,allowExpansion)
IA et vision par ordinateur dans la sécurité et l'assurance qualité
Augmenter la surveillance humaine et améliorer le contrôle des processus
La vision par ordinateur en temps réel crée des améliorations tangibles dans les environnements industriels et de sécurité, donnant aux machines la capacité d'interpréter des données visuelles à partir d'images et de vidéos, et permettant l'analyse instantanée des événements au fur et à mesure qu'ils se déroulent
L'Essence du Traitement en Temps Réel
Au cœur de la vision par ordinateur en temps réel se trouve la capacité d'un système à traiter des données visuelles et à fournir une sortie presque instantanément. Cette capacité est la clé pour créer des solutions qui peuvent intervenir et améliorer des processus dynamiques, que ce soit pour garantir la sécurité ou gérer des lignes de production. Pour y parvenir, il faut non seulement des algorithmes astucieux, mais aussi une pile matérielle et logicielle optimisée pour la performance.
Inférence à grande vitesse avec NVIDIA TensorRT
Un composant critique de la pile logicielle est NVIDIA TensorRT, une bibliothèque haute performance conçue spécifiquement pour accélérer la vitesse d'inférence des modèles d'IA. Une technique clé qu'elle utilise est la réduction de précision, où les calculs au sein du réseau de neurones sont effectués en utilisant des nombres de moindre précision. Cela accélère considérablement le calcul tout en étant soigneusement géré pour éviter toute perte de précision dans le résultat final. TensorRT est compatible avec les frameworks de deep learning populaires, y compris la bibliothèque PyTorch utilisée dans ces solutions, et il est essentiel pour maximiser les performances du matériel GPU sous-jacent.
Déploiement Edge Puissant et Privé
La base matérielle pour ces applications en temps réel est le NVIDIA Jetson AGX Orin. C'est un appareil de pointe puissant mais compact, conçu pour des applications d'IA haute performance. Traiter les données "sur le bord"—c'est-à-dire localement sur l'appareil lui-même plutôt que de les envoyer à un serveur distant—offre plusieurs avantages clés. Cela réduit considérablement la latence, car les données n'ont pas besoin de voyager sur un réseau ; cela économise de la bande passante ; et cela améliore la confidentialité et la sécurité, car les données visuelles sensibles restent sur place.
Défis de la sécurité aéroportuaire
La sécurité dans un environnement aéroportuaire est une question de la plus haute importance, impliquant de nombreux contrôles et un grand contingent de personnel pour garantir la sécurité de milliers de passagers chaque jour. L'innovation technologique joue un rôle crucial dans le soutien et l'amélioration de ces procédures rigoureuses. Cependant, maintenir une vigilance constante et inébranlable est un défi significatif pour le personnel humain. C'est ici que l'intelligence artificielle peut fournir une couche de soutien vitale, augmentant les capacités humaines pour améliorer les contrôles de sécurité, tels que ceux effectués lors du scan des cartes d'embarquement. Les technologies de vision par ordinateur jouent un rôle critique dans l'adressage des vulnérabilités de sécurité dans ces environnements aéroportuaires, en particulier le problème du suivi et des violations de périmètre.
Détection de la queue et de l'escalade
Le tailgating se produit lorsqu'une personne non autorisée suit de près un passager légitime à travers une porte avant qu'elle ne se ferme, contournant les vérifications d'identité. Pour contrer cela, un système de vision par ordinateur en temps réel a été développé, qui suit en continu les individus à mesure qu'ils s'approchent et passent à travers les e-portes. En combinant le suivi des mouvements avec les données de statut de la porte et l'analyse temporelle, le système peut déterminer avec précision si chaque entrée est légitime. Le modèle open-source RTMDet est utilisé pour une détection de personnes efficace et précise, tandis qu'un module de suivi attribue des identifiants uniques aux individus à travers les images vidéo, permettant une analyse continue des mouvements. Si deux personnes sont détectées passant à travers pendant un seul cycle de porte ou dans un intervalle de temps incroyablement court, le système le classe comme un événement de tailgating et déclenche immédiatement une alarme sonore et une alerte sur l'interface utilisateur pour le personnel de sécurité.
Un autre cas d'utilisation critique concerne les individus tentant de sauter par-dessus la balustrade de la queue pour contourner le scan de la carte d'embarquement. Cela nécessite une compréhension plus détaillée de la posture et du mouvement humain, ce qui est réalisé en utilisant le modèle RTMPose. Le système détecte d'abord les individus, puis analyse 17 points clés du corps—en se concentrant particulièrement sur les hanches—pour déterminer si quelqu'un tente de grimper la barrière. En fonction de la proximité d'une personne à la balustrade, le système active l'estimation de la posture en temps réel et évalue leur mouvement. Si un comportement d'escalade est détecté, une alarme est déclenchée pour alerter le personnel. En combinant la détection de personnes, le suivi et l'estimation de la posture au sein d'un pipeline de vision par ordinateur unifié, le système améliore considérablement la sensibilisation à la situation et soutient la surveillance humaine dans la détection des violations qui seraient difficiles à repérer par une surveillance manuelle seule.
L'importance des faibles faux positifs
Un indicateur crucial pour le succès de tout système de sécurité automatisé dans un aéroport fréquenté est son taux de faux positifs. Des milliers de passagers, souvent avec des bagages ou interagissant les uns avec les autres, traversent ces zones chaque jour, créant des scènes complexes qui pourraient potentiellement déclencher de fausses alarmes. Un nombre excessif de fausses alarmes serait une distraction plutôt qu'une aide pour le personnel de sécurité, rendant le système inutilisable. Les systèmes développés affichent un taux de faux positifs inférieur à 0,2 %. C'est une amélioration considérable par rapport aux systèmes basés sur des capteurs pour le tailgating, par exemple, qui avaient un taux de faux positifs dépassant 5 %, un chiffre qui pourrait se traduire par plus de 600 fausses alarmes par jour.
Exploiter l'IA et les nuages de points 3D pour le contrôle qualité industriel
Dans les environnements industriels où la précision est essentielle, l'IA est de plus en plus utilisée pour soutenir le contrôle de la qualité en offrant une surveillance cohérente et en temps réel qui surmonte les limitations de l'inspection humaine, telles que la fatigue ou la subjectivité. Alors que l'imagerie 2D traditionnelle peut détecter des défauts de surface, certaines applications nécessitent une compréhension plus détaillée de la forme et de la structure d'un objet. Pour y remédier, les systèmes d'IA peuvent analyser des nuages de points—des représentations 3D haute résolution composées de milliers de points de données spatiales. Cependant, le traitement de données aussi denses en temps réel pose des défis, car il n'existe pas de méthodes de compression standard pour les informations de profondeur, et les exigences computationnelles sont élevées. Des techniques efficaces comme le recadrage pour isoler les régions pertinentes et le sous-échantillonnage pour réduire la taille des données sont donc essentielles pour rendre l'inspection 3D en temps réel à la fois précise et pratique.
Inspection 3D pilotée par IA pour le suivi de l'assemblage de palettes
Ce système utilise une IA avancée et une imagerie 3D pour surveiller un bras robotique lors de l'assemblage de palettes en superposant des boîtes. En utilisant une caméra 3D à temps de vol (ToF), qui combine des flux RGB et de profondeur pour générer des nuages de points précis, le système inspecte chaque couche terminée pour la qualité et la précision. Deux indicateurs clés de performance (KPI) sont évalués : le taux de remplissage de la couche de palette et son alignement. La précision de la caméra permet de détecter des désalignements aussi petits que deux centimètres à une distance de six mètres. Le pipeline d'inspection commence par capturer des scènes statiques après que le bras robotique a bougé, transformant l'orientation du nuage de points dans le système de coordonnées du monde, et sélectionnant des images optimales grâce à une analyse de densité — le tout effectué avec un traitement multiprocesseur pour un fonctionnement en temps réel.
Après la sélection des images, le système nettoie et optimise le nuage de points en supprimant le bruit causé par les réflexions métalliques grâce à des algorithmes de regroupement, en se concentrant sur le plus grand composant connecté. Il gère les palettes vides pour établir des KPI de référence et utilise le modèle MobileSAM rapide pour segmenter la palette. Le recadrage et le sous-échantillonnage réduisent encore la complexité des données. Une approche hybride 2D/3D estime ensuite avec précision les contours de la couche de palette. Enfin, les KPI sont calculés en comparant la surface polygonale de la couche avec celle de la palette vide et en vérifiant les anomalies d'alignement lorsque des points tombent en dehors des limites définies, garantissant un assemblage de palettes de haute qualité.
Démontrer des résultats tangibles
L'efficacité de ce système dans des contextes industriels est évidente dans ses résultats. Au cours d'une période d'essai de trois semaines, le nombre de défauts détectés par le système était supérieur au nombre moyen de plaintes annuelles que le client recevait pour des palettes défectueuses, suggérant que de nombreux défauts étaient auparavant passés inaperçus. Les indicateurs de performance étaient exceptionnels : des anomalies ont été détectées dans seulement 0,009 % des couches analysées, soulignant leur extrême rareté, avec un taux de faux positifs exceptionnellement bas de 0,001 %.
Technology Reply est la société du groupe Reply spécialisée dans la conception et la création de solutions innovantes basées sur les technologies Oracle. Avec une expertise approfondie et une expérience acquise au cours de plus de 25 ans d'activité, Technology Reply accompagne ses clients dans les processus d'innovation et de transformation numérique, avec une équipe de professionnels capables d'intervenir à toutes les étapes du cycle de vie d'un projet : analyse, conception, mise en œuvre, lancement et exploitation. Technology Reply se positionne comme un partenaire de référence pour les technologies Oracle sur site et cloud : BigData, Analytics, eCommerce, Mobile, Gestion des identités et des accès, et Gestion de contenu. Avec sa culture Agile, Technology Reply devient un leader dans les technologies émergentes, mettant en œuvre l'intelligence artificielle, l'apprentissage automatique, des microservices basés sur DevOps et des technologies cognitives pour une grande variété de raisons, de secteurs et de clients.