SortScrews: A Dataset and Baseline for Real-time Screw Classification

Cet article présente SortScrews, un nouveau dataset et une ligne de base pour la classification visuelle en temps réel de vis, conçu pour combler le manque de données publiques dans les scénarios de tri automatisé et démontrer l'efficacité des modèles légers même avec un jeu de données limité.

L'essentiel

Imaginez que vous êtes dans un immense atelier de bricolage, et qu'une machine doit trier des milliers de vis. Le problème ? Il y a des vis plates, des vis rondes, des vis courtes, des vis longues... Elles se ressemblent toutes comme deux gouttes d'eau pour un humain, alors imaginez pour un robot ! C'est là que ce rapport technique, SortScrews, entre en jeu.

Voici l'histoire de ce projet racontée simplement, avec quelques images mentales pour bien comprendre.

🧱 Le Problème : Le "Tri des Vis" est un casse-tête

Dans le monde de l'industrie, les robots sont super forts pour souder ou soulever des choses lourdes. Mais les faire reconnaître une petite vis d'un type précis parmi des milliers d'autres, c'est comme demander à un enfant de distinguer deux jumeaux qui portent le même t-shirt. C'est très difficile car les différences sont minuscules (la forme de la tête, la longueur des filets).

De plus, il n'existait pas de "livre de recettes" (de données) gratuit pour apprendre aux robots à faire ça. C'était comme essayer d'apprendre à conduire sans jamais avoir eu de permis ni de manuel.

📸 La Solution : SortScrews, le "Cours de Vis"

L'équipe de l'Université de Toronto a créé SortScrews. C'est un peu comme un album photo éducatif pour robots.

• Le contenu : Ils ont pris 560 photos de haute qualité de 6 types de vis différents, plus des photos de "rien" (juste le fond).
• La méthode : Au lieu de prendre des photos au hasard, ils ont construit un petit banc de test en bois avec une caméra fixe. C'est comme un studio photo miniature où la vis est placée toujours au même endroit, mais avec de légères variations de lumière (comme si le soleil passait derrière un nuage).
• L'outil magique : Ils ont aussi créé un petit logiciel gratuit. N'importe qui, avec une webcam pas chère et un bout de bois, peut reproduire ce studio et créer son propre album photo pour d'autres pièces mécaniques. C'est comme donner à tout le monde le plan d'une usine de jouets, pas juste les jouets.

🤖 L'Entraînement : Le Robot qui apprend vite

Pour voir si cet album photo fonctionnait, ils ont utilisé deux "cerveaux" d'intelligence artificielle (des modèles appelés EfficientNet et ResNet).

• L'analogie du transfert : Imaginez que vous voulez apprendre à reconnaître des vis. Au lieu de commencer par zéro (comme un bébé qui ne connaît rien), vous prenez un expert qui connaît déjà des millions d'objets (des chats, des voitures, des arbres) et vous lui dites : "Hé, tu connais déjà les formes, regarde juste ces vis." C'est ce qu'on appelle le transfert d'apprentissage.
• Le résultat : Même avec un petit nombre de photos (560, c'est très peu pour l'IA moderne), les robots ont appris très vite !
  • Le modèle ResNet-18 a été le champion : il a reconnu 96,4 % des vis correctement. C'est comme un élève qui rate à peine un examen sur 100 questions.
  • Le modèle EfficientNet-B0 a aussi bien réussi (86,2 %), mais il s'est un peu trompé sur les vis qui se ressemblent le plus (comme confondre une vis ronde de 2,5 cm avec une vis plate de 3,5 cm).

🕵️‍♂️ Les Petites erreurs et le Futur

Même les meilleurs ont leurs faiblesses. Parfois, le robot confond deux vis qui ont la même longueur mais une tête différente. C'est comme si vous confondiez deux frères jumeaux parce qu'ils ont la même taille, mais que l'un porte un chapeau et l'autre non. Le robot a parfois du mal à voir le "chapeau" (la tête de la vis) s'il n'a pas assez de photos sous tous les angles.

Les chercheurs disent aussi que le robot a appris un "trick" : il regarde parfois où la vis est placée sur la photo plutôt que ce qu'elle est. C'est comme si un élève devinait la réponse en regardant la position de la question sur la page, plutôt que de lire la question !

🚀 Pourquoi c'est important ?

Ce projet montre qu'on n'a pas besoin d'usines géantes et de caméras à 10 000 dollars pour faire de l'industrie intelligente. Avec un peu de créativité, une webcam et un peu de code, on peut créer des systèmes capables de trier des pièces automatiquement.

En résumé :
Les auteurs ont créé un petit manuel de reconnaissance de vis et un kit de construction pour que n'importe qui puisse faire de même. Ils ont prouvé que même avec peu de données, si l'on contrôle bien l'environnement (comme dans un studio photo), les robots peuvent devenir des experts du tri, rendant les usines plus rapides et moins dépendantes des humains pour les tâches répétitives.

Résumé technique

Titre : SortScrews : Un Dataset et une Ligne de Base pour la Classification en Temps Réel des Vis

1. Problématique

L'identification automatique des vis est une tâche fondamentale pour l'automatisation industrielle, la robotique et la gestion des stocks. Cependant, la reconnaissance de ces composants mécaniques présente des défis uniques :

• Variations subtiles : Les types de vis diffèrent souvent uniquement par de légères variations géométriques (forme de la tête, longueur, type de filetage), ce qui rend la distinction difficile pour les systèmes de vision par ordinateur.
• Rareté des données : Contrairement aux tâches de reconnaissance visuelle générales (comme ImageNet), il existe un manque criant de datasets publics pour la classification de composants industriels fins, en particulier dans des scénarios d'objets uniques contrôlés.
• Contraintes industrielles : Les environnements industriels disposent souvent de peu de données étiquetées et de configurations d'acquisition limitées, nécessitant l'utilisation de modèles légers et efficaces.

2. Méthodologie et Dataset

Les auteurs ont développé une approche complète incluant la collecte de données, le pipeline de capture et l'évaluation de modèles.

• Le Dataset SortScrews :

  • Composition : 560 images RVB de résolution 512 × 512.
  • Classes : 6 types de vis (variations de tête plate/ronde et de longueur : 1,5 cm à 7,5 cm) plus une classe "arrière-plan" pour permettre le rejet d'objets non pertinents.
  • Équilibre : Le dataset est parfaitement équilibré (80 échantillons par classe).
  • Conditions d'acquisition : Les images ont été capturées dans un environnement contrôlé mais avec des variations légères de l'éclairage et de la perspective (4 configurations de capture) pour simuler les changements environnementaux industriels. Chaque image contient une seule vis placée aléatoirement dans une zone calibrée.
  • Outils : Un script de collecte de données réutilisable est fourni, permettant aux chercheurs de créer des datasets similaires pour d'autres composants en utilisant un matériel photographique peu coûteux (webcam iCAN C55N, support en bois).

• Approche d'Apprentissage (Baseline) :

  • Architectures : Deux réseaux de neurones convolutifs (CNN) légers pré-entraînés sur ImageNet ont été évalués : EfficientNet-B0 et ResNet-18.
  • Technique : Utilisation de l'apprentissage par transfert (fine-tuning). Les couches finales ont été remplacées pour correspondre aux 7 classes du dataset.
  • Entraînement : Réalisé sur un MacBook Pro M3 (sans GPU dédié puissant, soulignant la légèreté du modèle) avec l'optimiseur AdamW, une taille de lot de 16 et 100 époques. Les backbones ont été gelés pour stabiliser l'optimisation sur ce petit dataset.

3. Résultats Expérimentaux

Les performances ont été évaluées sur un ensemble de validation (28 images) :

• Précision de Classification :
  • ResNet-18 : A atteint une précision de 96,4 %, surperformant les attentes pour un dataset aussi restreint.
  • EfficientNet-B0 : A atteint une précision de 86,2 %.
• Temps d'Inférence (Temps réel) :
  • Les deux modèles sont extrêmement rapides. ResNet-18 traite une image en moyenne en 6,42 ms (environ 155,8 images/seconde), tandis qu'EfficientNet-B0 prend environ 17,95 ms (55,7 images/seconde).
• Analyse des Erreurs :
  • L'analyse de la matrice de confusion révèle que les erreurs se concentrent sur la confusion entre des vis de longueurs similaires mais de têtes différentes (ex: tête ronde 2,5 cm vs tête plate 3,5 cm).
  • Les modèles semblent apprendre un biais de positionnement (localisation de la vis dans l'image) dû à la supervision sémantique sparse, suggérant que l'ajout de boîtes englobantes pourrait améliorer la robustesse.

4. Contributions Clés

1. SortScrews Dataset : Introduction d'un dataset équilibré et soigneusement annoté pour la classification de vis, comblant un vide dans les benchmarks industriels.
2. Pipeline de Collecte Réutilisable : Publication d'un script et d'une configuration matérielle low-cost permettant la création rapide de datasets personnalisés pour d'autres composants industriels.
3. Références de Performance (Benchmarks) : Établissement de performances de référence utilisant ResNet-18 et EfficientNet-B0, démontrant que des conditions d'acquisition contrôlées permettent d'obtenir une haute précision même avec de petits datasets.
4. Analyse de l'Échec : Identification des limites actuelles (confusion géométrique fine, biais de position) pour guider les travaux futurs.

5. Signification et Conclusion

Ce travail démontre que pour des tâches de reconnaissance industrielle fine, il n'est pas toujours nécessaire d'avoir des datasets massifs. En standardisant les conditions d'acquisition (éclairage, position), des modèles légers et peu coûteux peuvent atteindre des niveaux de précision élevés, rendant l'automatisation accessible.

Les auteurs soulignent que ResNet-18 a surpassé EfficientNet-B0 dans ce contexte spécifique, suggérant que les architectures modernes les plus complexes ne capturent pas nécessairement mieux les différences visuelles subtiles des composants industriels que des modèles plus simples et éprouvés.

Le dataset, les scripts de collecte et le code d'entraînement sont disponibles publiquement pour encourager la recherche future sur la manipulation robotique et les systèmes de tri automatisé. Des extensions futures pourraient inclure des vues multiples, des environnements sur convoyeur ou des informations de profondeur (3D).