Dans le domaine alimentaire, le client veut une solution basée sur l’apprentissage profond pour la découpe de produits alimentaires.
Après des années d’utilisation d’algorithmes à base de règles, les solutions actuelles sont plus flexibles, plus fiables et plus faciles à maintenir.
Faire évoluer les plateformes à base de règles, devenues difficiles à maintenir, vers une solution générique basée sur l’apprentissage profond (deep learning)
• C++
• HDF5
• Python
• OpenCV
• Pytorch
LTI a proposé le développement d’un cadriciel (framework) simplifiant le développement et la maintenance par la création d’un concept de machine générique réutilisable pour toutes les machines de découpe. Ceci permet de réutiliser le logiciel pour toutes les machines. Ainsi seuls les paramètres devront être changés, et non le code de l’application.
Des outils d’analyse d’image utilisant les réseaux de neurones profonds ont été réalisés afin d’accomplir les étapes de détection, de segmentation et de classification exigées en temps réel par les systèmes, selon des spécifications ajustables.
Cette approche basée sur les données possède son écosystème d’outils d’annotation et d’évaluation de performance. Elle permet aussi un assemblage modulaire des unités de traitement en un pipeline.
La quantité de code à gérer est réduite jusqu’à 80% pour certaines fonctionnalités. Le taux de conformité des coupes pour un système a été augmenté de 6% par rapport aux méthodes précédentes. La maintenance logicielle et la complexité de configuration sont réduites significativement.
Le développement de nouveaux systèmes est accéléré par la facilité d’intégration des nouveaux outils
