Apprentissage profond pour des systèmes robustes de vision artificielle en industrie

点击翻译按钮获取中文摘要

Récemment, les approches d'intelligence artificielle à base d'apprentissage profond ont mené à d'importants progrès en vision par ordinateur. Or, la mise en oeuvre de ces approches dans les applications industrielles réelles, où les requis en précision et en vitesse d'exécution sont particulièrement exigeants, reste à ce jour trop limitée dû à leurs limitations courantes. Notamment, celles-ci demandent d'avoir une grande quantité de données annotées et sont peu robustes aux conditions changeantes de l'environnement. Ce partenariat avec la compagnie Matrox a pour objectif de développer des approches de vision à base d'apprentissage profond, qui sont mieux adaptées aux applications réelles de l'industrie. Spécifiquement, ce partenariat mènera à: 1) des algorithmes de vision artificielle pouvant apprendre avec une supervision très limitée (i.e., peu de données annotées ou données faiblement annotées), et s'adapter rapidement aux conditions changeantes de l'environnement; 2) de nouveaux modèles de reconnaissance d'objets capables de traiter à la fois des images 2D et des nuages de points 3D; 3) un système de reconnaissance optique de caractères (ROC) pouvant intégrer un ensemble de règles sur les patrons à reconnaître et généraliser à des polices de caractères jamais observées en entraînement. Le programme de R&D proposé, qui contribuera à la formation de 9 étudiants aux cycles supérieurs et 2 stagiaires postdoctoraux, aura des impacts bénéfiques sur l'industrie et la société. Au niveau industriel, le développement de systèmes d'inspection plus fiables permettra de réduire les coûts de fabrication et mènera à des produits de meilleure qualité. En nécessitant moins de données annotées, les méthodes proposées dans cette recherche pourront également être adaptées plus rapidement et à moindre coût à de nouvelles applications industrielles. Par ailleurs, l'intégration de données 2D et 3D facilitera l'automatisation de tâches complexes qui utilisent ces données, dont la manutention et l'assemblage d'objets, réduisant ainsi les coûts et risques de blessures reliés à ces tâches.