L’Industrie 4.0 reste centrée sur la numérisation de machines et de process, mais dans un process de production typique, les travailleurs doivent toujours réaliser 4activités sur5 – et cela passe pratiquement inaperçu dans la numérisation toujours croissante. Par conséquent, un spécialiste en détection ne pourrait-il pas utiliser la main humaine comme capteur?
L’application utilise une combinaison de détection d’objet – c’est-à-dire les mains – et de suivi individuel de chaque main détectée. Une caméra combinant la 2D/3D permet la détection précise de la position de préhension. Dans le champ de vision de la caméra, la main humaine sert de capteur pour permettre de suivre les opérations de picking sans autre accessoire type tracker supplémentaire. En cas de déviation par rapport aux étapes de process définies, des instructions sont affichées sur l’image live du moniteur afin d’apporter à l’opérateur une aide numérique pour une plus grande fiabilité d’exécution des process de travail.
De nouvelles formes d’intelligence artificielle, comme par exemple le Deep Learning, apportent de nouvelles possibilités pour résoudre des problèmes complexes de reconnaissance d’image. La reconnaissance d’objet dans l’environnement industriel a toujours concerné des composants d’aspect le plus similaire possible, pouvant donc être facilement décrits comme objets du point de vue du traitement d'image. Mais lorsqu’il s’agit de reconnaître des objets qui sont dynamiques et qui présentent un aspect toujours légèrement différent, les approches algorithmiques conventionnelles se heurtent à leurs limites. La main humaine en est le meilleur exemple: non seulement elle varie d’une personne à l’autre, mais elle diffère aussi en termes de forme, tenue, rotation et représentation angulaire. Et de plus elle est constamment en mouvement.
Mais c’est justement là qu’excelle le Deep Learning: les réseaux neuronaux peuvent détecter avec précision de tels éléments grâce aux grands volumes de données préalablement appris.