Numérique
Micelia est une société d’ingénierie en IA, ou ce que l’on pourrait appeler une agence IA. Elle développe des solutions IA sur-mesure, souveraines et robustes pour le compte de ses clients. Pour ce projet , Micelia est à la fois client et prestataire.
Société d’ingénierie, Micelia travaille sur de nombreux projets clients. Toutefois, la plupart d’entre eux visent à créer des effets de leviers concurrentiels, ce qui les rend hautement confidentiels. Mais alors, pour Micelia, comment apporter la preuve de son expertise et de sa compétence ? Micelia avait donc besoin d’un démonstrateur, à la fois performant et compact pour être amené sur les différents événements où expose la société.
L’équipe Micelia a développé un démonstrateur dynamique mettant en œuvre une solution de détection de défauts sur des pièces métalliques. Le démonstrateur embarque, sur son PC industriel équipé de NPU, un modèle de segmentation par instances et un modèle de détection qui tournent en continu et en temps réel. Les performances sont elles rendues visibles grâce à un retour sur l’écran du dispositif.
Avec ce démonstrateur, à la fois performant et compact, Micelia apporte la preuve de son savoir-faire. Les différents modèles IA sont aussi performants que frugaux. Ils tangibilisent parfaitement les expertises de Micelia : le deep learning, la computer vision et le déploiement edge, ou embarqué en français.
Le projet est né d’un constat simple : les réalisations de Micelia sont nombreuses, mais leur caractère confidentiel empêche généralement de les présenter publiquement, et encore moins de rentrer dans les détails techniques.
L’équipe Micelia a donc imaginé un cas d’usage représentatif de problématiques industrielles concrètes : la détection automatique et en temps réel de défauts sur des pièces métalliques. Ceci correspond à une problématique récurrente chez les clients de Micelia, celle du contrôle qualité automatisé.
Ce choix permettait de réunir plusieurs contraintes intéressantes pour un démonstrateur IA.
Le système devait être capable d’analyser un flux vidéo et de détecter les défauts présents sur les pièces en temps réel. Des spécificités qui font directement écho avec les expertises Micelia : deep learning appliqué à la computer vision et déploiement de modèles en Edge ! Les bases du projet étaient donc posées.
La première étape consistait à la création d’un jeu de données probant et reflétant la technicité réelle des projets clients soumis à l’expertise de Micelia. Pour ce faire, nous avons opté pour un contrôle qualité sur des tubes en cuivre. C’est ainsi que 4 mètres de tubes de cuivre se sont vu découpés en petites sections de 2 à 4 cm, avant d’être pour 90% d’entre eux, rayés, déformés, impactés ou encore dépolies.
La seconde étape du processus de création du jeu de données portait sur l'acquisition et l’annotation de flux vidéo. Pour cela nous avons présenté chacune des sections endommagées à une caméra pilotée par notre outil d’acquisition et d’annotation Lynx. Résultat ? Un dataset robuste qui nous permet d'entraîner les deux modèles cibles pour ce projet.
La solution développée repose sur deux briques complémentaires : un modèle de segmentation permettant d’isoler les éléments à inspecter (ici des tubes métalliques réfléchissants) ainsi qu’un modèle de détection permettant d’identifier les défauts présents sur ces objets.
Micelia s’engage auprès de ces clients à ne fournir que des modèles sous licences non contraignantes. C’est dans cet esprit que la base architecturale YOLOX à été sélectionnée. Micelia en possède sa propre version, lui permettant d’atteindre les performances d’autres modèles à l’état de l’art sous licences contraignantes.
Cela combiné à une maîtrise des techniques d’optimisations avancées, nous a permis d’arriver à un résultat de précision de 80%, le tout en étant embarqué en int8 avec des latences de l’ordre de la milliseconde.
Si la détection embarquée représente déjà un enjeu d’optimisation, la segmentation par instance représente un challenge encore plus important lors du passage aux entiers 8 bits. Contrairement aux idées reçues, même un petit modèle comme Yolov5n, lorsque bien entraîné et bien optimisé, peut atteindre des scores quasi parfait. C’est ce que Micelia à voulu démontrer en parvenant à atteindre les 99% de précisions sur ce modèle embarqué en int8 toujours avec des latences de l’ordre des quelques millisecondes.
Mais l’objectif du projet ne se limitait pas à obtenir de bonnes performances sur un ordinateur puissant. Le démonstrateur devait pouvoir fonctionner de manière autonome sur une plateforme matérielle compacte et contrainte.
L’équipe Micelia a donc porté une attention particulière à la frugalité des modèles et à leur déploiement sur le NPU Hailo. Cette approche permet d’exécuter les inférences directement sur le dispositif, tout en conservant la réactivité nécessaire à une démonstration en temps réel.
Le choix du matériel s’est ainsi porté sur une carte innodisk ASBC 3040 ainsi qu’une carte accélératrice Hailo 8l. Comme mentionné, c’est sur ce matériel que les équipes Micelia ont obtenu des inférences pour la détection et la segmentation respectivement à 4 et 6 ms.
Une fois les différents composants intégrés, les résultats des inférences sont restitués directement sur l’écran du démonstrateur. Le visiteur peut ainsi suivre le traitement réalisé par l’IA et visualiser immédiatement les défauts détectés sur les pièces qu’il manipule lui même.
Le résultat est un dispositif à la fois compact, autonome et démonstratif, conçu pour accompagner les équipes Micelia lors de leurs différents événements.
Plus qu’un simple prototype, ce démonstrateur constitue une véritable preuve par la démonstration du savoir-faire de Micelia : concevoir des modèles de Deep Learning adaptés à un cas d’usage, les optimiser pour les rendre frugaux, puis les déployer sur une architecture Edge capable de fonctionner en temps réel.
Il permet ainsi à Micelia de montrer concrètement ce que ses équipes savent faire, tout en préservant la confidentialité des projets réalisés pour ses clients.
