Vers une inspection visuelle automatique : une méthode d’apprentissage faiblement supervisée pour la détection d’objets applicables en milieu industriel

La détection visuelle industrielle constitue une composante essentielle dans l’industrie moderne pour la maintenance et l’inspection des équipements. Grâce aux récents progrès du deep learning, des détecteurs d’objets industriels avancés ont été développés pour des applications industrielles intelligentes. Toutefois, les méthodes basées sur le deep learning sont connues pour être gourmandes en données : les étapes de collecte et d’annotation des données sont fastidieuses et chronophages. Il est particulièrement peu réaliste, dans les contextes industriels, de recourir à des jeux de données publiques en raison de la diversité intrinsèque des scénarios et des contraintes liées à la confidentialité. Dans cet article, nous explorons l’automatisation de l’inspection visuelle industrielle et proposons un cadre de segmentation-agrégation permettant d’apprendre des détecteurs d’objets à partir de données visuelles faiblement annotées. L’annotation minimale utilisée se limite à des étiquettes de catégorie au niveau de l’image, sans boîtes englobantes. La méthode est mise en œuvre et évaluée sur des images d’isolateurs collectées in-house ainsi que sur les benchmarks publics PASCAL VOC, afin de vérifier son efficacité. Les expérimentations montrent que nos modèles atteignent une haute précision de détection et peuvent être appliqués en industrie pour réaliser une inspection visuelle automatique avec un coût d’annotation minimal.