Pour les joints de soudures sur les cartes de circuits imprimés, le passage aux soudures sans plomb, imposé par la loi, entraîne une augmentation des taux de défaillance. De ce fait, le contrôle qualité doit être amélioré. À cette fin, on a souvent recours à des systèmes automatiques d'analyse d’images par caméras. Toutefois, les méthodes utilisées jusqu'à présent se heurtent encore à des limites. Lors de la définition des critères de contrôle, l'utilisateur est confronté à cette ligne infime entre les taux de défaillance interne et externe, tous deux trop élevés. Une solution actuellement en place chez Siemens Smart Infrastructure intègre donc l’apprentissage profond basé sur « l’intelligence artificielle » (IA) et a permis des améliorations notables.

« Notre client Siemens Smart Infrastructure fabrique des détecteurs de fumée pour la protection contre les incendies dans de nombreuses variantes et en quantités moyennes à grandes sur des systèmes automatiques », déclare Lukas Vassalli, BSc FHO, développeur chez Compar AG à Pfäffikon (Suisse). Les composants utilisés sont placés sur la carte à l'aide d'automates de placement, puis soudés par le haut. L'interdiction des alliages de soudure contenant du plomb dans toute l'Union Européenne oblige les fabricants à utiliser des soudures aux caractéristiques de qualité moindres. Les taux de rebut et les taux de défaillance s'en trouvent augmentés. Il est donc d'autant plus important de disposer de systèmes automatiques fiables de contrôle qualité. Généralement, il s'agit de solutions de traitement d'image par caméra qui, à l'aide de logiciels adaptés, établissent des classifications bons / mauvais (OK/NOK) sur la base d'analyses d'images. Cependant jusqu'ici, leur perception sélective n'a pas toujours donné satisfaction. En particulier lorsqu'elles sont utilisées pour des fonctions de sécurité critiques, les critères de contrôle doivent être réduits à la partie « sûre », car les détecteurs d'incendie doivent présenter une fiabilité optimale. Néanmoins, cela entraîne une augmentation des taux de rebut avec les répercussions correspondante en termes de coûts. Afin de les réduire, Compar s'est fixé pour objectif de recourir en plus à des solutions intégrant « l’intelligence artificielle » sous forme de réseaux neuronaux auto-apprenants pour l'analyse d'images. Par ailleurs, l'objectif consistait à intégrer de telles tâches dans des structures IT de niveau supérieur dans le cadre de « l’industrie 4.0 ».

Intégration de l'IA

« Cognex, le spécialiste du traitement de l'image, a développé des progiciels prêts à l'emploi sous forme de modules enfichables pour de telles tâches sous le nom de ViDi », ajoute L. Vassalli. Sur le plan matériel, un processeur d'images puissant (Graphics Processing Unit, GPU) doit être disponible sur l'ordinateur utilisé, du moins pendant la phase d’entrainement. Un élément essentiel de la bibliothèque de logiciels est un réseau de neurones déjà partiellement pré-structuré, de façon à permettre à l'utilisateur de démarrer rapidement et facilement l'apprentissage. Cela est nécessaire avant la première utilisation et se fait en fournissant au réseau un certain nombre d'images comme « matériel d’entrainement ». Ensuite, il peut évaluer, de façon autonome de nouvelles images selon les critères souhaités. La base de connaissances créée au cours de la formation est étendue et affinée en permanence au cours de l'utilisation. Voilà pourquoi le terme « d'apprentissage profond » a été inventé. L'application décrite ici implique non seulement l'analyse des soudures mais aussi la détection des erreurs d'assemblage.

« Le système global se compose de la caméra et d'un système d'éclairage conçu pour l'application, qui accueille les cartes de circuits imprimés, ainsi que d'un PC industriel avec le programme VISIONexpert® », explique L. Vassalli. Le pack ViDi, qui fonctionne comme une « boîte noire », vient compléter l'ensemble. Il analyse les images transmises via son réseau neuronal et renvoie les évaluations correspondantes. Cela se fait sans délai, en quelques millisecondes, au rythme de la chaîne de production. Avant le démarrage, le système a été préconfiguré par Compar à l'aide d'images d'échantillons de pièces fournies. Pendant le fonctionnement, le système peut être entrainé par l'utilisateur à de nouveaux produits ou à des variantes de produits existants, selon les besoins.

Grâce à la haute performance des ordinateurs, quelques minutes à peine suffisent pour ces phases d’entrainement. Pendant l’apprentissage, le système peut être « alimenté » directement par des photos ou, en mode superviseur, les défauts peuvent être mis en relief à l'aide de codes couleur. Après une courte formation, le client est capable d'exécuter lui-même ces tâches. C'est une condition essentielle pour la réussite du projet. Dans le cas présent, environ 50 images de pièces correctes ainsi que le même nombre de pièces défectueuses ont suffi.

Les processus ViDi

« Le logiciel ViDi se compose de trois modules (rouge, vert et bleu). Dans le cas présent, les modules « rouge » et « bleu » sont utilisés, révèle L. Vassalli. Le module « bleu », appelé « localisateur », vérifie l'assemblage correct des cartes de circuits imprimés. Il identifie les soudures et les positions des composants ainsi que les empreintes. Les variantes peuvent être prédéfinies. Par la suite, ViDi « rouge » reprend la classification en parties OK ou NOK.

Au cours de l’apprentissage, différentes approches peuvent être choisies, par exemple en spécifiant uniquement les pièces OK au lieu des deux catégories OK/NOK. Dans ce cas, l'IA classera automatiquement comme NOK tout ce qui n'est pas clairement identifiable comme OK.

« Une caractéristique importante de l'évaluation ViDi est l'analyse numérique de la classification de chaque résultat », ajoute L. Vassalli. Le système classe les images examinées selon les critères « OK » et « NOK » mais édite toujours une valeur de confiance exprimée en pourcentage. Cette dernière indique à quel point le logiciel est sûr dans son jugement. L'échelle va de 0 (= 100 % OK) à 1 (= 0 % OK ou 100 % NOK).

La distribution de fréquence de ces catégorisations est statistiquement fournie sous forme de diagrammes avec, par ex., la couleur verte pour les résultats OK et la couleur rouge pour les résultats NOK. Ces diagrammes prennent la forme de deux histogrammes de couleur verte et rouge, qui peuvent se chevaucher partiellement. Une représentation plus simple est obtenue en traçant les plages de dispersion cumulées normalisées à un. Selon la tâche et les critères d'évaluation, ceux-ci peuvent soit se chevaucher partiellement, soit former deux groupes clairement distincts.

Lorsque l'entraînement s'est déroulé de manière optimale, il n'y a pas de chevauchement entre les plages de fréquences cumulées. Cela démontre alors une bonne séparabilité de la procédure. Si tel n'était pas le cas, on se retrouverait dans la zone de décision entre les classifications « faux-positifs » et « faux-négatifs ». Dans de tels cas, la détermination optimale de la valeur dite « seuil » joue un rôle important. Si l'on met davantage l'accent sur la sécurité, on minimisera, par exemple, le risque de défaillance de composants importants pour la sécurité chez le client. En revanche, on pourra recourir à la stratégie inverse pour réduire les rebuts internes.

Interaction avec VISIONexpert®

« L'imbrication des possibilités du logiciel ViDi décrites avec le logiciel de traitement d'images VISIONexpert® que nous avons développé sera particulièrement intéressante pour les clients », résume L. Vassalli. La principale composante du logiciel Compar est la prise en charge du matériel externe, c.‑à‑d. la connexion des nombreux modèles de caméras possibles et d'autres périphériques. Une autre tâche réside dans la gestion des données d'image et le transfert des données d'image à analyser vers ViDi. Les résultats renvoyés sont utilisés en interne, visualisés et finalement intégrés dans le processus décisionnel. Malgré toute l'automatisation, l'être humain conserve toujours le pouvoir de décision via la spécification des critères de contrôle et des spécifications de décision telles que le niveau de seuil.

Outre les résultats de l'examen ViDi, les capacités propres de VISIONexpert® sont également utilisées pour analyser et évaluer un objet test. Contrairement au ViDi plug-in, ce logiciel peut, par exemple, prendre des mesures allant jusqu'au µm avec une grande précision et prendre des décisions en fonction des résultats. Enfin, VISIONexpert® prend aussi en charge la communication avec le service informatique supérieur de l'entreprise. Pour Compar, qui développe des solutions pour le contrôle qualité visuel depuis des décennies, l'intégration du nouvel outil basé sur l'Intelligence Artificielle est une étape importante pour améliorer encore l'offre, déclare L. Vassalli.