Grâce au deep learning, Clecim affine le contrôle qualité des lignes sidérurgiques
L’ingénieriste Clecim a lancé le 28 juin son nouveau système de contrôle qualité des lignes sidérurgiques. Il s’appuie sur des réseaux de neurones artificiels pour améliorer la détection des défauts et les caractériser en temps réel.
Près de mille milliards d’opérations par seconde. C’est la vitesse de calcul atteinte par la solution de contrôle qualité SIAS Deeplearning lancée le 28 juin par le spécialiste de l’ingénierie en sidérurgie Clecim. Son innovation ? L’utilisation de réseaux de neurones artificiels pour reconnaître les défauts de la tôle en sortie de haut fourneau. En effet, avant d’être enroulée en bobine, la bande d’acier est minutieusement inspectée afin de détecter les défauts susceptibles d’altérer la résistance mécanique ou l’aspect de surface de l’acier. Les bandes défaillantes sont alors soit redirigées vers une application moins critique, soit mise au rebut.
Un défilement à 1000 m/min
L’arrivée de l’intelligence artificielle est une évolution importante pour Clecim qui, depuis quelques années, commercialisait un système de contrôle optique s’appuyant uniquement sur les variations de contrastes. « L’automatisation de la détection de défauts est devenue un élément clé des process sidérurgiques, souligne Stanislas Mauuary, responsable produits. Les bandes d’acier défilent aujourd’hui à une vitesse comprise entre 200 m/min et 1000 m/min selon les installations. Or, on estime que l’œil humain est capable de repérer des anomalies jusqu'à 60 m/min. »
Clecim a donc commencé dans les années 1990 à commercialiser ses premiers systèmes basé sur des caméras optiques dans l’infrarouge et le proche infrarouge. La reconnaissance s’effectue grâce à une technologie développées à l’origine par une spin-off de Thales, acquise par Clecim, qui détecte les anormalités de contrastes en surface. Le système repose sur des caméras dites linéaires, c’est-à-dire n’utilisant qu’une seule rangée de pixels. « Avec une caméra matricielle, il y a toujours des problèmes de déformation, explique Stanislas Mauuary. Comme on regarde la bande selon un certain angle, les pixels qui sont loin sont plus gros que les pixels qui sont près. La caméra linéaire résout ce problème. »
Outils open source et bibliothèque de défauts
Ce type de détection a cependant ses limites, notamment lorsque le défaut est peu contrasté ou lorsque la surface de la tôle est texturée (dans le cas de la tôle larmée par exemple). Clecim s’est penché sur la reconnaissance s’appuyant sur le deep learning pour affiner le contrôle. La partie logicielle a été développée grâce à des outils open source comme TensorFlow de Google ou encore Keras. « Notre savoir-faire repose essentiellement sur la bibliothèque de défauts que nous avons construite, indique Stanislas Mauuary. Elle alimente les algorithmes d’apprentissage profond. » Cette base de données incorpore à la fois les défauts enregistrés avec les anciens systèmes, mais aussi des défauts relevés depuis 4 ans chez des industriels beta testeurs.
Deux fois plus de défauts détectés
Couplés à une caméra de 16 000 pixels et à de puissants processeurs, le système est désormais capable de détecter des défauts, mais aussi de les caractériser en temps réel. « Sur les défauts à faibles contrastes, on détecte deux fois plus de défauts par rapport aux systèmes précédents. Le logiciel fait également la distinction en temps réel entre les défauts de surface et les structures, explique Stanislas Mauuary. De quoi réduire significativement le nombre de pièces mises au rebut. Sachant qu’une tonne d’acier équivaut à une tonne de CO2, le coût environnemental est également réduit », conclut-il.
Sélectionné pour vous
SUR LE MÊME SUJET
Grâce au deep learning, Clecim affine le contrôle qualité des lignes sidérurgiques
Tous les champs sont obligatoires
0Commentaire
Réagir
