La vision par ordinateur peut transformer des images en informations structurées : la présence d’un défaut, l’emplacement d’un objet ou l’état d’une surface. Un résultat utile dépend autant des données et des logiciels qui l’entourent que du modèle. TurnipSoftware Inc. associe une expérience pratique de l’entraînement de modèles à l’ingénierie nécessaire pour mettre l’analyse d’images au service des opérations.
CaptureImages recueillies sur le terrain ou sur site
PréparationOrganiser, annoter et vérifier les données
Entraînement et évaluationItérer sur des images représentatives
Intégration et revueLes résultats parviennent aux personnes et aux systèmes
Le travail autour d’un modèle de vision. La préparation des données et l’intégration demandent généralement autant d’efforts que l’entraînement.
Entraînement de modèles
Entraîner un modèle de vision consiste à choisir une approche adaptée, à préparer des exemples annotés et à itérer sur l’entraînement jusqu’à ce que le modèle se comporte bien sur des images qu’il n’a jamais vues.
Entraînement de modèles de vision par ordinateur et de réseaux de neurones.
Choix d’approches de modélisation adaptées au problème et aux données disponibles.
Évaluation sur des images représentatives de l’environnement réel.
Détection et analyse à partir d’images
Les cas d’usage de détection et d’analyse vont de la recherche de défauts sur une surface à la reconnaissance d’objets ou de situations dans une scène. La première étape consiste à définir précisément ce qui doit être détecté et ce qui constitue une réponse correcte.
Détection de défauts et d’anomalies dans des images.
Détection et classification d’objets.
Définition des critères de détection avec les personnes qui utilisent les résultats.
Collecte et préparation des données
L’essentiel de l’effort d’un projet de vision porte sur les données. Les images doivent être capturées de façon cohérente, organisées, annotées et rattachées au contexte dans lequel elles ont été prises.
Processus de collecte pour les images capturées sur le terrain ou sur site.
Organisation, annotation et préparation des données d’entraînement.
Pipelines qui acheminent les données capturées de la collecte jusqu’à l’entraînement.
Intégrer l’IA aux applications et aux opérations
Un modèle ne crée de la valeur que lorsque ses résultats parviennent aux personnes et aux systèmes qui agissent en conséquence. Cela suppose une intégration aux applications, une présentation claire des résultats et un moyen de les vérifier et de les corriger.
Intégration des résultats des modèles dans les applications et les processus métier.
Étapes de revue où des personnes confirment ou corrigent les résultats automatisés.
Suivi du comportement d’un modèle une fois en service.
Évaluation et prototypage
Tous les problèmes ne se prêtent pas à l’IA. Une courte évaluation et un prototype ciblé permettent de vérifier si une approche est réaliste avec les données dont vous disposez, avant un investissement plus important.
Évaluation des cas d’usage d’IA envisagés au regard des données et des contraintes disponibles.
Prototypes qui testent la faisabilité sur des exemples réels.
Recommandations claires, y compris lorsqu’une approche conventionnelle est le meilleur choix.
L’inspection visuelle des chaussées pour y repérer des défauts est lente et inégale. L’objectif était d’explorer la détection automatique des défauts à partir d’images capturées sur le terrain.
Des équipements industriels avaient besoin de logiciels capables de piloter des mouvements, de communiquer avec le matériel, d’effectuer une inspection optique et de proposer des processus clairs aux personnes qui les utilisaient.
Parlons de votre projet : Vision par ordinateur et IA appliquée
Contactez TurnipSoftware Inc. pour discuter d’un système de commerce de détail, d’une intégration logicielle, d’un projet de modernisation ou d’une occasion d’appliquer l’IA. Une courte description de votre situation actuelle et du résultat souhaité est un bon point de départ.