LA PUIS­SANCE DE CALCUL SE MET AU SER­VICE DE LA VI­SION

Pro­fi­tant de l’ac­crois­se­ment de la puis­sance de calcul ex­ploi­table, la vi­sion in­dus­trielle évo­lue. De nou­velles ap­pli­ca­tions ap­pa­raissent, comme l’ap­pren­tis­sage au­to­ma­tique. D’autres s’im­plantent de plus en plus sû­re­ment, comme la 3D, ou s’em­barquent plus

Mesures - - Front Page -

La puis­sance de calcul est une res­source tou­jours plus ac­ces­sible. Cette ten­dance a un im­pact im­por­tant sur la vi­sion in­dus­trielle : elle rend pos­sible au­jourd’hui de nom­breuses ap­pli­ca­tions qui n’au­raient pas pu voir le jour il y a en­core quelques an­nées, comme le mac­hine lear­ning (ap­pren­tis­sage au­to­ma­tique), qui per­met une re­con­nais­sance d’images plus fine qu’avec les al­go­rithmes clas­siques. D’autres ap­pli­ca­tions, moins nou­velles, se ré­pandent de plus en plus, telles que la vi­sion 3D ou les ap­pli­ca­tions em­bar­quées. « L’em­bar­qué est un mar­ché as­sez vaste, au­jourd’hui, on met des ca­mé­ras par­tout », re­marque Mi­thri­date Mah­mou­di, di­rec­teur com­mer­cial chez IDS Ima­ging De­ve­lop­ment Sys­tems. Les cartes em­bar­quées ba­sées sur des pro­ces­seurs ARM, comme le mi­ni-pc Rasp­ber­ry, ont com­men­cé à inon­der le mar­ché. Ces pro­ces­seurs pré­sentent un ra­tio coût/per­for­mances in­té­res­sant pour les fa­bri­cants, et ont une consom­ma­tion d’éner­gie re­la­ti­ve­ment faible. On les trouve donc em­bar­qués di­rec­te­ment dans cer­taines ca­mé­ras dite « in­tel­li­gentes». Plus lar­ge­ment, cette ten­dance a in­ci­té les fa­bri­cants à rendre leurs pro­duits com­pa­tibles. « Il faut des dri­vers adap­tés à ces pro­ces­seurs ARM, pré­cise Da­vid La­croix, in­gé­nieur com­mer­cial chez El­vi­tec. Au­jourd’hui, beau­coup de fa­bri­cants pro­posent des so­lu­tions lo­gi­cielles et des dri­vers adap­tés à ce ma­té­riel. » La de­mande est gran­dis­sante, dans le sec­teur in­dus­triel comme mi­li­taire, scien­ti­fique ou mé­di­cal. L’ins­tru­men­ta­tion ou les bornes in­ter­ac­tives sont des ap­pli­ca­tions qui peuvent ti­rer pro­fit de la com­pa­ci­té des cartes ba­sées sur ARM, tout comme les sys­tèmes mo­biles, qui né­ces­sitent une consom­ma­tion éner­gé­tique ré­duite. « Pen­dant des an­nées, ces sys­tèmes ont été uti­li­sés par des grandes en­tre­prises, qui avaient les moyens de créer leurs propres cartes, rap­pelle Jo­na­than Vi­ckers, res­pon­sable pro­duits chez Stem­mer Ima­ging. Au­jourd’hui, il existe des pro­duits sur éta­gère, comme les cartes Nvi­dia Jet­son, qui rendent la dé­marche beau­coup plus fa­cile, et moins chère. » Ces cartes per­mettent de réa­li­ser l’ac­qui­si­tion d’images ou des tâches de trai­te­ment simples, comme la lec­ture de ca­rac­tères. Elles peuvent s’in­té­grer dans un sys­tème dis­tri­bué, au plus proche de la ca­mé­ra, et se connec­ter à un PC plus puis­sant pour des trai­te­ments plus com-

plexes. Comme les pla­te­formes ARM sont de plus en plus uti­li­sées dans l’in­dus­trie, il faut pou­voir y gref­fer des pé­ri­phé­riques. « Sou­vent, lorsque nous avons des de­mandes pour des ap­pli­ca­tions sur une base ARM, c’est que cette pla­te­forme a été choi­sie pour la réa­li­sa­tion d’une mac­hine, et que l’on a be­soin d’y ajou­ter de la vi­sion », ob­serve Da­vid La­croix (El­vi­tec).

ARM conti­nue sur sa lan­cée

Les pro­jets de sys­tèmes de vi­sion em­bar­qués sur ARM de­vraient conti­nuer à se mul­ti­plier. IDS s’est par exemple ins­pi­ré de la stra­té­gie d’apple, avec l’ip­hone, pour trans­po­ser l’idée d’une pla­te­forme de dé­ve­lop­pe­ment d’ap­pli­ca­tions à la vi­sion. « Notre gamme de pro­duits NXT in­clut une pe­tite carte qui in­tègre l’en­semble du sys­tème, avec le pro­ces­seur et la mé­moire, dé­crit le di­rec­teur com­mer­cial de la so­cié­té. Ce­la per­met de faire fonc­tion­ner des ap­pli­ca­tions dé­ve­lop­pées par notre par­te­naire MVTEC. Celles-ci sont dé­diées à des tâches, telles que la re­con­nais­sance de forme, de ca­rac­tères ou la me­sure di­men­sion­nelle. » Les uti­li­sa­teurs pour­ront éga­le­ment dé­ve­lop­per leurs propres ap­pli­ca­tions, et éven­tuel­le­ment les par­ta­ger ou les vendre via un ser­veur dé­dié. À l’ave­nir, ARM compte bien conti­nuer à s’im­plan­ter sur le mar­ché de la vi­sion. En mai 2017, l’en­tre­prise a en ef­fet ra­che­té à cet ef­fet Api­cal, une so­cié­té spé­cia­li­sée dans l’ima­ge­rie et la vi­sion em­bar­quée. L’aug­men­ta­tion de la puis­sance de calcul dis­po­nible per­met par ailleurs l’ar­ri­vée de l’ap­pren­tis­sage au­to­ma­tique dans l’in­dus­trie. On parle éga­le­ment de mac­hine lear­ning, de deep lear­ning (ap­pren­tis­sage pro­fond), ou en­core d’ap­pren­tis­sage sta­tis­tique. Il s’agit d’al­go­rithmes d’ap­pren­tis­sage au­to­ma­tique, ca­pables de mo­dé­li­ser des don­nées avec un haut ni­veau d’abs­trac­tion. Ap­pli­quée à la vi­sion, cette mé­thode per­met d’éta­blir des liens entre une grande quan­ti­té d’images de ré­fé­rence, afin d’ap­prendre à re­con­naître cer­taines ca­rac­té­ris­tiques. C’est ce type de pro­cé­dés qu’uti­lise Google pour flou­ter au­to­ma­ti­que­ment les vi­sages et les plaques d’im­ma­tri­cu­la­tion ap­pa­rais­sant dans les pho­to­gra­phies de son ser­vice Street View. Sou­vent, ces al­go­rithmes sont mis en pra­tique par des ré­seaux de neu­rones ar­ti­fi­ciels, des sys­tèmes met­tant en jeu une lo­gique pro­ba­bi­liste et s’ins­pi­rant des neu­rones bio­lo­giques. Mais dif­fé­rentes mé­thodes existent. Cette ten­dance est ti­rée par les géants du Web, qui y voient de nom­breuses ap­pli­ca­tions pos­sibles. « L’in­dus­trie va aus­si en pro­fi­ter, es­time Da­vid La­croix

(El­vi­tec). Le mar­ché se cherche un peu, mais beau­coup de so­lu­tions émergent au­jourd’hui. » « C’est très in­té­res­sant pour les dé­fauts dif­fi­ciles à trai­ter par des al­go­rithmes clas­siques, comme une maille man­quante sur le mo­tif d’un tis­su, ou des dé­fauts es­thé­tiques dans l’agroa­li­men­taire », ajoute Abel Gagne, res­pon­sable des ventes chez Co­gnex. Si l’oeil hu­main re­père fa­ci­le­ment ce type de dé­fauts, ils sont dif­fi­ciles à ca­rac­té­ri­ser de ma­nière pré­cise, de fa­çon à être re­con­nais­sables par un sys­tème au­to­ma­tique. De même, le sec­teur agri­cole peut bé­né­fi­cier de l’ap­pren­tis­sage au­to­ma­tique, par exemple pour au­to­ma­ti­ser l’éva­lua­tion de la ma­tu­ri­té d’une pro­duc­tion dans un champ. « En vi­sion clas­sique, il faut avoir des ca­rac­té­ris­tiques géo­mé­triques ré­pé­tables », note Da­vid La­croix (El­vi­tec). Le deep lear­ning per­met de dé­tec­ter, mais aus­si de clas­si­fier des dé­fauts ne ré­pon­dant pas à cette contrainte. Pour mettre ce type d’ap­pli­ca­tions à son ca­ta­logue, Co­gnex a ain­si ra­che­té la so­cié­té­vi­di Sys­tems en 2017. Elle pro­pose au­jourd’hui un al­go­rithme de deep lear­ning en trois ver­sions : une pour la re­con­nais­sance de formes, une autre pour l’ana­lyse de dé­fauts et une der­nière pour la lec­ture de ca­rac­tères. Cette der­nière ap­pli­ca­tion tire pro­fit de l’ap­pren­tis­sage au­to­ma­tique lorsque la forme des lettres peut va­rier. « C’est éga- le­ment plus ra­pide que les mé­thodes clas­siques, pré­cise Jo­na­than Vi­ckers (Stem­mer Ima­ging). Il est pos­sible de lire jus­qu’à 160 000 c a ra c t è re s par se­conde. » L’en­tre­prise pro­pose le mo­dule Mi­nos, dans sa bi­blio­thèque Com­mon Vi­sion Blox, pour une telle ap­pli­ca­tion et com­mer­cia­lise éga­le­ment le mo­dule Po­li­ma­go, ca­pable de clas­si­fier des images grâce à un sys­tème d’ap­pren­tis­sage. Con­crè­te­ment, pour mettre en place un sys­tème d’ap­pren­tis­sage au­to­ma­tique, « on lui montre des images, en in­di­quant les­quelles sont bonnes. Le sys­tème ap­prend ain­si les ca­rac­té­ris­tiques d’une bonne image, ce qui lui per­met de re­con­naître des dé­fauts », conti- nue Abel Gagne (Co­gnex). À l’in­verse, il est pos­sible de lui pré­sen­ter un maxi­mum de dé­fauts dif­fé­rents, pour lui ap­prendre à les re­con­naître. En gé­né­ral, plus grand se­ra le nombre d’images, plus ro­buste se­ra l’al­go­rithme. « Mais dans cer­tains cas, mul­ti­plier les images risque de créer du bruit, pré­vient le res­pon­sable des ventes de Co­gnex. Ce­la peut ar­ri­ver si cer­tains dé­fauts sont trop par­ti­cu­liers, ou si l’on a une dis­per­sion très im­por­tante. Si les cas pré­sen­tés sont trop dif­fé­rents, il de­vient en ef­fet dif­fi­cile de trou­ver les points com­muns. » Dans ce cas, la sta­bi­li­té de l’al­go­rithme peut être mise à mal. Mieux vaut alors seg­men­ter la bi­blio­thèque d’images en plu­sieurs ca­té­go­ries.

L’ap­pren­tis­sage au­to­ma­tique ac­cé­lère

Pour des ap­pli­ca­tions in­dus­trielles, l’ap­pren­tis­sage se doit d’être ra­pide. C’est pour­quoi les sys­tèmes d’ap­pren­tis­sage au­to­ma­tique dé­diés à l’in­dus­trie misent sur une bi­blio­thèque d’images ré­duite. « Notre sys­tème com­mence à être stable à par­tir d’une cen­taine d’images », pré­cise Abel Gagne. Po­li­ma­go, de Stem­mer Ima­ging, peut fonc­tion­ner à par­tir de 20 à 50 images. « La plu­part des ap­pli­ca­tions ba­sées sur les ré­seaux de neu­rones ar­ti­fi­ciels re­quièrent en­vi­ron un mil­lier d’images. Dans la plu­part des cas, ce­la n’est pas adap­té à l’in­dus­trie », com­pare Jo­na­than Vi­ckers (Stem­mer Ima­ging). MVTEC, avec son lo­gi­ciel Hal­con, pro­pose des clas­si­fi­ca­tions pré­éta­blies: ce­la per­met de ré­duire la quan­ti­té d’images né­ces­saires. « De plus, il existe des mé­thodes pour gé­né­rer des images syn­thé­tiques par trai­te­ment d’images, ex­plique Da­vid La­croix (El­vi­tec). Bien pré­pa­rer son clas­si­fieur est le plus im­por­tant. On peut aus­si conti­nuer de l’ali­men­ter plus

tard si be­soin est, en y ré­in­jec­tant de nou­velles images ». Le prin­cipe de l’ap­pren­tis­sage au­to­ma­tique n’est pas une nou­veau­té: « Nous l’uti­li­sons de­puis 1997, rap­pelle Jo­na­than Vi­ckers (Stem­mer Ima­ging). Notre pre­mier ou­til ba­sé sur l’ap­pren­tis­sage au­to­ma­tique est sor­ti en 2002. Man­to était ca­pable d’iden­ti­fier et de clas­si­fier des dé­fauts. Mais le mar­ché n’était pas en­core prêt, car les ap­pli­ca­tions étaient trop lentes. » Outre l’ap­pren­tis­sage, le temps de ré­ponse était éga­le­ment in­adap­té. L’ar­ri­vée de pro­ces­seurs gra­phiques (GPU) dans l’in­dus­trie a per­mis d’ac­cé­lé­rer la ten­dance. « Mais pour en ti­rer plei­ne­ment pro­fit, il faut un pro­ces­seur gra­phique au­to­nome, et pas in­té­gré au pro­ces­seur clas­sique, comme on le voit sou­vent », pré­cise le res­pon­sable pro­duit de Stem­mer Ima­ging. Or ce­la re­pré­sente un coût plus im­por­tant. Pour évi­ter le re­cours à un GPU, Stem­mer Ima­ging et MVTEC ont mi­sé sur des al­go­rithmes ca­pables de fonc­tion­ner sur un pro­ces­seur stan­dard. « Il est im­por­tant que les dé­ve­lop­peurs consi­dèrent les autres pos­si­bi­li­tés avant de se lan­cer sur l’ap­pren­tis­sage au­to­ma­tique », pré­vient Jo­na­than­vi­ckers. « L’ap­pren­tis­sage au­to­ma­tique ouvre la porte à de nou­velles ap­pli­ca­tions, ré­su­mea­bel Gagne (Co­gnex). Il n’est pas utile de pas­ser ce qui fonc­tionne dé­jà avec des ap­pli­ca­tions stan­dard vers du deep lear­ning. Mais pour les ap­pli­ca­tions li­mites, avec trop de pa­ra­mètres dif­fé­rents, il y a un vé­ri­table in­té­rêt. » Cette ten­dance ne fait que dé­mar­rer dans l’in­dus­trie. « Au­jourd’hui, le mar­ché se cherche un peu, es­time Da­vid La­croix (El­vi­tec). Il faut que les dé­ve­lop­peurs tra­vaillent sur des ap­pli­ca­tions, pour voir ce que ces al­go­rithmes peuvent ap­por­ter pour des be­soins spé­ci­fiques ».

La 3D confirme son im­plan­ta­tion

La vi­sion 3D, elle, a pas­sé ce stade de tâ­ton­ne­ment. « Il y a en­core quelques an­nées, les en­tre­prises fai­saient du pro­to­ty­page, rap­pelle Da­vid La­croix. Beau­coup ont in­ves­ti en re­cherche et dé­ve­lop­pe­ment dans ce do­maine. Main­te­nant, les ap­pli­ca­tions sont concrètes. » La 3D est au­jourd’hui ma­ture et bien im­plan­tée dans l’in­dus­trie, là en­core grâce à l’aug­men­ta­tion de la puis­sance de calcul dis­po­nible. Les ap­pli­ca­tions sont dé­sor­mais com­pa­tibles avec les temps de cycle de l’in­dus­trie. « C’est de­ve­nu nor­mal, ob­serve Jo­na­than Vi­ckers (Stem­mer Ima­ging). Au­jourd’hui, les clients s’at­tendent à pou­voir mettre en place des ap­pli­ca­tions 3D. Ce­la de­vient de plus en plus fa­cile et, dans les an­nées à ve­nir, le prix va di­mi­nuer ». Les ap­pli­ca­tions sont vastes: « comp­ter des ob­jets blancs sur un fond blanc est dif­fi­cile en 2D, illustre Da­vid La­croix (El­vi­tec). Mais en 3D, la hau­teur des ob­jets per­met de les dif­fé­ren­cier beau­coup plus fa­ci­le­ment. » Les ro­bots ou vé­hi­cules au­to­nomes ont éga­le­ment be­soin de la 3D, pour la dé­tec­tion de per­sonnes ou d’obs­tacles. On les re­trouve dans l’in­dus­trie, par­ti­cu­liè­re­ment en lo­gis­tique, mais éga­le­ment dans l’agri­cul­ture, voire dans le mi­lieu mé­di­cal. Une ap­pli­ca­tion de la 3D est par­ti­cu­liè­re­ment en vogue: le bin pi­cking au­to­ma­ti­sé, où un ro­bot doit être ca­pable de sai­sir des ob­jets en vrac. « C’est un do­maine en forte crois­sance chez nous», in­dique Mi­thri­date Mah­mou­di (IDS). « Nous ob­ser­vons un es­sor des ap­pli­ca-

Newspapers in French

Newspapers from France

© PressReader. All rights reserved.