Utilisation de l'imagerie thermique et de l'annotation pour les contrôles de qualité

La clé de la précision : pourquoi l'imagerie thermique est importante

L'imagerie thermique, ou thermographie, capture le rayonnement infrarouge émis par les objets et le traduit en données visuelles basées sur la température. Contrairement à l'imagerie RGB standard, les caméras thermiques mesurent les signatures thermiques, ce qui permet de détecter des anomalies qui seraient autrement invisibles, telles que des points chauds électriques, des fuites internes ou la fatigue des matériaux.

Ces cartes thermiques deviennent des indicateurs essentiels pour les contrôles de qualité dans des secteurs tels que :

• Appareils électroniques : Surchauffe des circuits imprimés, défauts de soudure
• Automobile : Usure des plaquettes de frein, problèmes d'échappement, incohérences thermiques
• Aérospatial : Défauts d'isolation, intégrité du composite
• Alimentation et pharmacie : Surveillance de la chaîne du froid, inspection des emballages et des scellés
• Construction et énergie : Interstices d'isolation, efficacité du système CVC, surchauffe des panneaux

🔥 Les données thermiques révèlent des vérités que la lumière visible ne peut pas révéler. Associées à l'IA et à l'annotation, elles transforment votre pipeline d'inspection en un système de contrôle qualité proactif.

La valeur des données thermiques annotées dans les modèles d'IA

Dans le domaine du contrôle qualité basé sur l'IA, l'imagerie thermique devient exponentiellement plus puissante lorsqu'elle est associée à annotation précise. Une image thermique non annotée est simplement une carte thermique : colorée, oui, mais non exploitable. Ce sont les informations étiquetées qui transforment ces données en un terrain d'entraînement pour les systèmes intelligents.

Pourquoi l'annotation est essentielle à la précision de l'IA

Les modèles d'IA, en particulier les systèmes d'apprentissage profond tels que les réseaux de neurones convolutifs (CNN), s'appuient largement sur des modèles contenus dans des ensembles de données étiquetés pour apprendre. Dans le cas de l'imagerie thermique, les annotations aident le modèle à faire la distinction entre distributions de température normales et événements thermiques anormaux—tels qu'une surchauffe, des points froids ou un chauffage asymétrique.

Voici comment l'annotation contribue directement aux performances du modèle :

• Localisation des fonctionnalités: En marquant les régions exactes où se produisent les anomalies thermiques, les annotations aident le modèle à localiser les défauts avec plus de précision. Cela est particulièrement utile dans des scénarios tels que l'inspection des PCB, où une précision extrême est requise.
• Reconnaissance de formes: Au fil du temps, les images thermiques annotées entraînent le modèle à reconnaître non seulement des problèmes isolés, mais aussi des modèles, comme une dérive thermique progressive au cours d'un cycle de production, indiquant une lente dégradation des composants.
• Classification multiclasse: Dans les configurations de fabrication complexes, les annotations peuvent classer différents types d'anomalies (par exemple, points chauds dus à la friction ou défauts électriques). Cela permet au modèle de fournir non seulement un résultat binaire, mais aussi un diagnostic nuancé.
• L'apprentissage temporel: Lorsque l'annotation est appliquée à plusieurs images dans une séquence temporelle (par exemple, pendant un cycle de chauffage ou de refroidissement), l'IA peut apprendre le comportement thermique au fil du temps, ce qui est essentiel pour les applications dans les tests de résistance et l'évaluation dynamique des systèmes.

Au-delà de la détection : l'annotation permet d'expliquer

Un avantage significatif des données thermiques bien annotées est la possibilité de construire IA explicable (XAI) systèmes. Ces modèles peuvent fournir des superpositions de cartes thermiques ou des visualisations de cadre de délimitation pour expliquer pourquoi un produit a été signalé. Cette transparence renforce la confiance et aide les opérateurs humains à vérifier rapidement les suggestions de l'IA.

Imaginez un scénario dans le secteur de la fabrication aérospatiale dans lequel un modèle d'IA met en évidence une anomalie thermique à proximité d'un joint de fuselage. À l'aide de données d'entraînement annotées, le modèle peut expliquer que le hotspot profil de forme, de propagation et d'intensité correspond aux défauts d'isolation connus des exemples précédents. C'est le pouvoir de l'annotation : elle enseigne aux modèles non seulement à détecter les problèmes, mais aussi à les comprendre dans leur contexte.

Débloquer la puissance prédictive

Avec suffisamment de données annotées au fil du temps, les systèmes d'IA peuvent évoluer de contrôles de qualité en temps réel pour maintenance prédictive et optimisation. Par exemple :

• Identifier les micro-anomalies récurrentes qui précèdent les défaillances majeures
• Apprentissage de la signature thermique d'outils usés
• Reconnaître les changements environnementaux qui influent sur les relevés thermiques (par exemple, humidité ou débit d'air)

Les ensembles de données thermiques annotés ne sont donc pas uniquement destinés à l'entraînement des modèles, ils sont essentiels pour créer des systèmes de fabrication plus intelligents et plus résilients qui apprendre et s'adapter au fil du temps.

Applications du monde réel : là où la thermique rencontre l'annotation

Electronique : détection de composants en surchauffe

Dans la production de circuits imprimés (PCB), de légères variations thermiques peuvent indiquer de mauvaises soudures ou des courts-circuits. En annotant les zones de défauts connues sur les images thermiques, les systèmes d'IA apprennent à détecter :

• Joints froids
• Consommation de courant excessive
• Modes de chauffage asymétriques

L'imagerie thermique assistée par l'IA permet de détecter les problèmes à un stade précoce, réduisant ainsi les retours et les taux de retouches.

Fabrication automobile : plaquettes de frein, moteurs et bien plus encore

Les inspections thermiques sont essentielles pour identifier :

• Uniformité des plaquettes de frein
• Performance de refroidissement du moteur
• Surchauffe du module de batterie (en particulier dans les véhicules électriques)

Lorsque les annotations mettent en évidence les plages de température attendues, les modèles d'IA peuvent détecter les composants dépassant les limites de tolérance.

Food & Pharma : chaîne du froid et intégrité des scellés

La vision thermique garantit la conformité des entrepôts frigorifiques et détecte les fuites dans les emballages scellés sous vide. Les données annotées entraînent les modèles d'IA à signaler :

• Écarts de température dans les lignes de conditionnement
• Étanchéité inadéquate en fonction des profils thermiques
• Interruptions de la chaîne du froid pendant le transport

Explorez Ressource de Thermo Fisher sur l'inspection thermique dans le secteur pharmaceutique pour en savoir plus sur ce domaine en pleine expansion.

Construction et énergie : surveillance de l'état des infrastructures

Des drones thermiques et des imageurs portatifs surveillent :

• Isolation du toit
• Sortie du panneau solaire
• Surchauffe du panneau électrique

Les annotations aident à segmenter les zones présentant une distribution de chaleur irrégulière, ce qui permet de planifier la maintenance prédictive avant que des pannes coûteuses ne surviennent.

Meilleures pratiques en matière de collecte de données : adopter la technologie thermique dès le départ

Avant même que l'annotation ne commence, la qualité commence par comment vous collectez des données thermiques.

Conseils pour une imagerie thermique fiable :

• Utilisez des appareils photo calibrés : Garantissez des lectures cohérentes dans tous les environnements.
• Capturez plusieurs angles : En particulier pour les formes 3D ou irrégulières, la variété des angles contribue à la précision des annotations.
• Contrôlez les conditions ambiantes : Les sources de chaleur externes ou les flux d'air peuvent fausser les résultats.
• Utilisez des protocoles standardisés : La même hauteur de caméra, le même angle et le même éclairage réduisent la complexité des annotations.

La création d'un jeu de données thermiques contrôlé et reproductible permettra d'accélérer et de rendre les annotations plus fiables, et renforcera en fin de compte les performances de l'IA.

Stratégies d'annotation qui améliorent l'IA thermique

Une fois vos données collectées, la façon dont vous les annotez façonne l'apprentissage des modèles.

Conseils d'annotation intelligente :

• Étiquette basée sur des plages de tolérance : Marquez les plages de température qui s'écartent des seuils attendus.
• Utilisez les conventions de pseudocouleur : Cartographiez les dégradés pour une révision humaine et une reconnaissance automatique plus rapides.
• Mettez en évidence des motifs, pas seulement des points : Annotez la forme et la répartition des signatures thermiques pour entraîner les modèles sur les modèles de diffusion.
• Marquez les données temporelles le cas échéant : Pour les inspections impliquant des cycles de chauffage/refroidissement, annotez sur tous les cadres.

En enseignant aux modèles à quoi ressemblent la chaleur « normale » et « anormale », vous rendez votre IA plus intelligente et plus résiliente dans des scénarios réels.

Edge contre Cloud : où doit se dérouler le traitement des annotations thermiques ?

Alors que les fabricants étendent leur utilisation de l'imagerie thermique et de l'IA, une décision cruciale doit être prise : où le traitement et l'annotation des données doivent-ils avoir lieu ? Devrait-il être installé sur des appareils périphériques locaux, dans le cloud ou dans un modèle hybride ?

Chaque approche comporte ses avantages, et le meilleur choix dépend de vos besoins spécifiques en matière de contrôle qualité, d'infrastructure, de latence et de contraintes de gouvernance des données.

Traitement en périphérie : rapidité, autonomie et sécurité

L'informatique de pointe consiste à effectuer le traitement des données et l'inférence par IA directement sur des appareils ou des serveurs locaux proches de la chaîne de production. Pour les annotations thermiques et les contrôles de qualité, cela signifie que la détection des défauts peut avoir lieu dans en temps réel, sans avoir à envoyer de données à des serveurs externes.

Avantages du traitement Edge:

• Faible latence: Détection et réponse immédiates aux anomalies, essentielles dans les environnements de production à haute vitesse.
• Capacités hors ligne: continue de fonctionner même lorsque la connexion Internet n'est pas fiable ou n'est pas disponible.
• Confidentialité des données et conformité: Particulièrement important dans les secteurs réglementés tels que les produits pharmaceutiques, l'aérospatiale et la défense, où les données thermiques peuvent être sensibles.
• Efficacité de bande passante: Seules les exceptions ou les trames signalées peuvent être envoyées au cloud, ce qui réduit la charge du réseau.

Cas d'utilisation:

• Une ligne d'emballage alimentaire à volume élevé utilisant une IA basée sur les technologies de pointe pour rejeter instantanément les contenants mal scellés.
• Une station d'assemblage automobile utilisant l'IA thermique + Edge pour arrêter les opérations si un étrier de frein dépasse la tolérance de température.

Restrictions:

• Limitations matérielles pour une formation approfondie des modèles ou un stockage à long terme
• La maintenance et les mises à jour doivent être gérées sur site
• Peut manquer d'évolutivité pour le réentraînement du modèle ou l'augmentation de l'ensemble de données

Traitement dans le cloud : évolutivité et formation aux modèles d'IA

L'annotation et le traitement basés sur le cloud transfèrent le plus gros du travail aux serveurs distants. Cette configuration est idéale pour tâches d'annotation à grande Scale AI, une formation sur les modèles d'apprentissage profond et une évaluation collaborative entre les équipes ou les sites.

Avantages du traitement dans le cloud:

• Évolutivité: gère facilement de grands ensembles de données provenant de plusieurs usines ou appareils.
• Collaboration: Les annotations peuvent être distribuées aux équipes ou aux fournisseurs d'étiquetage, améliorant ainsi le débit.
• De puissantes ressources de calcul: Idéal pour entraîner et affiner des modèles d'apprentissage profond à l'aide de grands ensembles de données thermiques.
• Contrôle de version et expérimentation: il est facile de tester plusieurs modèles, stratégies d'annotation ou seuils de température.

Cas d'utilisation:

• Agrégation de milliers de scans thermiques provenant de parcs solaires de différentes régions pour créer un modèle de détection des défauts centralisé.
• Entraînement d'un modèle d'IA à usage général à l'aide d'ensembles de données thermiques collectés auprès de plusieurs fabricants sous contrat dans le monde entier.

Restrictions:

• Latence plus élevée pour les applications en temps réel
• La dépendance à Internet peut perturber les pipelines d'inspection
• Risques liés à la sécurité des données s'ils ne sont pas correctement gérés (en particulier dans les juridictions)

Approche hybride : le meilleur des deux mondes

De nombreuses usines modernes adoptent une modèle hybride: effectuer des inférences de base et détecter des anomalies à la périphérie, tout en envoyant des données sélectionnées vers le cloud à des fins d'annotation, de formation et de mise à jour des modèles.

Par exemple :

• Les appareils Edge signalent les événements thermiques inhabituels
• Les cadres marqués sont téléchargés dans le cloud pour être annotés
• Les modèles mis à jour sont régulièrement repoussés vers les appareils de pointe

Cette approche équilibre rapidité, efficacité et apprentissage continu.

Principales questions à se poser avant de choisir

Pour choisir entre un traitement thermique en périphérie, dans le cloud ou hybride, posez-vous les questions suivantes :

• Quel est le délai acceptable entre l'apparition du défaut et sa détection ?
• Les anomalies thermiques sont-elles fréquentes ou rares ?
• Avez-vous besoin d'étiqueter à grande Scale AI ou en lots contrôlés plus petits ?
• Existe-t-il des contraintes légales concernant le stockage des données thermiques ?
• Quelles sont les limites de votre matériel et de votre infrastructure réseau ?

Répondre à ces questions vous aidera à créer un pipeline d'annotations thermiques robuste qui correspond à vos objectifs de production et à vos besoins de conformité.

Les défis de l'imagerie thermique et de l'annotation

Malgré ses avantages, l'annotation thermique comporte des obstacles uniques :

• Absence de contexte visuel : Contrairement aux images RGB, les cadres thermiques manquent de forme ou de texture, ce qui rend l'annotation plus difficile.
• Limites de résolution : Les capteurs thermiques basse résolution ne peuvent pas identifier les défauts fins sans fusionner avec des données à haute résolution.
• Fatigue des annotations : L'examen de centaines de cartes thermiques presque identiques peut réduire la précision.

Les solutions incluent la fusion de données thermiques avec des données visuelles (fusion de capteurs), la création d'interfaces utilisateur d'annotation intuitives et l'utilisation de la pré-annotation assistée par IA pour guider les étiqueteurs humains.

Combiner l'imagerie thermique avec la fusion de capteurs

L'association de caméras thermiques à d'autres types de données (par exemple, RGB, LiDAR, vibrations) enrichit les contrôles de qualité.

Exemples :

• Thermique + RGB : Détectez les défauts visibles et établissez des corrélations avec les anomalies thermiques.
• Thermique + acoustique : Trouvez des pièces en surchauffe associées à des sons inhabituels.
• Thermique et vibrations : Vérifiez de manière croisée la surchauffe avec l'instabilité structurelle.

Les ensembles de données multimodaux annotés vous permettent de créer des modèles d'IA qui ne se contentent pas de détecter les défauts, ils les expliquent.

Entraîner l'IA à l'aide de données thermiques : qu'est-ce qui fonctionne le mieux ?

Les modèles d'IA thermique sont généralement construits à l'aide de réseaux de neurones convolutifs (CNN) ou d'architectures basées sur des transformateurs, en fonction de la complexité de la tâche.

Pratiques de formation éprouvées :

• Normaliser les valeurs thermiques sur toutes les images
• Augmentez les données grâce aux rotations, au bruit et aux décalages temporels
• Préentraînez-vous sur RGB, puis affinez sur la température pour bénéficier de modèles de base plus grands
• Annotez de petits ensembles de données mais complétez-les par des images thermiques synthétiques

Des chercheurs de Laboratoire d'IA de Stanford et AVEC UN ESCARGOT ont publié des études de cas réussies utilisant ces méthodes dans le domaine de l'inspection industrielle.

Mise à l'Scale AI de l'IA thermique dans votre usine

Pour passer de la phase pilote à la production :

• Commencez avec une seule gamme ou un seul produit : Récoltez des échantillons thermiques sur plusieurs lots
• Créez une bibliothèque Ground Truth : Annoter des exemples représentatifs d'échantillons OK par rapport à NG (pas bons)
• Entraînez un modèle prototype : Utilisez un ensemble petit mais de haute qualité
• Test avec feedback de l'opérateur : Combinez les suggestions de l'IA à l'évaluation humaine
• Itération et mise à l'Scale AI : Élargissez à plusieurs gammes de produits une fois que vous êtes en confiance

N'oubliez pas que l'annotation n'est pas une tâche ponctuelle : elle évolue en fonction de votre produit, de vos tolérances et des défis de production.

Les tendances de l'industrie et les prochaines étapes 🔮

L'IA thermique n'est plus expérimentale : elle devient rapidement une norme en matière de contrôle qualité.

Tendances émergentes :

• Capteurs thermiques à faible coût : Les prix baissent, ce qui rend le chauffage plus accessible
• Traitement de l'IA sur puce : Analyse thermique en temps réel directement sur le matériel de l'usine
• Standardisation des ensembles de données thermiques : Une meilleure analyse comparative mène à de meilleurs modèles
• Ensembles de données pré-annotés : Certains fournisseurs proposent désormais des bibliothèques thermiques spécifiques à un domaine

Et peut-être le plus intéressant : intégration avec des jumeaux numériques. Les données thermiques superposées dans des modèles d'usine virtuels permettent une maintenance prédictive, des économies d'énergie et une optimisation continue de l'assurance qualité.

Allons monter la température 🔧🔥

L'imagerie thermique et l'annotation ne sont plus seulement des nouveautés de haute technologie : ce sont des outils puissants pour un contrôle qualité plus intelligent. En combinant les données de température avec l'IA et des annotations bien structurées, les fabricants peuvent détecter les défauts plus tôt, réagir plus rapidement et dimensionner les inspections sans augmenter les effectifs.

Si vous envisagez d'utiliser l'imagerie thermique pour votre usine, ne vous contentez pas de capturer la chaleur : annotez-la, modélisez-la et utilisez-la pour prendre des décisions en temps réel afin de réduire les déchets, de garantir la conformité et de protéger la réputation de votre marque.

👉 Êtes-vous prêt à créer ou à faire évoluer votre pipeline d'annotations thermiques ? Contacter DataVLab pour commencer à créer des flux de travail thermiques compatibles avec l'IA pour vos besoins de fabrication spécifiques.