Inspection de la production par la vision industrielle augmentée à Castelnau-le-Lez
Durée
4 jours, 24 heures 30 minutes
Localité
Castelnau-le-Lez (34170)
Financement
Modalité
Prochaines sessions INTRA possibles dans votre entreprise sur Castelnau-le-Lez (Groupe de 4 personnes minimum)
Objectifs
Concevoir et configurer une solution de vision industrielle adaptée à une application d'inspection automatisée en production
Mettre en oeuvre des méthodes d'inspection automatisée par intelligence artificielle pour détecter et classifier les défauts de production
Déployer et exploiter des solutions de vision industrielle augmentée intégrant l'intelligence artificielle en environnement industriel
Programme
Dimensionner le dispositif d'éclairage selon les propriétés du produit et la lumière de l'environnement
- Théorie de la lumière et des interactions onde-matière
- Technologie des sources d'éclairage à LED pour l'inspection industrielle
- Paramètres d'ajustement du rendu d'éclairage (spectre, IRC, Température de couleur...)
- Dimensionnement optique, électrique et thermique de la source d'éclairage
- Pilotage électronique des sources de lumière
Dimensionner et configurer le système de vision industrielle
- Théorie optique de l'objet projeté sur le capteur d'image
- Sélection de l'objectif : focale fixe ou variable par bague manuelle ou motorisée, lentilles et filtres optiques, ouverture et mise au point, profondeur de champ, distance de travail, cadre de vue...
- Sélection du capteur : technologie, définition d'image, taille, position, diagonale, caractéristiques des pixels, résolution et nombre de bits de conversion, spectre de détection (noir et blanc, couleur RVB, Infrarouge), propriétés des photosites et filtres colorimétriques - Matrice de Bayer...
- Exposition du capteur, diaphragme d'ouverture, vitesse d'obturation, technologie de l'obturateur (Rolling/globalSshutter), sensibilité ISO, bruit résiduel, contraste, luminosité, balance des blancs...
- Paramétrage et traitement logiciel, format du fichier photo, compression, traitement d'image, filtrage numérique, correction des défauts et aberrations optiques...
Exploiter un algorithme IA deep learning type CNN pour inspecter l'image du produit et détecter automatiquement les défauts de production
- Théorie IA-Deep-Learning-CNN : Présentation des architectures type et du principe d'analyse d'image par méthode d'apprentissage et d'entrainement sur un dataset de référence. Labélisation et annotation des images (ImageNet, MNIST...). Méthode de descente du gradient, fonctions de perte (loss) et d'erreur, ReLU, forward/backward propagation, identification des paramètres de détection...
- Etude des modèles et des paramètres d'ajustement du réseau de neurones convolutifs, noyau de filtrage, couches de convolution, fonction d'activation, pooling, couches entièrement connectées, régression linéaire, classification et segmentation d'images, détection des défauts de production...
- Exemples des modèles de référence type LeNet-5, AlexNet, YOLO, R-CNN...
Utiliser les solutions IA des fabricants
- Présentation des caméras de vision industrielle proposées par les principaux fabricants
- Solutions de vision industrielle augmentée IA pour l'inspection et la détection de défaut en production. Détection d'objet ou de forme, comparaison de l'image au dataset de référence, classification, segmentation, identification automatisée des anomalies sur le produit
- Mise en oeuvre d'une solution de vision industrielle augmentée IA avec intervention d'un fabricant pour démonstration des performances atteintes
Inspection de la production par la vision industrielle augmentée à proximité
Découvrez les autres villes où cette formation est également disponible.
En savoir plus
Avis et satisfaction
Régulation avancée et opt. des procédés ind.
Vous souhaitez une autre date ?
Nous proposons des dates tout au long de l'année. Contactez nos conseillers pour plus d'informations.
(1) Cout pédagogique journalier distanciel
Vous souhaitez une autre date ?
Nous proposons des dates tout au long de l'année. Contactez nos conseillers pour plus d'informations.
(1) Cout pédagogique journalier distanciel