Comment Onogone veut détecter les défauts de production textile grâce à l’IA

Selon l’Union des industries textiles, en moyenne, 100 mètres carrés de tissu sont produits ou importés par personne par an en France. Et environ un quart est jeté en raison de défauts constatés au moment de la production. Pour Pierre Magrangeas, fondateur d’Onogone, entreprise française de vingt-cinq salariés spécialisée dans l’accompagnement des entreprises dans le développement d’intelligences artificielles sur-mesure, cela ne pouvait plus durer. C’est pourquoi de la société a décidé de prendre le taureau par les cornes en créant AQC – Automate Quality Control, un système chargé d’automatiser entièrement le contrôle de la qualité sur la chaîne de production.

Reposant sur la technologie du deep learning (méthode d’apprentissage automatique)​, ​la solution AQC se nourrit des informations capturées sur des millions d’échantillons de textiles, pour détecter automatiquement les défauts. ​« Ce qui fait sa force, c’est sa capacité à reconnaître les défauts, catalogués ou non, sur tous types de tissu, à toutes les étapes de la chaîne de production », souligne Pierre Magrangeas, co-fondateur d’AQC.

Aujourd’hui, AQC enregistre un taux de détection de plus de 99% des très petits défauts sur un tissu uniforme. La solution AQC parvient également à détecter avec précision l’endroit où se trouve le défaut, ainsi que sa forme et sa taille. « Nous élaborons une solution adaptée aux besoins spécifiques de chaque client qui va révolutionner le marché du textile en faisant passer le contrôle qualité à une nouvelle ère. Nous utilisons pour cela toute la puissance de l’intelligence artificielle au service de l’industrie textile. Cette technologie aura une influence sur les normes et la productivité mondiale. Avec la nouvelle génération de détection des défauts, nous permettons à nos clients de prendre part à cette révolution au lieu d’un être les spectateurs ».

Faite pour être intégrée au coeur de la chaîne de production, la machine est disponible sous forme de banc complet ou de module intégrable à un banc de contrôle traditionnellement manipulé par un opérateur. Les algorithmes de deep-learning d’AQC sont capables de détecter des défauts très discrets (lesquels font ensuite l’objet d’un rapport informatisé), de les distinguer des irrégularités d’effet que l’on retrouve sur de nombreux tissus, et de traiter les défauts structurels sur des textiles à motifs réguliers simples. Au fil du temps, ces modèles seront capables de détecter les défauts les plus discrets, que même l’oeil humain a de la peine à détecter parmi les plis et motifs complexes d’un tissu.

AQC enregistre un taux de détection de plus de 99% des très petits défauts sur un tissu uniforme. La solution AQC parvient également à détecter avec précision l’endroit où se trouve le défaut, ainsi que sa forme et sa taille