COMPARAISON ENTRE LE DEEP
LEARNING ET LA VISION INDUSTRIELLE
COMPARAISON ENTRE LE DEEP LEARNING ET LA VISION INDUSTRIELLE
Ces dix dernières années, la technologie a évolué à un « Si vous restez fidèle à l’ancienne méthode et ne pouvez pas num riser les
rythme effréné. Des appareils mobiles, des mégadonnées process de fabrication, vos coûts augmenteront probablement, vos produits
de l’intelligence artificielle et de l’Internet des Objets à l arriveront tardivement sur le marché et votre capacité à apporter une valeur
robotique, la chaîne de blocs, l’impression 3D et la vision ajoutée spécifique aux clients diminuer », déclare Stephen Ezell, un expert
industrielle, l’industrie a été plongée dans une ère de de la stratégie d’innovation globale à l’Information Technology and Innovation
transformation. Foundation, dans un rapport d’Intel sur l’avenir de l’intelligence artificiell
dans la fabrication. Autrement dit, les entreprises qui transforment rapidement
La planification stratégique de l’adoption et de l’exploitation de
leurs usines en plateformes d’automatisation intelligentes seront celles qui
tout ou partie de ces technologies sera cruciale dans le secteur
ressortiront gagnantes de ces investissements sur le long terme.
de la fabrication. Aux États-Unis, la fabrication constitue une
activité économique annuelle de 2,17 milliards de dollars, Ces technologies telles qu’appliquées dans une usine ou un environnement
mais d’ici 2025, dans seulement 5 ans, McKinsey prévoit que de fabrication ne sont plus accessoires, mais essentielles. Selon un rapport
les usines intelligentes pourraient générer une valeur allant de recherche récent de Forbes Insights, 93 % des personnes interrogées
jusqu’à 3,7 milliards. dans les secteurs de la fabrication et de l’automobile ont classé l’intelligence
artificielle comme extrêmement importante » ou « absolument essentielle au
succès ». Toutefois, seulement 56 % prévoient d’augmenter leurs dépenses
dans l’intelligence artificielle et uniquement de 1 % ou moins les budgets
existants.
« Si vous restez fidèle à l’ancienne méthode et ne pouvez pas numériser les process de fabrication,
vos coûts augmenteront probablement, vos produits arriveront tardivement sur le marché et votre
capacité à apporter une valeur ajoutée spécifique aux clients diminuera. »
— Stephen Ezell, expert de la stratégie d’innovation globale à l’Information Technology and Innovation Foundation
1
La déconnexion entre la reconnaissance de l’importance des
nouvelles technologies qui améliorent l’automatisation industrielle
et la volonté d’investir dans ces dernières sera la différence ntre
les entreprises gagnantes et perdantes les prochaines années.
L’intelligence artificielle, en particulier
Peut-être la réticence d’investir dans l’intelligence artificie le peut
l’analyse d’images basée sur le deep learning
être attribuée au manque de compréhension de son retour sur ou la vision industrielle basée sur les exemples,
investissement, de ses capacités et/ou de ses cas d’utilisation
réels. Le cabinet d’analyse sectorielle Gartner, Inc. place encore de
associée à la vision industrielle basée sur les règles
nombreuses applications de l’intelligence artificielle dans le pic classiques, peut rendre une usine et ses équipes
des attentes exagérées » après tout.
Mais l’intelligence artificielle, en particulier l’analyse d’im ges
ultra-performantes.
basée sur le deep learning ou la vision industrielle basée sur
les exemples, associée à la vision industrielle basée sur les
règles classiques, peut rendre une usine et ses équipes ultra-
performantes. Prenons un process tel que l’assemblage complexe
d’un smartphone moderne ou d’autres appareils électroniques
grand public. La combinaison de la vision industrielle basée sur
les règles et l’analyse d’images basée sur le deep learning peut
permettre aux assembleurs de robots d’identifier les bonnes pièces,
de détecter la présence, l’absence ou le mauvais assemblage
d’une pièce sur le produit, et de déterminer plus rapidement si cela
est un problème, tout cela à une échelle inimaginable.
La combinaison de la vision industrielle et du deep learning est la
bretelle d’accès des entreprises vers l’adoption de technologies
plus intelligentes qui leur offriront l’envergure, la précision
l’efficacité et la croissance financière pour la prochaine géné ion.
Mais comprendre les nuances entre la vision industrielle classique
et le deep learning et comment ils se complètent au lieu de se
remplacer est essentiel à la maximisation de ces investissements.
2
QU’EST-CE QUE LE DEEP LEARNING ? Maîtrise d’un jeu de stratégie complexe
Le go est un jeu de stratégie sur plateau abstrait et
complexe pour deux joueurs inventé en Chine il y a plus
de 2 500 ans. Comparé aux échecs, le go présente
En gros, le deep learning un plateau plus grand, une durée plus longue et plus
de décisions potentielles à examiner à chaque coup
permet d’effectuer des joué. En général, on pensait qu’aucun ordinateur ne
tâches spécifiques sans être serait jamais capable de maîtriser les subtilités du jeu
de go, contrairement aux échecs. Cependant, cette
explicitement programmé pour. croyance a été dissipée au printemps 2016, lorsque
Google AlphaGo a battu les meilleurs joueurs mondiaux
de go en remportant ainsi la meilleure des cinq séries
Le deep learning est un sous-ensemble de l’intelligence artific elle et fait
par quatre parties à une.
partie de la famille élargie de l’apprentissage automatique. Au lieu d’humains
programmant des applications informatiques propres à chaque tâche, le deep Comment l’équipe AlphaGo y est parvenue ? En utilisant
learning utilise les données et les apprend via des réseaux neuronaux afi le deep learning et les réseaux réseaux. D’abord, le
de produire des résultats précis basés sur ces données d’apprentissage. système a appris le jeu via l’apprentissage supervisé en
En gros, le deep learning permet d’effectuer des tâches spécifi es sans utilisant des données de joueurs humains, puis il a été
être explicitement programmé pour. entraîné avec l’apprentissage par renforcement en jouant
des parties contre lui-même et en utilisant ces données
Le deep learning n’est donc pas qu’une sorte de
pour améliorer davantage son jeu.
technologie pour aider les humains dans le futur.
Le deep learning résout des problèmes, aussi
bien banal qu’importants, à l’heure actuelle ;
reconnaissance faciale pour déverrouiller
des téléphones ou identifier des amis su
des photos de réseaux sociaux, moteurs de
recommandation de services de streaming de
vidéos et de musique ou lors d’achats sur des
sites de commerce électronique, diagnostic de
maladies, filtres anti-spam de messagerie e
détection de fraude à la carte bancaire.
3
Le deep learning évolue grâce à sa capacité à identifier systém tiquement une seule puce. Les chercheurs n’ont pas mis longtemps à réaliser que
et massivement des anomalies et des variations dans un jeu de données. l’architecture d’un processeur graphique est remarquablement similaire
Repérer les différences est une tâche facile pour les humains m is qui était à un réseau neuronal.
difficile pour les systèmes informatiques basés sur une program tion
Ces processeurs graphiques hautes performances modernes ont permis
rigide jusqu’à présent. Néanmoins, les ordinateurs ne se fatiguent pas
le développement des réseaux neuronaux à 50 couches actuels. De plus,
facilement sur la ligne d’assemblage, contrairement à un inspecteur humain.
les nouveaux processeurs graphiques bon marché ont permis de déployer
L’explosion des technologies de deep learning cette décennie est due en des réseaux neuronaux profonds multicouches biomimétiques qui imitent
grande partie à l’énorme gain de popularité des jeux vidéo modernes. Selon les réseaux neuronaux du cerveau humain. Reposant sur une logique
le MIT, l’imagerie complexe et la cadence rapide des jeux vidéo actuels fondamentale développée lors de l’apprentissage initial, les réseaux
nécessitent du matériel adapté, en l’occurrence un processeur graphique, neuronaux profonds peuvent sans cesse améliorer leurs performances
qui stocke des centaines de cœurs de calcul relativement simples sur lorsqu’ils sont en présence de nouveaux textes, paroles et images.
Qu’est-ce qu’un réseau neuronal ?
À ce stade, vous vous demandez peut-être ce qu’est un réseau neuronal. Entrée Connexions Sortie
Fondamentalement, il s’agit d’un système informatique basé sur les
connexions du cerveau humain.
Lorsqu’un réseau neuronal est entraîné, les données d’apprentissage
sont transmises à la couche d’entrée, puis elles passent par des couches
de calcul successives, ou des connexions, multipliées et additionnées
de façon complexe, jusqu’à ce qu’elles arrivent enfin, radicale ent
transformées, à la couche de sortie. Lors de l’apprentissage, les
pondérations et les seuils sont continuellement ajustés jusqu’à ce
que les données d’apprentissage ayant la même étiquette produisent
systématiquement des résultats similaires.
4
MÉTHODES D’APPRENTISSAGE DES SYSTÈMES BASÉS SUR LE DEEP LEARNING
Selon O‘Reilly Media, il existe cinq grandes catégories d‘algorithmes d‘apprentissage automatique.
L’apprentissage supervisé L’apprentissage non supervisé L’apprentissage semi-
consiste à faire correspondre est lorsque le système tente supervisé est souvent une
des données d’entrée à des d’apprendre la structure de combinaison des deux premières
étiquettes connues que les données d’entrée non étiquetées, approches. Autrement dit, le
inspecteurs humains ont de façon automatique, sans système apprend des données
fournies. Les moteurs de intervention humaine. La d’entrée partiellement étiquetées,
recommandation des services de streaming de détection d’anomalies, notamment le repérage généralement de nombreuses données non
vidéos et de musique utilisent les techniques de transactions par carte bancaire inhabituelles étiquetées et quelques données étiquetées. La
d’apprentissage supervisé. pour empêcher la fraude, est un exemple reconnaissance faciale des services photo de
d’apprentissage non supervisé. Facebook et Google sont des applications réelles
de cette approche.
L’apprentissage par renforcement est principalement un L’apprentissage par transfert implique la réutilisation
domaine de recherche, mais les cas d’utilisation sectoriels d’un modèle qui a été entraîné à résoudre un problème
commencent à émerger. L’apprentissage par renforcement et son application à un problème différent mais connexe
se produit lorsqu’un système informatique reçoit des Un exemple d’apprentissage par transfert est quand un
données dans un environnement spécifique, puis appren modèle de deep learning a été formé sur des millions
à maximiser leurs résultats. L’ordinateur Google DeepMind AlphaGo, qui d’images de chats, puis s’est ajusté pour pouvoir détecter des mélanomes
a appris à maîtriser le jeu de go, est un exemple récent de cette technique. en imagerie médicales.
La technologie de deep learning permet de prévoir les tendances, détecter S’il est mis en œuvre pour les bons types d’applications industrielles,
les variations et les anomalies, et prendre des décisions opérationnelles conjointement avec la vision industrielle, le deep learning peut bénéficie
cruciales. Les pratiques de fabrication avancées se servent désormais de cette aux usines et entreprises de fabrication en réduisant les process manuels,
technologie pour une inspection de qualité et d’autres cas d’utilisation basés sur en particulier par rapport aux investissements dans d’autres technologies
le jugement. émergentes qui peuvent prendre des années à porter leurs fruits.
5
EN QUOI LE DEEP LEARNING EST-IL DIFFÉRENT DE LA VISION INDUSTRIELLE ?
Fondamentalement, les systèmes de vision industrielle reposent sur Dans un environnement industriel, la vision industrielle basée sur les
des capteurs numériques incorporés dans des caméras industrielles règles classique est idéale pour les applications suivantes :
dotées d’optiques spéciales permettant l’acquisition d’images.
Ces images sont ensuite transmises à un PC de façon à ce qu’un
Guidage
logiciel spécialisé puisse traiter, analyser et mesurer différente
Localisez la position, l’orientation et les principales
caractéristiques pour la prise de décision.
caractéristiques d’une pièce pour tirer parti d’autres
Les systèmes de vision industrielle sont performants avec les pièces outils de vision en aval.
uniformes bien fabriquées. Ils utilisent des algorithmes basés sur les
règles de filtrage étape par étape, plus économiques que l’insp ction
humaine à grande échelle. Ils peuvent être exécutés à des vitesses Identificatio
extrêmement élevées et avec une grande précision. Sur une ligne Lisez les codes-barres, les codes DataMatrix, les
de production, un système de vision industrielle basé sur les règles codes DPM et caractères imprimés sur les pièces,
peut inspecter des centaines, voire même des milliers de pièces par étiquettes et emballages.
minute. Les résultats de ces données visuelles sont basés sur une
approche de programmation basée sur les règles pour résoudre les
problèmes d’inspection.
Mesure
Calculez la distance entre deux points ou plus, ou entre les
emplacements géométriques sur un objet, et déterminez si
ces mesures sont conformes aux spécifications
Inspection
Détectez les anomalies ou d’autres irrégularités, telles
que l’absence de bagues d’inviolabilité, les pièces
endommagées, etc.
6
La vision industrielle basée sur les règles est performante avec Le deep learning utilise une approche basée sur les exemples au lieu d‘une
un ensemble connu de variables : une pièce est-elle présente approche basée sur les règles pour relever certains défis de l‘ utomatisa-
ou absente ? À quelle distance se trouve cet objet par rapport à tion industrielle. En tirant parti des réseaux neuronaux pour apprendre à un
celui-là ? Où ce robot doit-il prélever cette pièce ? Ces tâches sont ordinateur ce qu‘est une bonne image en fonction d‘un ensemble d‘exemples
faciles à déployer sur la ligne d’assemblage dans un environnement étiquetés, le deep learning peut analyser, localiser et classer des objets, et lire
contrôlé. Mais que se passe-t-il lorsque les choses se compliquent ? des marquages imprimés, par exemple.
Dans le monde réel, une entreprise peut tenter d‘inspecter les écrans
Le deep learning fait son entrée, en combinant l’évolutivité et d‘appareils électroniques à la recherche de rayures, d‘éclats ou d‘autres
défauts. Ces défauts sont tous différents en termes de taille, cadre, position
la fiabilité de la vision industrielle classique avec la capacité et arrière-plan. Le deep learning permet de déterminer la différence
humaine innée à détecter les variations. entre une bonne pièce et une défectueuse, en examinant ces variations
attendues. De plus, l‘entraînement du réseau sur une nouvelle cible,
notamment un différent type d‘écran, est aussi facile que l‘utilisation d‘un
nouvel ensemble d‘images de référence.
Cela rend le deep learning particulièrement idéal pour :
▪▪ Répondre aux besoins des applications de vision trop difficiles
programmer à l‘aide d‘algorithmes basés sur les règles ;
▪▪ Gérer des arrière-plans confus et des variations d’aspect des pièces ;
▪▪ Gérer des applications et être réentraîné avec de nouvelles données
d’image dans l’atelier ;
▪▪ Être adapté à de nouveaux exemples, sans avoir à reprogrammer les
réseaux de base.
7
Comparaison de l’apprentissage automatique Les textures de surface complexes et les variations d‘aspect des pièces
présentent d‘importants défis d‘inspection. Les systèmes de vis on industrielle
aux autres méthodes d’inspection basés sur les règles ont du mal à déterminer la variabilité et l‘écart entre
des pièces visuellement très semblables. Les anomalies fonctionnelles, qui
Comparé à l’inspection visuelle humaine,
vs affectent l‘usage d‘une pièce, sont presque toujours une cause e rejet, tandis
le deep learning est :
que les anomalies esthétiques peuvent ne pas l‘être, selon les besoins et
les préférences du fabricant. Le plus problématique est que ces défauts sont
Plus constant
Réduit les incohérences entre les différents inspecteurs humain . difficiles à distinguer par un système de vision classiqu
Plus fiabl
Fonctionne de façon plus fiable même lorsqu’il est adapté ou re roduit sur Anomalie
Joint de soudure acceptable Défaut
d’autres lignes. acceptable indésirable
Plus rapide
Identifie les défauts en quelques millisecondes, tenant la cade ce des
applications à grande vitesse et améliorant le rendement.
Les joints de soudure d’un piston sont très variables, rendant les anomalies difficiles à distinguer.
Comparé à la vision industrielle classique, Certaines anomalies de soudage, telles que les joints manquants ou sous-chargés, les fissures
vs ou la porosité sont indésirables. D’autres anomalies, comme les joints superposés, sont voulues
le deep learning est :
et nécessaires pour des raisons de sécurité. Les zones sombres des images entraînent des
Conçu pour les applications complexes complications supplémentaires. Compte tenu des nombreux défauts et problèmes d’éclairage
Répond aux besoins des applications d’inspection et de classifi ation possibles, l’analyse basée sur le deep learning offre une alternative simple et fiable à l’inspection par
complexes, impossibles ou difficiles pour les algorithmes basés ur des vision industrielle classique.
règles classiques.
Plus facile à configure Certaines inspections de vision industrielle classiques, telles que la détection
Les applications peuvent être configurées plus rapidement, accé érant ainsi des défauts, sont notoirement difficiles à programmer en raison e plusieurs
la preuve du concept et le développement. variables qu’une machine peut avoir du mal à isoler, notamment les variations
d’éclairage, de couleur, de profil et de champ de vision. Cela n’est pas u
Tolère les variations
problème en soi, mais est problématique lorsque des entreprises tentent de
Gère les variations des défauts pour les applications qui nécessitent une
détermination des écarts acceptables de la part du système de contrôle. répondre aux besoins de chaque application à l’aide de la vision industrielle
classique alors que d’autres outils appropriés sont désormais disponibles.
8
Bien que les systèmes de vision industrielle classiques soient performants
avec les pièces uniformes bien fabriquées, les applications deviennent
Principales différences entre la vision
difficiles à programm , avec l‘augmentation des bibliothèques de défauts industrielle classique et le deep
et d‘exceptions. Autrement dit, à un moment donné, la vision industrielle learning :
basée sur les règles ne répondra pas le mieux aux besoins de certaines
applications nécessaires pour l‘automatisation industrielle. ▪▪ Processus de développement
(programmation basée sur les règles
La compréhension de ces différences sera essentielle pour toute entreprise
outil par outil ou apprentissage basé
se lançant dans l’automatisation industrielle. En effet, ces di érences
sur les exemples)
permettent de déterminer lorsqu’il est judicieux de tirer parti de l’une ou
l’autre dans une application d’automatisation industrielle. ▪▪ Investissements matériels (le deep
learning nécessite plus de traitement
Alors que le deep learning est en train de transformer l’automatisation
et de stockage, par exemple)
industrielle telle que nous la connaissons, il s’agit simplement d’un autre outil
que les opérateurs peuvent employer pour répondre aux besoins de chaque ▪▪ Cas d’utilisation en automatisation
application. La vision industrielle basée sur les règles classique est un outil industrielle appropriés pour chaque
efficace pour des types de tâches spécifiques. Mais pour les si tions plus outil
complexes qui nécessitent la combinaison de la vision humaine avec la
vitesse et la fiabilité d’un ordinateu , le deep learning s’avère être une option
révolutionnaire.
Le deep learning pour les applications que la vision classique Le deep learning facilite la gestion d'applications complexes
ne peut pas gérer
Deep learning Deep learning
Déploiement Déploiement
Applications que la vision Applications qui nécessitent
Performances
basé sur les règles ne peut Performances un investissement considérable
actuellement pas gérer
Vision basée sur les règles Vision basée sur les règles
Efforts de développement Efforts de développement 9
AVANTAGES DU DEEP LEARNING POUR
LA FABRICATION INDUSTRIELLE
La vision industrielle basée sur les règles et l’analyse d’images
basée sur le deep learning se complètent au lieu de se substituer,
lors de l’adoption d’outils d’automatisation industrielle de nouvelle
génération. Dans certaines applications, telles que la mesure,
la vision industrielle basée sur les règles sera toujours le choix
économique privilégié.
Pour les applications complexes impliquant des écarts importants
et des défauts imprévisibles, trop nombreuses et compliquées à
programmer et gérer à l’aide d’un système de vision industrielle
classique, les outils basés sur le deep learning offrent un
excellente alternative.
Pour en savoir plus sur les solutions Cognex basées sur le deep
learning, consultez la page
[Link]/ViDi-deep-learning
10
[Link]/fr-fr
Les entreprises du monde entier font confiance aux solutions de vision et de
lecture de codes-barres de Cognex pour optimiser la qualité, réduire les coûts
et contrôler la traçabilité.
Siège social One Vision Drive Europe Asie-Pacifique
Natick, MA 01760 États-Unis Autriche +49 721 958 8052 Chine +86 218 036 5424
Contactez-nous ou trouvez votre Belgique (FR) +33 176 549 318 Inde +91 7305 040397
France +33 176 549 318 Japon +81 345 790 266
agence commerciale régionale :
Allemagne +49 721 958 8052 Corée +82 704 784 4038
[Link]/fr-fr/sales
Irlande +353 21 601 9005 Singapour +65 3158 2511
Amériques Italie +39 02 9475 4345 Taïwan +886 801 492 017
Amérique du Nord +1 855 426 4639 Espagne +34 93 220 6237 Autre Asie-Pacifique +65 3158 2511 © Copyright 2025, Cognex Corporation. All information in
Brésil +1 855 426 4639 Suisse (DE) +49 721 958 8052 this document is subject to change without notice. All
Mexique +52 552 789 5444 Suisse (FR) +33 176 549 318 Rights Reserved. Cognex is a registered trademark of
Royaume-Uni +353 21 601 9005 Cognex Corporation. All other trademarks are property of
Autre Europe +353 21 601 9005 their respective owners. Lit. No. DLvsMV-FR-02-2025