En moyenne, 100 m² de tissu sont produits ou importés par personne par an en France. Et environ 20 m² sont jetés*. Car les efforts des producteurs ne suffisent pas à éviter l’apparition de défauts lors de la fabrication de surfaces textiles.
La détection à chaque étape de la production est une des solutions pour améliorer la qualité du produit fini, réduire la consommation de matières premières et faciliter l’adaptation de la chaîne de production à une demande des consommateurs qui évolue de plus en plus rapidement. Entre deux étapes, la matière transformée est souvent transportée plusieurs fois sur des centaines de kilomètres, d’une usine à l’autre : dans ces conditions, il faut être capable de faire suffisamment de contrôles pour ne pas gaspiller de ressource et perdre un temps précieux dans la livraison des produits finis. Si la détection peut être réalisée de manière efficace par l’oeil humain, elle est malheureusement difficile à réaliser en Europe car extrêmement coûteuse et impossible à mettre en place à grande échelle.
Grâce à la création du plus grand référentiel de données textiles jamais créé, AQC – Automate Quality Control, automatise entièrement le contrôle de la qualité sur la chaîne de production. Basée sur le deep learning**, la technologie d’AQC se nourrit des informations capturées sur des millions d’échantillons de textiles, pour détecter automatiquement les défauts. Ce qui fait la force de cette solution c’est sa capacité à reconnaître les défauts, catalogués ou non, sur tous types de tissu, à toutes les étapes de la chaîne de production.
Aujourd’hui, AQC enregistre un taux de détection de plus de 99% des très petits défauts sur un tissu uniforme. La solution AQC parvient également à détecter avec précision l’endroit où se trouve le défaut, ainsi que sa forme et sa taille.
Pierre Magrangeas, co-fondateur AQC et fondateur d’Onogone, entreprise à l’initiative du projet: ” Nous élaborons une solution adaptée aux besoins spécifiques de chaque client qui va révolutionner le marché du textile en faisant passer le contrôle qualité à une nouvelle ère. Nous utilisons pour cela toute la puissance de l’intelligence artificielle au service de l’industrie textile. Cette technologie aura une influence sur les normes et la productivité mondiale. Avec la nouvelle génération de détection des défauts, nous permettons à nos clients de prendre part à cette révolution au lieu d’un être les spectateurs “.
Faite pour être intégrée au cœur de la chaîne de production, la machine est disponible sous forme de banc complet ou de module intégrable à un banc de contrôle traditionnellement manipulé par un opérateur. Les défauts détectés font l’objet d’un rapport informatisé. A ce jour, de rares solutions étaient disponibles pour contrôler des défauts très larges sur des textiles unis : les algorithmes de deep-learning d’AQC sont capables de détecter des défauts très discrets, de les distinguer des irrégularités d’effet que l’on retrouve sur de nombreux tissus, et de traiter les défauts structurels sur des textiles à motifs réguliers simples. Au fil du temps, ces modèles seront capables de détecter les défauts les plus discrets, que même l’oeil humain a de la peine à détecter parmis les plis et motifs complexes d’un tissu.
“ L’équipe d’experts en ingénierie d’AQC a élaboré un dispositif qui s’intègre facilement à la chaîne de production, afin d’exploiter la puissance de l’intelligence artificielle au sein de l’usine et de permettre aux équipes de prendre des décisions éclairées en temps réel. Nous contribuons ainsi au développement d’une industrie qui minimise les défauts des produits et les déchets, et réduit les coûts de production. Les retours marchandise s’en trouvent drastiquement réduits”, explique Christian Bracich, co-fondateur d’AQC.
Les tests réalisés en laboratoire sur des dizaines de kilomètres de tissu ont permis de détecter des défauts variés, y compris déjà des défauts non repérés par des opérateurs humains. Les premières installations en usine sont en cours, afin de prolonger l’entraînement des modèles et de construire une interface de paramétrage simple, pour s’adapter rapidement à toutes les commandes.
** Le deep learning (ou apprentissage profond) est une technique originale et récente regroupant des concepts comme les réseaux de neurones artificiels (1950), l’apprentissage automatique (ou Machine learning apparue dans les années 1980) ainsi que le traitement massif de données non structurées (ou Big Data). C’est cette méthode d’apprentissage automatique qui est par exemple utilisée par les assistants vocaux et sans laquelle ils seraient incapables de répondre correctement ni même de comprendre ce qu’on leur dit.
Source: communiqué AQC/Onogone – 27/05/2020
Contact presse : Agence Oxygen