POURQUOI PARIER SUR LA VISION PAR ORDINATEUR ?

Par Dr. Pierre Plantard CTO de Moovency

Depuis ces dernières années, on vous parle de plus en plus d’« Intelligence Artificielle » (IA), de « Deep Learning » ou encore de « Big Data ». Les concepts sous-jacents de ces disciplines informatiques ne sont pas toujours simples à appréhender mais impactent votre quotidien professionnel. Chez Moovency, nous vous proposons l’outil KIMEA, basé sur l’IA, qui améliore l’analyse des postures à risque pouvant provoquer des troubles musculo-squelettiques (TMS) dans les industries. Notre approche, basée sur une seule caméra, a pour intérêt sa simplicité d’usage et sa performance. Fini le placement fastidieux d’une vingtaine de capteurs sur le corps du travailleur, fini également les formations complexes en anatomie humaine et en technologie, fini les phases de calibrations fréquentes du système qui perturbent la ligne de production. Nous avons parié sur les technologies d’IA appliquées à la vision par ordinateur depuis plusieurs années maintenant et on vous explique pourquoi.

IA, Deep Learning et Vision par ordinateur

La vision par ordinateur permet à votre machine de repérer des humains dans des images filmées par une caméra et de déterminer les positions de chacune de leurs articulations en 3D. Pour cela, votre ordinateur utilise des modèles d’apprentissage pour déduire ces postures à partir des images que vous lui donnez. Ces algorithmes apprennent grâce à de très nombreuses données d’exemple, c’est ce que l’on appelle de l’apprentissage profond ou « Deep learning ».

Lors de nos activités de recherche, précédent la création de Moovency, nous avons étudié une technologie de vision par ordinateur basée sur la caméra KINECT de Microsoft. Cette technologie, issue du monde du jeu vidéo, permettait d’obtenir les postures 3D d’une personne sans devoir lui mettre des capteurs ou une combinaison sur le corps. Bien que prometteur, cette technologie souffrait de limites telles que la faible précision des postures lors d’occultation du champ de vision par des objets. Nous avions alors développé des algorithmes d’apprentissage spécifiques aux contraintes du monde industriel, nous permettant d’obtenir une précision suffisante pour une mesure en condition réelle de travail.

Validé aussi bien en laboratoire que sur site de production, tel que chez notre partenaire Faurecia , les résultats ont été publiés dans une revue scientifique de référence du domaine et disponible gratuitement ici. Bien que nos travaux de recherche nous aient permis d’utiliser KIMEA dans de nombreux domaines industriels, certaines contraintes d’utilisation étaient encore à résoudre. La principale contrainte était de devoir placer la caméra de façon fixe et en face du travailleur mesuré, ce qui n’était pas tout le temps possible.

C’est pour cela que nous avons développé KIMEA 360. Ces algorithmes de « Deep learning » de dernière génération vous permettent de mesurer la posture de vos travailleurs aussi bien de face que de dos. De plus, notre solution vous permet de suivre le travailleur avec une caméra mobile, ce qui adresse les limites d’avoir un point de vue fixe. Cette innovation nous fait franchir un cap important, nous permettant de vous proposer un outil portable et non invasif compatible à la majorité des cas d’usage industriels.

exemple de vision par ordinateur

Toutes ces innovations sont le fruit du récent développement de l’IA et plus particulièrement des méthodes de « Deep learning » appliquées à la vision par ordinateur. Les évolutions futures du domaine sont nombreuses et nous offrent de belles perspectives pour vous apporter toujours plus de facilité d’usage et de fonctionnalité métier.

D’autreS technologies disponibles ?

Vous devez surement connaître d’autres technologies plus anciennes également utilisées pour mesurer les postures des travailleurs et les risques associés.

Il s’agit des capteurs inertiels (IMUs) mesurant leurs propres orientations au cours du temps. Bien que résistantes aux occultations et au-delà des contraintes d’usage liées à leur utilisation (placement sur le corps, calibration), les IMUs souffrent d’un manque de robustesse et de précision de la mesure. Le principal problème de ces capteurs est dû à la dérive du gyroscope (l’un des composants des IMUs), qui entraîne une erreur de mesure de plus en plus importante au cours du temps. Pour corriger cette erreur, il est possible d’utiliser le magnétomètre. Cependant, ce dernier est perturbé par la présence de fer dans l’environnement de mesure, ce qui le rend inopérant pour des mesures dans l’industrie.

Loin de nous l’idée de dénigrer cette technologie, au contraire, nous l’utilisons pour mesurer spécifiquement les mouvements au niveau des poignets, car rarement visible par la caméra (objets, outils). L’erreur de mesure des capteurs du commerce est un problème important pour obtenir une donnée valide car il vous faut les recalibrer toutes les 3-4 minutes pendant la mesure, ce qui est inacceptable pour nous.

Mais tout n’est pas perdu car nous avons développé nos propres capteurs résistants aux problèmes de dérive de la mesure. Cette nouvelle innovation et les résultats obtenus vous seront présentés plus en détail dans un prochain article, alors stay tuned 😉

Pierre Plantard


Laisser un commentaire

Ce site utilise Akismet pour réduire les indésirables. En savoir plus sur comment les données de vos commentaires sont utilisées.