Aller au contenu
Accueil TechPourToutes Programme
Retour

Seras-tu la prochaine stagiaire de VISIONAIRY ?

Stage Machine Learning — Application agnostic neural network backbones for industrial quality control

Développement - programmation - logiciel

Offre mise à jour le 8 avril 2025

Type d’offre :
Stage dans le supérieur
Durée :
non indiqué
Niveau d’expérience :
non indiqué
Salaire :
non indiqué
Entreprise :
VISIONAIRY
Secteur :
non indiqué
Adresse
Drahi-X novation center, avenue coriolis, 91120 Palaiseau

Descriptif de l’offre

Qui sommes nous ?

Visionairy a créé un logiciel d’Intelligence Artificielle/Computer Vision qui permet d’automatiser des tâches d’inspection visuelles répétitives dans l’industrie. Nous travaillons pour des secteurs variés (électronique, verre, agro, pharma, …) afin de les aider à transformer leur manière de produire.

En automatisant des tâches à faible valeur ajoutée, nous voulons être acteurs de la ré-industrialisation européenne et contribuer ainsi à réduire l’empreinte écologique liée à la délocalisation.


Contexte

L’avènement de l’industrie 4.0 se traduit par une tendance à la personnalisation et la diminution des volumes de fabrication par série, voir même la disparition de la production en série. Les nouvelles exigences d’immédiateté et la nécessité de s’adapter rapidement bousculent les modes de contrôle qualité en place, établis sur la définition stricte de normes et de processus de qualification longs. Par ailleurs, l’expertise et le temps nécessaire pour paramétrer des systèmes de vision devient de plus en plus rare.

Le contrôle qualité de pièces industrielles consiste à vérifier si une pièce est conforme à un standard. On veut par exemple contrôler si la pièce est de la bonne référence parmi celles connues ou si elle ne comporte pas de défauts d’aspect. En particulier, le contexte industriel possède certaines caractéristiques :

  • Les pièces contrôlées sont souvent concepts / classes assez proches visuellement (faible variabilité interclasse), et encore plus proches entre elles (faible variabilité intra-classe)
  • Le nombre d’images par classe et de classe évolue au cours du temps, en fonction de la production.
  • Il existe beaucoup de classes similaires, qui correspondent à des références de pièces différentes, parfois de la même gamme.
  • Il existe peu d’images par classe initialement (échantillons de test, pré-production).


Travaux connexes

L’utilisation de méthodes de détection d’anomalie industrielle few-shot (FSAD) ou de détection d’anomalie en mode zéro-shot (ZSAD) est un domaine de recherche relativement récent qui vise à détecter des anomalies dans des données industrielles en utilisant un petit nombre d’exemples d’anomalies (few-shot) ou sans nécessiter d’exemples d’anomalies (zéro-shot).

Au départ, la détection d’anomalie industrielle s’appuyait sur des méthodes classiques basées sur des seuils, des statistiques et des approches de machine learning supervisées, qui nécessitaient un grand nombre d’exemples d’anomalies. Cependant, ces méthodes étaient limitées lorsque les données d’anomalies étaient rares (ce qui est a peu près tout le temps le cas). Les nouvelles méthodes de détection d’anomalie pour les objets industriels basées sur de l’apprentissage non-supervisé se sont concentrées sur un dispositif fournissant environ une 100aine d’image de pièces conformes (base de donnée MvTec). Ces méthodes ont fournit une amélioration conséquente par rapport aux méthodes précédentes (qui nécessitaient une expertise supplémentaire en traitement d’image). Du point de vue industriel, collecter des images depuis la production normale était plus simple que collecter des défauts.

Toutefois, le nombre d’exemples nécessaire est encore trop important pour le paradigme few-shot / zero shot. Certaines méthodes évoquées précédemment ont réalisés des ablations study (PatchCore, SPADE, Padim) avec des résultats intéressants mais pas suffisants.

Les méthodes de détection d’anomalie peuvent se diviser en 2 familles :

  • les méthodes basées sur la reconstruction d’image : l’hypothèse principale est que seules les images normales peuvent être correctement reconstruites, ce qui permet d’identifier les anomalies.
  • les méthodes basées sur des embeddings. Le principe est de comparer des embeddings d’une image anomale avec la distribution normale des embeddings.


Cette offre ID uzCs8nwjRfpyHNREQ a été publiée le 13 octobre 2023 sur le site de notre partenaire, MyFuture.