Nombreux sont les chercheurs qui exploitent le machine learning pour entrainer les ordinateurs à reconnaitre visuellement des objets, mais peu se permettent d’exploiter cette méthode d’apprentissage aux pièces mécaniques : freins, embrayages, moteurs, écrous, boulons, boites de vitesses, etc. Et pour cause, les jeux de données disponibles sont plus rares. Pour y remédier, une équipe d’ingénieurs spécialisés en mécanique de l’Université Purdue a conçu une base de données open source de plus de 58 000 pièces mécaniques en 3D. L’objectif : aider les chercheurs à exploiter cette base de données pour entrainer leurs modèles de machine learning conçus pour travailler avec des pièces mécaniques réelles.
L’initiative d’une équipe d’ingénieurs pour favoriser l’adoption du Machine Learning en mécanique
L’équipe du professeur de génie mécanique à l’Université Purdue, Karthik Ramani, a annoncé avoir conçu une base de données permettant aux chercheurs d’entrainer leurs modèles de machine learning ou de deep learning pour des applications liées aux pièces mécaniques comme les roulements par exemple. Ce dernier s’est exprimé sur la volonté de son équipe de concevoir un jeu de données liées à ces outils mécaniques :
“Nous sommes dans l’ère du deep learning où l’on utilise des ordinateurs pour rechercher des choses visuellement. Mais personne ne se concentre sur les pièces qui composent les machines : tuyaux, roulements, moteurs, rondelles, écrous et boulons, etc. Ce sont les choses qui sont importantes pour nous en tant qu’ingénieurs et fabricants. Nous voulons pouvoir pointer une caméra sur une pièce du monde réel et que l’ordinateur puisse tout nous dire sur cette pièce ou sa conception.”
En 2004, l’équipe d’ingénieurs du professeur Ramani avait déjà réalisé quelques expérimentations autour de la recherche visuelle de pièces mécaniques. Toutefois, à cette époque, le machine learning et la puissance de calcul qu’offraient les processeurs n’étaient pas suffisamment avancés. Les quinze années qui ont suivi ont permis aux chercheurs de la communauté de l’intelligence artificielle d’en savoir plus sur les modèles d’IA et de la conception d’une base de donnés : la création d’un ensemble de données solide dépend de la quantité, mais aussi de la qualité.
Pour Karthik Ramani, il existe de nombreux défis dans le monde du machine learning et du deep learning :
“Il y a beaucoup de défis dans le machine learning. Mais vous ne pouvez pas relever ces défis à moins de savoir comment tester les performances de ce que vous avez réalisé. Nous sommes fiers d’avoir créé le premier ensemble de données de référence à grande échelle de composants mécaniques 3D annotés, et nous espérons faire progresser la recherche visuelle à l’ère du deep learning.”
Une base de données complète de pièces mécaniques 3D
Pour concevoir cette base de données, l’équipe d’ingénieurs s’est associé à l’entreprise TraceParts, une société française spécialisée dans les modèles 3D et les dessins 2D et a collaboré avec le professeur assistant Qixing Huang de l’Université du Texas à Austin pour parcourir d’autres bases de données à la recherche de modèles 3D similaires à ce que les ingénieurs souhaitent concevoir. Karthik Ramani ajoute :
“Le deep learning est gourmand en données : il faut beaucoup d’exemples pour que l’ordinateur apprenne tout ce qui leur est nécessaire pour réaliser des tâches et savoir comment les choses sont liées les unes aux autres. Cela signifie que nous avions besoin de beaucoup de modèles 3D de pièces qui nécessitaient également une classification technique sous-jacente.”
Ensemble, ils ont réussi à concevoir une base de données de 58 696 pièces et composantes mécaniques. Chaque pièce 3D a été étiquetée selon une taxonomie de 68 classes basée sur la classification internationale des normes de l’Organisation internationale de normalisation (ISO). Leur ensemble de données est open source et a été publié pour que quiconque puisse l’utiliser. Karthik Ramani a évoqué les possibilités d’utilisation de cette base de données :
“Nous voyons de nombreuses situations du monde réel qui peuvent exploiter cette technologie. Imaginez que vous travaillez à la maintenance dans une usine et que vous remplacez une partie d’une machine. Vous pouvez pointer une caméra sur la pièce, l’ordinateur la reconnaitra et vous donnera instantanément toutes les spécifications de cette pièce – son nom, à quoi elle se connecte et où elles sont physiquement stockées dans l’usine. Cela pourrait même être possible grâce à des lunettes de réalité augmentée : vous pouvez avoir instantanément à portée de main l’intégralité du catalogue visuel de votre entreprise et apprendre à réparer des choses ou à commander des pièces.”
