Le contrôle de qualité représente jusqu'à 40% des coûts des équipements, majoritairement pour de l'inspection matériel. La détection anomalie (IAD - Industrial Anomaly Detecion) est une tâche particulière de l'inspection matériel.
L'utilisation de l'IA et des techniques d'apprentissage (ML) est confronté à :
- peu de données labélisées (amplifié par la rareté des défauts)
- grosse différence de qualité lors d'acquisition des données entre l'environnement de labo et d'usine
- difficulté d'utiliser directement en prod les modèles pré-entrainé existant
Nous allons donc :
- Reduce the classical overhead of dataset construction and annotation by leveraging existing pre-trained models.
- Explore novel methods that could aid the workers by using language Q&A interactions.
- Develop and test solution on open datasets as well as in-house datasets (on Safran products).
| Name | GitHub Profile |
|---|---|
| François-Xavier | FX |
| Luca Hachina | Luca |
| Nicolas Allègre | nicolas-allegre |
| Sarah Garcia | Sarah |