IA et contrôle qualité : quand l’humain garde la main

Composant manquant, soudure fragile, polarité inversée, griffe, corps étranger telle qu’une vis qui tombe sur le produit : sur une chaine de production de pièces électroniques pour l’automobile telle que celle de l’entreprise AISIN Europe, les défauts, même s’ils sont rares, doivent pouvoir être détectés de manière immédiate et pertinente. « Mon objectif était de pouvoir apprendre à un ordinateur à repérer ce qui est normal et ce qui est anormal dans des images », résume Arnaud Bougaham, ingénieur data scientist au sein de l’entreprise AISIN EUROPE mais aussi chercheur associé à la Faculté d’informatique de l’UNamur. 

Sur une ligne de production, des images sont en effet prises par des caméras placées au-dessus d’un convoyeur et un système informatique est alors chargé de vérifier, à grande cadence, que chaque pièce est conforme. « Or, si le système d’inspection traditionnel fait bien son travail, il génère aussi beaucoup de faux positifs, de fausses alertes. Ce qui impacte fortement le travail des personnes chargées de confirmer ou infirmer les alertes : elles sont sollicitées sans relâche au risque d’y perdre du temps et de l’énergie ». C’est ce processus qu’Arnaud Bougaham a décidé d’améliorer pour son entreprise en commençant en 2020 une thèse de doctorat au sein du laboratoire HuMaLearn de la Faculté d’informatique reconnu pour son expertise en machine learning, sous la supervision des professeurs Benoit Frenay et Isabelle Linden.

De plus le modèle permet aussi, lorsqu’un défaut est soupçonné, d’afficher précisément la zone concernée : l’opérateur peut visualiser l’indication, manipuler la pièce si nécessaire, puis trancher. 

Autre plus-value de l’outil développé ? Le système n’affiche pas seulement un verdict, il indique aussi la confiance que le système a dans sa prédiction. « L’objectif est de filtrer les cas simples et d’attirer l’attention sur des cas plus complexes, afin que les experts ne soient plus noyés par de mauvais diagnostics et puissent se concentrer sur l’essentiel », insiste Arnaud Bougaham.

Si l’outil a avant tout été conçu pour répondre au besoin de l’entreprise de production automobile, la logique est générique. « Il pourrait être transposable au sein d’usines qui fabriquent du parquet, du bois, du tissu. Mais aussi dans le secteur médical », s’enthousiasme Arnaud Bougaham. « Une maladie, c’est finalement une anomalie dans une image. Les contraintes se ressemblent : quand il y a un défaut, il faut absolument le détecter, tout en limitant, autant que possible, les fausses alertes. Dans le secteur médical, avoir un outil similaire qui dégrossit l’analyse tout en laissant la responsabilité au médecin peut être impactant. »

La thèse d’Arnaud Bougaham est née d’un double ancrage : doctorant à l’UNamur et, en parallèle, ingénieur chez AISIN Europe. Cette position lui a donné accès à ce qu’il appelle « la vérité terrain ». « En laboratoire, on peut obtenir de très bons résultats, mais en production il y a une réalité avec un environnement précis. » Données bruitées, conditions variables, contraintes de coûts, et surtout cadence : « il faut que notre système fonctionne au rythme de la ligne ». En partageant son temps de travail entre l’entreprise AISIN Europe et l’UNamur, Arnaud Bougaham démontre ainsi comment une thèse peut avoir un impact concret sur les besoins du terrain. Le tout en devant concilier les fonctionnements et obligations de chacun. 

Au-delà des promesses, ces travaux sont déjà confrontés à des cas d’usage concrets. Au sein d’AISIN Europe, le cadre développé est notamment en intégration au sein d’une ligne de production active pour détecter des composants inattendus (comme une vis) sur les cartes de circuits imprimés. Dans le domaine médical, l’approche est orientée pour l’analyse de la réceptivité au coma via un examen d’imagerie médicale qui permet d’observer le fonctionnement des organes et des tissus. Certaines techniques sont également reprises pour une application de segmentation du cancer de l’ovaire ou du lymphome.

Ces résultats démontrent aussi comment une intelligence artificielle peut être fiable et centrée sur l’humain dans des environnements à haut risque.