AVIS D’EXPERT – L’utilisation du traitement industriel de l’image dans les systèmes embarqués est “en forte croissance“, explique Martin Delabre, Presales Engineer chez MVTec, un fabricant international de logiciels de vision industrielle. Dans ce contexte, il est selon lui “judicieux” d’y intégrer des technologies d’IA modernes telles que le deep learning. “Cela permet d’atteindre des taux de reconnaissance encore plus robustes et de réaliser de nouvelles applications. L’association judicieuse de procédés d’IA et de systèmes basés sur des règles s’avère optimale à cet égard.“
Les scénarios d’utilisation industrielle profitent également de cette évolution, car les dispositifs compacts tels que les caméras intelligentes, les capteurs de vision mobiles, les SoM (System on Modules) et les SoC (System on Chips) n’ont rien à envier aux appareils grand public en termes de performances. Toutefois, les exigences de l’environnement industriel sont très différentes de celles du secteur grand public : les appareils industriels doivent être disponibles sur le marché à long terme, ce qui implique des cycles de vie des produits plus longs, d’au moins dix ans. De plus, ils doivent présenter une grande sécurité contre les pannes et pouvoir faire face aux conditions industrielles difficiles.
Les appareils embarqués marquent des points avec des avantages évidents
Il est toutefois significatif que les appareils embarqués sont souvent en concurrence avec les systèmes stationnaires basés sur PC dans le contexte industriel. Les premiers se distinguent par quelques avantages importants : Malgré leurs moindres performances, ils sont moins encombrants et consomment beaucoup moins d’énergie, ce qui réduit considérablement les émissions. En outre, ils sont disponibles sur le marché à un prix nettement plus avantageux que les systèmes fixes. Enfin, les appareils embarqués sont désormais mieux adaptés aux conditions industrielles difficiles que les PC industriels. Tous ces avantages entraînent une forte augmentation de la demande de systèmes embarqués.
Il est donc de plus en plus important de pouvoir y utiliser des procédés de traitement industriel de l’image. Les systèmes de vision industrielles sont utilisés depuis longtemps avec succès sur les PC industriels fixes pour différentes tâches de traitement d’images. Il permet par exemple d’identifier automatiquement et avec une grande précision des objets de toutes sortes en se basant uniquement sur des caractéristiques extérieures. Pour ce faire, des appareils d’acquisition d’images tels que des caméras ou des capteurs 3D sont placés à différents endroits afin d’enregistrer les processus de production. Les données d’images numériques ainsi générées peuvent être traitées dans le logiciel de vision industrielle intégré et utilisées pour d’autres applications dans la chaîne de création de valeur industrielle automatisée. Outre la reconnaissance d’objets, il s’agit entre autres de l’inspection des défauts et de la manipulation précise de produits et de pièces.
L’Embedded Vision nécessite un matériel performant
Les procédés modernes basés sur l’intelligence artificielle (IA) prennent de plus en plus d’importance dans le contexte de la vision embarquée. Le Deep Learning, qui repose sur une architecture de réseaux neuronaux est particulièrement pertinent à cet égard. La technologie de l’IA est considérée comme l’un des principaux moteurs du développement rapide de systèmes embarqués toujours plus performants. Dans ce contexte, le cœur du deep learning est un entraînement complet basé sur l’analyse d’une grande quantité de données d’images numériques. Dans le cadre du processus d’entraînement, les algorithmes de deep learning apprennent des propriétés typiques sur la base desquelles les objets à identifier peuvent être clairement attribués à certaines classes. Il est ainsi possible d’obtenir des taux de reconnaissance encore plus robustes et de simplifier considérablement les processus de vision artificielle. En outre, l’utilisation du deep learning permet de réaliser des applications entièrement nouvelles qui n’étaient pas envisageables sous cette forme jusqu’à présent.
Les accélérateurs deep learning gardent le rythme
Comme toutes les technologies d’IA, le Deep Learning pose toutefois des exigences très élevées en matière de performance de calcul. Pour exécuter les algorithmes à grande vitesse, les systèmes embarqués correspondants ont besoin de composants matériels très performants. Outre les CPU et les GPU, les accélérateurs deep learning entrent également en ligne de compte. Il s’agit de modules spéciaux placés par exemple sur les SoM et qui augmentent de manière significative la vitesse des opérations de deep learning. Les accélérateurs de deep learning dédiés offrent, outre le traitement parallèle des réseaux, d’autres avantages qui sont surtout valables dans le domaine de l’embarqué. Malgré leurs performances comparables, ils sont nettement plus petits et moins gourmands en énergie que les GPU. Ils peuvent donc être intégrés directement dans des appareils embarqués compacts, comme les caméras intelligentes. De plus, ils sont généralement moins chers que les GPU haute performance.
Ces avantages font grimper en flèche la demande d’accélérateurs de deep learning. C’est pourquoi de nombreux fabricants développent à toute vitesse des systèmes correspondants dans différentes versions et les proposent sur le marché. Même si les avantages du deep learning dans le cadre de la vision embarquée sont évidents, la technologie d’IA n’est pas toujours le choix optimal pour tous les cas d’application. Certes, le deep learning est parfaitement adapté aux domaines d’application classiques que sont la classification, la reconnaissance d’objets et l’identification de défauts. Mais dans d’autres domaines, la technologie se heurte rapidement à ses limites. La raison principale en est que les réseaux de deep learning fonctionnent par nature comme des “boîtes noires”. Ils offrent donc peu de visibilité sur les processus internes, ce qui les rend difficiles à comprendre.
Pour ces raisons, il est souvent judicieux, dans l’environnement embarqué, de combiner intelligemment le deep learning et les méthodes de vision artificielle traditionnelles basées sur des règles dans le cadre d’une approche hybride. Ces dernières peuvent combler les lacunes du Deep Learning et ouvrir la voie à une solution de bout en bout. Elles permettent par exemple de rendre plus transparents les critères de décision au sein des processus de deep learning. En effet, dans certains secteurs industriels, il est indispensable de comprendre complètement les raisons de décisions spécifiques. Dans le cadre de systèmes basés sur des règles, certains critères de décision peuvent être consultés de manière ciblée pour la classification d’objets.
Martin Delabre
