Le contrôle qualité des légumes a considérablement évolué ces dernières années. Grâce aux caméras et aux lasers, il est désormais possible d’inspecter et de trier automatiquement de grands volumes de produits. Certaines applications restent toutefois complexes, notamment lorsque les défauts ou les corps étrangers présentent de fortes similitudes avec le produit lui-même. Pour relever ces défis, les transformateurs se tournent de plus en plus vers l’intelligence artificielle et le Deep Learning.

En s’appuyant sur ces technologies, Optimum Sorting a développé A-EYE, une nouvelle technologie de tri destinée notamment au traitement des épinards et des haricots verts. Grâce au Deep Learning, A-EYE détecte avec précision des défauts et matières indésirables qui échappaient jusqu’à présent aux systèmes de tri conventionnels. Curieux de découvrir comment A-EYE ouvre de nouvelles perspectives pour le tri optique ? Retrouvez plusieurs cas d’application concrets dans la suite de cet article.

Comment le Deep Learning optimise-t-il votre tri ?

Avec les technologies de tri conventionnelles, un opérateur ou un développeur définit à l’avance les caractéristiques du produit à analyser, telles que les différences de couleur, les variations de forme ou certaines dimensions spécifiques. Cette approche est efficace pour de nombreuses applications, mais elle montre ses limites lorsque les matières indésirables ressemblent fortement au produit lui-même. Sans repère supplémentaire, comment une caméra peut-elle faire la différence entre un produit conforme et un produit à écarter ?

Le modèle A-EYE d’Optimum Sorting adopte une approche différente. Il repose sur le Deep Learning, une forme d’intelligence artificielle dans laquelle les modèles apprennent à partir de grandes quantités de données et d’exemples. Son fonctionnement s’inspire de la manière dont l’être humain identifie et évalue visuellement les produits. Un contrôleur qualité expérimenté ne se limite pas à l’analyse d’une caractéristique isolée, mais reconnaît instantanément un objet dans son ensemble. A-EYE applique le même principe. Au lieu d’évaluer séparément chaque critère, le modèle analyse simultanément les formes, les structures, les proportions et les caractéristiques visuelles afin de construire une évaluation globale du produit.

Grâce aux algorithmes de Deep Learning qui en constituent la base, A-EYE est particulièrement adapté aux applications de tri les plus complexes, notamment dans le traitement des légumes. Cette technologie peut être combinée sans difficulté avec les logiciels de tri existants, par exemple pour la détection des décolorations ou d’autres défauts visuels. Mais qu’en est-il en pratique ? Découvrez dans la suite de cet article comment A-EYE est utilisé pour le tri des épinards et des haricots verts.

Détection des pédoncules

Dans le traitement des haricots verts, A-EYE apporte des avantages concrets. L’une des applications les plus pertinentes concerne la détection des pédoncules. Pour un système de tri conventionnel, distinguer le pédoncule (stem end) de la pointe (tip end) d’un haricot peut s’avérer complexe, tant leur apparence visuelle est similaire.

Pour les systèmes de tri conventionnels, il est extrêmement difficile de faire la distinction entre les deux. Pourtant, les haricots présentant un pédoncule ne doivent pas se retrouver dans le produit fini. En entraînant le modèle à l’aide de milliers d’images issues de conditions réelles, A-EYE apprend à reconnaître ces différences subtiles et identifie avec une bien meilleure précision les haricots à écarter.

Détection des tiges

A-EYE aide également à identifier les tiges, les brindilles et autres débris végétaux indésirables introduits dans le flux de produits lors de la récolte.

Comme ces résidus végétaux présentent souvent la même couleur et une forme similaire à celles des haricots, ils sont difficiles à distinguer à l’aide des méthodes de détection conventionnelles. Grâce au Deep Learning, nous analysons l’objet dans son ensemble et pouvons déterminer de manière beaucoup plus fiable ce qui constitue un haricot et ce qui n’en est pas un. Même lorsque des parties végétales se superposent partiellement aux haricots ou se présentent sous différents angles sur le convoyeur, le modèle reste capable d’effectuer une classification précise.

Détection du pourpier

Une troisième application, particulièrement intéressante, concerne la détection du pourpier (Portulaca oleracea). En raison du durcissement des réglementations relatives à la protection des cultures et de la réduction de l’utilisation des herbicides, cette plante a davantage tendance à se développer au sein de certaines cultures de haricots. Après la récolte et la transformation, le pourpier présente souvent de fortes similitudes visuelles avec les haricots verts, ce qui complique leur différenciation fiable.

Grâce au Deep Learning, le système de tri est également capable d’apprendre à reconnaître ces différences subtiles. Alors que la présence de pourpier pouvait autrefois entraîner le rejet de lots entiers, les transformateurs de légumes peuvent aujourd’hui trier de manière beaucoup plus ciblée. Cela permet de limiter les pertes de produit, d’améliorer les rendements et de valoriser une plus grande part de la matière première destinée à la consommation.

Accélérez le développement des modèles d’entraînement

Avant qu’un modèle de Deep Learning puisse reconnaître des défauts, il doit être entraîné à partir de grandes quantités de données issues de conditions réelles. Grâce aux plateformes cloud modernes et aux nouvelles méthodes d’entraînement, ce processus est aujourd’hui beaucoup plus rapide qu’il ne l’était il y a quelques années. De plus, les nouveaux modèles d’intelligence artificielle peuvent s’appuyer sur les connaissances déjà acquises dans des applications existantes, ce qui permet de raccourcir considérablement les cycles de développement.

Les progrès réalisés ces dernières années sont considérables. Alors qu’un nouveau modèle nécessitait auparavant plusieurs mois de développement, une application comparable peut aujourd’hui être opérationnelle en quelques semaines seulement. Un modèle destiné à une nouvelle variété de haricots peut par exemple s’appuyer sur les connaissances acquises lors du développement d’applications pour les haricots verts. Les modèles existants peuvent également être optimisés très rapidement grâce à de nouvelles données issues des conditions réelles, parfois en l’espace de quelques heures seulement. En général, le processus d’apprentissage se déroule en trois étapes :

Moins de pertes, plus de qualité, plus de capacité

Avec A-EYE, Optimum Sorting repousse les limites des technologies de tri modernes. En associant l’intelligence artificielle et le Deep Learning à l’inspection par caméra, et à terme aux lasers et à d’autres capteurs, la technologie permet de détecter avec précision des défauts qui échappaient jusqu’alors aux systèmes de tri automatisés.

Cette technologie ouvre de nouvelles perspectives pour des applications qui restent difficiles à traiter avec les méthodes de vision traditionnelles, qu’il s’agisse de détecter des mauvaises herbes parmi les épinards, de distinguer le pourpier des haricots verts ou d’identifier les pédoncules et autres résidus végétaux indésirables. Les transformateurs gagnent ainsi en maîtrise de la qualité, optimisent la valorisation de leur récolte et limitent les pertes de produit.

Les avantages d’A-EYE vont bien au-delà de la seule détection des défauts. Des essais en conditions réelles réalisés chez un client ont démontré que la technologie permet également d’augmenter les capacités de tri. Chez un transformateur de haricots verts, l’intégration d’A-EYE a permis d’accroître la capacité de production de +25 %, passant d’environ 8 à 10 tonnes par heure. Même lorsque les produits se chevauchent partiellement sur le convoyeur, A-EYE reste capable de les identifier et de les évaluer avec précision. Alors que les algorithmes conventionnels voient souvent leurs performances diminuer dans de telles conditions, A-EYE conserve un haut niveau de précision et de fiabilité. Traiter plus de produit tout en maintenant un niveau de qualité élevé. N’est-ce pas précisément l’objectif de tout transformateur ?

Intéressé par une démo gratuite ?

Contactez notre équipe commerciale pour découvrir les solutions adaptées à vos besoins et rendez-vous dans l’un de nos centres de démonstration pour tester nos machines avec vos propres produits.
Vous verrez ainsi exactement ce qu’elles peuvent vous apporter.

A-EYE, c’est quoi ?

Avec A-EYE, Optimum Sorting introduit une nouvelle technologie de tri basée sur le Deep Learning, capable de détecter des défauts complexes. Contrairement aux systèmes traditionnels, A-EYE apprend à partir de données réelles et identifie des différences subtiles qui passaient souvent inaperçues auparavant. Les transformateurs peuvent ainsi automatiser des applications de tri qui étaient jusqu’à récemment difficiles à mettre en œuvre, tout en réduisant les pertes de produit et en améliorant la qualité du produit fini.