Niko passe à un contrôle de qualité piloté par l'IA

Chaque jour, de grandes quantités de plastrons et d'autres matériaux de finition sortent de la chaîne de montage de l'usine Niko de Saint-Nicolas. Ces plastrons doivent être adaptés aux interrupteurs et aux prises de courant, et leur aspect doit être parfait. Pour le contrôle de la qualité chez Niko, il y avait encore beaucoup de place pour optimiser ce processus.

Vers un processus de tri automatisé

Dans le passé, le contrôle de la qualité était en partie automatique et en partie manuel. Par conséquent, une grande partie des bons plastrons étaient rejetés à tort, tandis que les plastrons imparfaits étaient approuvés. En conséquence, les coûts étaient plus élevés que prévu : les "bons" plastrons n'étaient pas vendus ou recyclés, et une partie des "mauvais" plastrons se retrouvaient de toute façon dans les magasins. Niko devait trouver un moyen d'automatiser le contrôle de la qualité afin de réduire ces erreurs et d'augmenter la rentabilité.

En collaboration avec delaware, Robovision a proposé une plateforme d'IA qui classe les défauts sans intervention humaine. "Dans le passé, les développeurs devaient cataloguer les défauts manuellement, mais aujourd'hui, grâce à l'apprentissage profond et à l'apprentissage automatique, la plateforme d'IA écrit elle-même l'algorithme", explique Jonathan Berte, PDG de Robovision.

Mettre le doigt sur les problèmes

"Dans le cas de Niko, nous avons utilisé quelques centaines d'images de plastrons parfaits et défectueux pour entraîner l'algorithme. Sur les plaques inacceptables, nous avons indiqué les défauts jusqu'au niveau du pixel. Grâce à l'IA et à la vision par ordinateur, nous avons pu repérer des défauts qui n'étaient même pas visibles à l'œil nu. Avec une caméra à haute vitesse, l'algorithme a immédiatement et correctement identifié chaque plaque défectueuse", explique Sven Arnauts, directeur de delaware.ai.

"La plateforme d'IA a écrit son propre algorithme en quelques heures seulement. Les principaux avantages sont la précision, la rentabilité et le gain de temps, mais il n'est pas nécessaire d'avoir des connaissances en programmation pour créer un algorithme. De plus, cette technologie fonctionne dans le nuage Microsoft Azure, et ne nécessite donc pas de parc de serveurs coûteux", explique Sven.

Avec l'aide de Robovision, Niko a pu réduire de 72 % le nombre de "bons" produits retirés par erreur du tapis roulant. Le nombre de 'mauvais' produits qui restaient à tort sur la bande transporteuse a été réduit de 33%", révèle Sven.

Le plein potentiel de l'IA

L'apprentissage profond n'est pas seulement utile pour cartographier automatiquement les écarts de production. Un autre avantage est qu'il n'est pas nécessaire d'entraîner à nouveau le système d'IA lorsque de nouvelles variantes de produits apparaissent, par exemple lorsque des plaques blanches sont remplacées par des plaques d'une autre couleur.

Toutefois, même si l'IA peut détecter chaque plastron défectueux, un bras robotisé ou un pousseur est nécessaire pour retirer les plaques défectueuses de la bande. "Gardez à l'esprit que ce n'est qu'en connectant l'IA à vos processus d'entreprise et à vos machines que vous pourrez en exploiter tout le potentiel", explique Jonathan. "L'IA vous aide à détecter les défauts, mais pour gagner en efficacité, vous devez également vous poser la question de savoir pourquoi il y a un défaut. Pour y répondre, il est nécessaire d'intégrer l'IA à votre solution de planification des ressources de l'entreprise (ERP) et aux machines de la chaîne de production. L'intégration des résultats du contrôle visuel de la qualité dans les processus de bout en bout de la chaîne d'approvisionnement (tels que les achats et les ventes), par exemple, peut se faire en connectant la solution de Robovision au système de mesure de la qualité d'une entreprise."