L’IA comme opérateur numérique : une collaboration plus intelligente sur la ligne de production

Un des fleurons d’Unilin Flooring est la collection Capture : un sol stratifié qui a le même aspect visuel et la même texture que le vrai bois. Cet aspect hyperréaliste rend le processus de production particulièrement complexe. Le design et la structure pressée doivent s’accorder parfaitement, tandis que les panneaux se déplacent à grande vitesse sur la ligne.

Pour l’opérateur Samuel Vandenberghe, qui travaille depuis deux ans et demi sur la ligne Lux18, le défi est clair : « Dans la collection de sols stratifiés Capture, tout se joue à quelques fractions de millimètre près. En tant qu’êtres humains, nous ne pouvons pas toujours contrôler avec autant de précision, surtout à la vitesse à laquelle les panneaux se déplacent. Sans IA, la production de Capture serait tout simplement impossible. »

AI Finder et Argus : la précision développée par et pour le terrain

Ce soutien en matière de précision a été obtenu grâce à « AI Finder », une technologie de caméra développée par Unilin Flooring. Avant le pressage, des caméras analysent à la fois le décor et le panneau de base. Le système recherche automatiquement les points clés et positionne les couches, pixel par pixel, les unes sur les autres. L’IA assiste également les opérateurs après le pressage grâce à « Argus ». Il s’agit d’un système de caméras deep learning développé en interne par l’équipe Digital Operations Flooring. Argus contrôle chaque panneau individuellement pour détecter les défauts, même ceux qui ne sont pas visibles à l’œil nu. Samuel : « Auparavant, nous faisions des contrôles aléatoires pour détecter les erreurs récurrentes. Aujourd’hui, Argus voit tout. Grâce à l’IA comme opérateur numérique, nous pouvons offrir une qualité encore meilleure. »

Du système de vision classique au deep learning

Pieter Gobin, Ingénieur IA, a participé au développement d’Argus ces dernières années. Il a vu de près comment Unilin est passé de la reconnaissance d’images classique aux modèles d’apprentissage. « Avec la technologie classique de reconnaissance d’images Univision, introduite par Unilin au début des années 2000, nous atteignions déjà une précision de 99 %, mais c’était le plafond. »

Le deep learning a repoussé cette limite.« Avec l’IA, nous visons 99,9 % ou plus. Cela se traduit par moins de temps d’arrêt, un meilleur rendement et surtout une plus grande confiance dans la qualité », explique Pieter. « Le nombre de produits rejetés a diminué de plus de moitié. » Pour entraîner Argus, l’équipe a collecté environ 40 000 images. « Nous avons montré ces images au modèle aussi longtemps que nécessaire, jusqu’à ce qu’il parvienne à les classer correctement », explique Pieter. « Aujourd’hui, Argus évalue chaque photo sur la ligne et élimine les moindres anomalies. »