previous arrownext arrow
Génération / Exploration de données



Le CEA List développe des méthodologies d’IA basés Deep-Learning permettant d’étendre la mise en œuvre des approches usuelles à des applications industrielles complexes (peu/pas de données, potentiellement de mauvaise qualité). Une partie significative des travaux concerne les données.

o Méthodologies de création d’image synthétiques afin de constituer rapidement des bases d’apprentissage permettant d’optimiser les modules de Deep-Learning dans des versions spécifiques au cas d’application visé.

• Générations d’images synthétiques (GAN)

• Outils de Transfert de style


o Méthodes d'apprentissage non supervisé/clustering pour l'exploration et l'analyse des données.

• Analyse des Datasets pour une compréhension plus approfondie sur les différentes caractéristiques des Bases et qui pourraient se montrer appropriées à la classification.

• Sélection les groupes d’images avec des caractéristiques visuelles et géométriques similaires pour pouvoir ensuite faire du data-mining, par exemple sélectionner les images les plus pertinentes pour les annotations et apprentissages, au lieu de sélectionner les images aléatoirement



Projet en cours :

MONITORING (2021)

RECARIA (2021)

Nouvelles approches algorithmiques



Le CEA List développe des méthodologies d’IA basés Deep-Learning permettant d’étendre la mise en œuvre des approches usuelles à des applications industrielles complexes (peu/pas de données, potentiellement de mauvaise qualité). Une partie significative des travaux concerne les algorithmes:

o Approches de type Transfer Learning permettant d’optimiser des outils dédiés à un type de production donné en considérant comme baseline des modules préalablement optimisé sur d’autres types de pièces. Ces approches présentent l’avantage de nécessiter moins de données que pour un développement « from scratch » et d’avoir un gain notable de temps nécessaire pour les optimisations.

o Développement de méthodologies de déploiement progressif d’approches IA en fonctions du nombre de données disponibles et de leur niveau de qualification par des experts métiers. Pour cela, des modules développés au CEA List et intégrant des outils d’IA innovants seront intégrés dans un framework commun (One-Class > Zero Shot / Few Shot > Multi Class). L’opérateur expert qualifierait le niveau de performances des différentes étapes, via notamment l’expertise des données issues des modules. Ces retours métiers, couplés à de l’analyse statistique des images générées au cours des contrôles (faites via des outils de qualification de données du CEA), permettrait de valider le changement d’étape.

o Travaux amonts sur des approches IA innovantes pour le développement de modules à partir de bibliothèques de modèles disponibles intrinsèquement explicables (intégrant des outils issus de la physiques théorique) judicieusement sélectionnés par des opérateurs experts des contrôles à effectuer

Réalité augmentée

La RA consiste à mixer le monde réel et le monde virtuel de manière à apporter à l’utilisateur des informations numériques destinées à le guider ou l’aider à comprendre son environnement. Dans le domaine du manufacturing, la mise en œuvre de technologies de RA présente de nombreux avantages permettant de faciliter diverses opérations : maintenance, formation, aide au montage … Pour cela, les systèmes mis en œuvre doivent présenter des niveaux de performances élevés (précision, stabilité, temps de latence, fonctionnement en environnements difficiles …).


Le List développe des outils de SLAM couplé à des contraintes basées modèles permettant d’atteindre les niveaux d’exigence industriels. Ces méthodologies sont applicables si un modèle 3D d’une partie de l’environnement est connu – dans le cas des applications de RA, le modèle CAO

Play

es modules de SLAM contraint Modèle sont transférés depuis 2011 à la société DIOTA qui propose au sein de son DiotaPlayer un ensemble de fonctionnalités de Réalité Augmentée permettant de superposer les instructions de travail avec précision aux objets réels. Les travaux du SIALV permettent aux produits DIOTA de relever des enjeux industriels tels que la complexité des scènes, la robustesse requise, les contraintes de l’embarqué

Picking

Depuis 2017, de nombreux travaux de vision par ordinateur pour des applications de picking/contrôle par le List ont permis de réaliser des avancées fortes et d’acquérir des savoir-faire et briques technologiques de premier plan.


Parmi ces travaux, certains portant sur des développements optiques/capteur dans le cadre du laboratoire commun SIALV/TRIDIMEO ont permis de faire des évolutions fortes des caméras 3D/MS de TRIDIMEO (sensibilité, résolution …) afin de répondre à des critères industriel (temps d’acquisition, précision …). En parallèle, le CEA a développé des approches de recalage 3D innovantes (3 dépôts de brevets en cours / 5 autres à venir). Ces différents travaux ont permis de franchir un cap important permettant la mise en œuvre depuis 2018 de ces solutions dans un site industriel de production automobile pour une application de picking – l’interfaçage de l’ensemble avec un bras robot a notamment été abordée dans ce cadre, permettant d’avoir un système de picking complet.


Dans sa version actuelle, le système de picking complet (capteur TRIDIMEO + Algos CEA + Bras robot) est à un niveau de développement pérenne, tant en terme de maturité que de stabilité.

Play

Au-delà du niveau actuel, des travaux en cours permettent d’envisager des perspectives très prometteuses. Certains de ces travaux portent sur la mise en œuvre de méthodologies d’IA pour les applications de localisation et/ou de contrôle, augmentant ainsi considérablement les applications envisageables aux objets ayant de très grandes diversités de formes/d’aspects, pour lesquels les approches géométriques actuellement mises en œuvres sont mises en défaut.
Ces modules de recalage sont transférés depuis 2017 à la société TRIDIMEO qui conçoit et commercialise une nouvelle génération de caméras 3D multispectrales à haute performance, et développe des solutions logicielles de vision qui permettent d'effectuer divers guidages robotiques de à temps de cycle courts et des contrôles de qualité à haut rendement.

• Projet en cours :
PICK A FUTURE (2020-2021)

Découverte, Structuration et Gestion de la connaissance (GED 2.0)

Des travaux sont menés de manière à intégrer aux technologies de Gestion Electronique de Documents (GED) des outils de data-mining.
Découverte: extraction de terminologie métier, rapprochement de documents.
Structuration: catégorisation des documents, structuration des concepts métier.
Restitution : moteur de recherche sémantique, vue synthétique métier de documents.
Adaptation facilitée au domaine pour plus d’autonomie de l’utilisateur.


Les enjeux technologiques sont multiples et ambitieux :
Faire évoluer CLIMA pour les besoins de la GED 2.0.
Capitaliser les évolutions du moteur de recherche selon les cas d’usage traités.
• Recherche par mots-clefs, entités, relations et exploration cross-documents.
Développer la thématique de structuration automatique de terminologie.

Moteur de recherche sémantique AMOSE, text mining et synthèse de documents.

Clustering de terme semi-autmatisé pour la structuration de terminologie
par identification des concepts clés du domaine (groupement d' instances), et de leurs relations.

Dictée vocale de rapports semi-structurés

Les processus de production, de maintenance ou d’inspection demandent la rédaction de rapports semi -structurés contenant des métadonnées, du texte et des images. Ils servent de support pour de la transmission ou de la capitalisation d’information.


En raison du manque de temps disponible et de l’environnement de travail, les rapports sont mal écrits et/ou incomplets ce qui les rend difficiles à exploiter par l’intermédiaire d’un traitement automatique. De plus, les rapports sont rédigés « au retour au bureau », ce qui entraîne souvent une perte d’information.


Les outils de NLP du SIALV ont été mis en œuvre afin de simplifier le processus de rédaction de rapports par la structuration automatique de rapports dictés, pour leur intégration dans des processus automatisés.

Projet DIVORA


Financé dans le cadre des projets innovants de Factory Lab, le prototype DIVORA vise à simplifier le processus de rédaction des rapports structurés dans le contexte industriel par l’adaptation des outils de traitement automatique du langage écrit pour l'analyse et l’interprétation de la dictée vocale. Le projet a bénéficié de l’apport des d’industriels à travers la vérité terrain de leurs cas d’usage: Bureau Veritas, Vinci Construction, Safran, TechnipFMC et PSA.

Play
previous arrowprevious arrow
next arrownext arrow
Slider