Real-Time Conveyor Belt Defect Detection via Edge TPU-Accelerated YOLOv11 on Raspberry Pi 5
Cet article présente et valide un système d'IA en périphérie (edge AI) de bout en bout et à faible consommation, déployé sur un Raspberry Pi 5 avec un Google Coral Edge TPU, qui utilise un modèle YOLOv11n quantifié pour parvenir à une détection en temps réel et de haute précision des défauts de convoyeurs dans des environnements industriels difficiles, permettant une maintenance prédictive rentable sans dépendre de processeurs graphiques (GPU) gourmands en énergie.
Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Dans les industries lourdes qui bâtissent notre monde moderne, de l'extraction de vastes quantités de minerai à la fabrication de ciment, les bandes transporteuses massives servent d'artères à la production. Ces systèmes de convoyage déplacent des milliers de tonnes de matériaux abrasifs jour après jour, fonctionnant souvent sur des centaines de mètres dans des environnements poussiéreux, vibrants et hostiles. Avec le temps, la contrainte constante des charges lourdes, des chutes de roches et du frottement provoque l'apparition de faiblesses cachées dans ces bandes. Une petite déchirure ou une perforation peut rapidement se transformer en une rupture catastrophique, rompant entièrement la bande. Lorsque cela arrive, toute la ligne de production s'arrête, coûtant à l'installation des milliers de dollars en temps perdu et en réparations coûteuses, tout en créant des situations dangereuses pour les travailleurs à proximité. Pendant des décennies, la seule façon de trouver ces défauts consistait pour les inspecturs humains à marcher le long des machines en mouvement, une méthode lente, risquée et sujette à l'omission de dommages mineurs mais critiques.
Pour résoudre ce problème, les chercheurs se sont tournés vers l'intelligence artificielle, apprenant aux ordinateurs à « voir » les défauts comme le ferait un humain. Cependant, la plupart de ces systèmes de vision intelligents sont trop lourds et gourmands en énergie pour fonctionner directement sur le sol de l'usine. Ils nécessitent généralement des ordinateurs massifs et coûteux ou une connexion au cloud, ce qui est peu pratique pour les sites industriels isolés disposant d'une électricité et d'une bande passante réseau limitées. Une équipe d'ingénieurs en Indonésie a désormais comblé cette lacune en créant un système compact et à faible consommation capable de surveiller une bande transporteuse en temps réel et de détecter instantanément les dommages. Ils ont construit un dispositif qui tient dans un boîtier métallique standard, utilise une minuscule caméra pour surveiller la bande et exécute un programme de détection visuelle sophistiqué sur une petite puce spécialisée conçue pour la vitesse et l'efficacité.
Les chercheurs se sont concentrés sur un type spécifique de modèle d'intelligence artificielle connu sous le nom de YOLO, qui signifie « You Only Look Once » (Vous ne regardez qu'une seule fois). Ce type de modèle est célèbre pour sa capacité à identifier des objets dans un flux vidéo presque instantanément. Alors que les versions précédentes de cette technologie fonctionnaient bien sur des ordinateurs de bureau puissants, l'équipe voulait voir si la version la plus récente et la plus efficace pouvait fonctionner sur un petit ordinateur monocarte, similaire à ceux utilisés par les passionnés, mais couplé à un accélérateur spécialisé. Cet accélérateur, appelé Edge TPU, est une petite pièce de matériel conçue spécifiquement pour effectuer les calculs requis par l'intelligence artificielle en consommant très peu d'énergie. L'équipe a pris un flux vidéo provenant d'une véritable cimenterie de Java occidental, où l'air est épais de poussière et où les machines vibrent constamment, et l'a injecté dans leur système.
Pour apprendre à l'ordinateur ce qu'il doit chercher, l'équipe a rassemblé une collection massive d'images. Ils ne se sont pas appuyés uniquement sur des photos prises dans un laboratoire propre. Au lieu de cela, ils ont combiné des photos prises directement dans la cimenterie avec des images provenant de bases de données publiques et de nouvelles photos capturées par un système automatisé qui enregistrait le mouvement de la bande au fil du temps. Ce mélange a permis à l'ordinateur d'apprendre à reconnaître les déchirures, les perforations et les réparations par pièces, même lorsqu'elles étaient recouvertes de poussière ou éclairées par des lumières d'usine dures et inégales. Au total, ils ont utilisé plus de 3 000 images pour entraîner le modèle, en marquant soigneusement chaque défaut afin que l'ordinateur puisse apprendre la différence entre une bande endommagée et une bande normale. Ils ont ensuite simplifié le programme informatique, le convertissant dans un format que la petite puce accélératrice pouvait comprendre et exécuter sans avoir besoin d'un processeur principal puissant.
Lorsque le système a été déployé dans la cimenterie réelle, les résultats ont été immédiats et stables. Le dispositif, logé dans un boîtier métallique scellé pour le protéger de la poussière et des vibrations, a surveillé avec succès la bande transporteuse et a identifié les défauts au passage. Il traitait la vidéo à un taux de 30 à 40 images par seconde, ce qui est assez rapide pour suivre la vitesse de la bande en mouvement. L'ensemble du processus, de la capture de l'image par la caméra à l'identification d'un défaut par le système, a pris entre 70 et 90 millisecondes. Pour mettre cette vitesse en perspective, si la bande se déplace à une vitesse industrielle typique, le système identifie un problème avant que la section endommagée n'ait parcouru plus de quelques centimètres, laissant ainsi le temps à l'usine de réagir avant que les dommages ne s'étendent.
Le système s'est avéré remarquablement fiable dans des conditions difficiles. Lors de tests prolongés, le petit ordinateur et la puce accélératrice sont restés suffisamment frais pour fonctionner en toute sécurité sans avoir besoin de ventilateurs ou de climatisation, maintenant des températures stables même dans l'environnement chaud et poussiéreux. Le système n'a perdu aucune image vidéo et n'a pas planté, démontrant qu'il pouvait fonctionner en continu sans intervention humaine. Il a détecté avec succès quatre types de dommages : de longues déchirures, de petites perforations, des trous et des réparations par pièces irrégulières. Bien qu'il ait été légèrement moins efficace pour repérer les perforations les plus infimes lorsqu'elles étaient partiellement cachées par la poussière, il a performé avec une grande précision sur les défauts plus importants et plus dangereux qui posent le plus grand risque pour la machinerie.
Ce travail démontre que l'intelligence artificielle avancée n'a pas besoin d'être enfermée dans un centre de données pour être utile. En optimisant le logiciel pour qu'il fonctionne sur du matériel petit et abordable, les chercheurs ont montré que les usines peuvent surveiller leurs propres équipements en temps réel, partout dans le monde, sans dépendre d'infrastructures coûteuses. Le système agit comme un œil infatigable et vigilant qui ne fatigue jamais, ne manque jamais une rotation et peut repérer les signes précurseurs de défaillance avant qu'ils ne deviennent des catastrophes. Cette approche offre une voie pratique vers des opérations industrielles plus sûres et plus efficaces, prouvant que l'avenir de la maintenance prédictive peut être petit, rapide et construit directement sur le sol de l'usine.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.