Inspection visuelle de la qualité perçue à l'aide de l'apprentissage automatique

L'article « Contrôle visuel de la qualité perçue par apprentissage automatique » propose un système automatisé de contrôle qualité en milieu industriel afin de répondre à la subjectivité et à la variabilité des inspections humaines. Il présente une approche d'apprentissage automatique utilisant YoloV5 pour la détection des défauts et XGBoost pour l'estimation de la gravité, en utilisant un nouvel ensemble de données de plaques en PVC présentant divers défauts. Les résultats montrent une grande précision dans la détection des défauts et l'estimation de leur gravité, avec une précision moyenne (mAP) de 0,99. Des tests pratiques avec des opérateurs humains confirment la robustesse et l'efficacité du modèle. L'étude met en évidence le potentiel de l'apprentissage automatique pour améliorer l'efficacité et la fiabilité des processus de contrôle qualité dans les environnements industriels.

Afin de garantir la qualité des produits industriels, il est nécessaire de mettre en œuvre des contrôles de qualité perçus dans les pièces fabriquées. Cependant, cette tâche est complexe en raison de ses aspects chronophages et dangereux, en raison de la subjectivité de l'inspection des différents opérateurs. Nous proposons une approche visant à détecter, classer et évaluer les défauts de qualité perçue afin d'aider les opérateurs dans cette tâche. Pour évaluer notre méthodologie, nous avons créé un nouveau cas d'utilisation. Notre approche est évaluée en fonction de deux critères, la détection automatique des défauts et l'estimation de leur criticité.