Depuis ces derniĂšres annĂ©es, 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 Ă  apprĂ©hender mais impactent votre quotidien professionnel. Chez Moovency, nous vous proposons l’outil KIMEA, basĂ© sur l’IA, qui amĂ©liore l’analyse des postures Ă  risque pouvant provoquer des troubles musculo-squelettiques (TMS) dans les industries. Notre approche, basĂ©e sur une seule camĂ©ra, a pour intĂ©rĂȘt sa simplicitĂ© d’usage et sa performance. Fini le placement fastidieux d’une vingtaine de capteurs sur le corps du travailleur, fini Ă©galement les formations complexes en anatomie humaine et en technologie, fini les phases de calibrations frĂ©quentes du systĂšme qui perturbent la ligne de production. Nous avons pariĂ© sur les technologies d’IA appliquĂ©es Ă  la vision par ordinateur depuis plusieurs annĂ©es maintenant et on vous explique pourquoi.

IA, DEEP LEARNING ET VISION PAR ORDINATEUR

La vision par ordinateur permet Ă  votre machine de repĂ©rer des humains dans des images filmĂ©es par une camĂ©ra et de dĂ©terminer les positions de chacune de leurs articulations en 3D. Pour cela, votre ordinateur utilise des modĂšles d’apprentissage pour dĂ©duire ces postures Ă  partir des images que vous lui donnez. Ces algorithmes apprennent grĂące Ă  de trĂšs nombreuses donnĂ©es d’exemple, c’est ce que l’on appelle de l’apprentissage profond ou « Deep learning ».

Lors de nos activitĂ©s de recherche, prĂ©cĂ©dent la crĂ©ation de Moovency, nous avons Ă©tudiĂ© une technologie de vision par ordinateur basĂ©e sur la camĂ©ra KINECT de Microsoft. Cette technologie, issue du monde du jeu vidĂ©o, 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 prĂ©cision des postures lors d’occultation du champ de vision par des objets. Nous avions alors dĂ©veloppĂ© des algorithmes d’apprentissage spĂ©cifiques aux contraintes du monde industriel, nous permettant d’obtenir une prĂ©cision suffisante pour une mesure en condition rĂ©elle de travail.

ValidĂ© aussi bien en laboratoire que sur site de production, tel que chez notre partenaire Faurecia , les rĂ©sultats ont Ă©tĂ© publiĂ©s dans une revue scientifique de rĂ©fĂ©rence 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 Ă©taient encore Ă  rĂ©soudre. La principale contrainte Ă©tait de devoir placer la camĂ©ra de façon fixe et en face du travailleur mesurĂ©, ce qui n’était pas tout le temps possible.

C’est pour cela que nous avons dĂ©veloppĂ© KIMEA 360. Ces algorithmes de « Deep learning » de derniĂšre gĂ©nĂ©ration 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 camĂ©ra 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 Ă  la majoritĂ© des cas d’usage industriels.

exemple de vision par ordinateur

Toutes ces innovations sont le fruit du rĂ©cent dĂ©veloppement de l’IA et plus particuliĂšrement des mĂ©thodes de « Deep learning » appliquĂ©es Ă  la vision par ordinateur. Les Ă©volutions futures du domaine sont nombreuses et nous offrent de belles perspectives pour vous apporter toujours plus de facilitĂ© d’usage et de fonctionnalitĂ© mĂ©tier.

D’AUTRES TECHNOLOGIES DISPONIBLES ?

Vous devez surement connaĂźtre d’autres technologies plus anciennes Ă©galement utilisĂ©es pour mesurer les postures des travailleurs et les risques associĂ©s.

Il s’agit des capteurs inertiels (IMUs) mesurant leurs propres orientations au cours du temps. Bien que rĂ©sistantes aux occultations et au-delĂ  des contraintes d’usage liĂ©es Ă  leur utilisation (placement sur le corps, calibration), les IMUs souffrent d’un manque de robustesse et de prĂ©cision de la mesure. Le principal problĂšme de ces capteurs est dĂ» Ă  la dĂ©rive du gyroscope (l’un des composants des IMUs), qui entraĂźne une erreur de mesure de plus en plus importante au cours du temps. Pour corriger cette erreur, il est possible d’utiliser le magnĂ©tomĂštre. Cependant, ce dernier est perturbĂ© par la prĂ©sence de fer dans l’environnement de mesure, ce qui le rend inopĂ©rant pour des mesures dans l’industrie.

Loin de nous l’idĂ©e de dĂ©nigrer cette technologie, au contraire, nous l’utilisons pour mesurer spĂ©cifiquement les mouvements au niveau des poignets, car rarement visible par la camĂ©ra (objets, outils). L’erreur de mesure des capteurs du commerce est un problĂšme important pour obtenir une donnĂ©e 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 dĂ©veloppĂ© nos propres capteurs rĂ©sistants aux problĂšmes de dĂ©rive de la mesure. Cette nouvelle innovation et les rĂ©sultats obtenus vous seront prĂ©sentĂ©s plus en dĂ©tail dans un prochain article, alors stay tuned 

Pierre Plantard

Loading...