilisé. En effet, la version 3.0 d'OpenCV a permis l'adaptation aux standards C++ et s'est ouverte à la vision 3D ainsi qu'à la réalité augmentée. La dernière version (3.1) inclut, quant à elle, des améliorations rela-tives aux algorithmes d'étalonnage, de gestion des flux optiques, de filtrage de l'image, ainsi que de détection-différenciation.

À l'avenir, le Machine Learning , qui repose sur l'utilisation de réseaux neuronaux, permettra un apprentissage rapide, automatisé et évolutif de ce qu'il faut surveiller. La version 3.1 d'OpenCV prend en charge de tels réseaux. La diffusion du Machine Learning est aussi favorisée par les améliorations des FPGA et des processeurs graphiques. Rappelons qu'un tel apprentissage s'effectue sous la houlette d'un serveur physique ou du cloud. Il inclut une phase durant laquelle diverses images sont présentées au réseau de neurones. Ces données sont pondérées en fonction de l'intérêt qu'elles présentent. Ensuite, ces pondérations sont transférées au réseau de neurones associé au FPGA ou au processeur graphique du système en question. Alors, ce système sait décoder les images proposées par la caméra et dépister les objets à problème. De telles fonctionnalités sont déjà présentes dans les systèmes de surveillance les plus modernes. Outre les fonctions traditionnelles d'enregistrement, de telles caméras disposent de fonctions supplémentaires pour, par exemple, la surveillance des foules, la reconnaissance faciale, le comptage de personnes, l'analyse des comportements…

Ainsi, l'évolution des technologies de la vision industrielle accentue le traitement local de données complexes. Ce qui réduit la charge de travail des serveurs centraux et permet le déploiement d'architectures décentralisées, moins consommatrices d'énergie, liée aux transmissions de données.