Intelligence artificielle L'Université Purdue conçoit une base de données de pièces mécaniques 3D pour...

Pour approfondir le sujet

Sur le même thème :

Google souhaite vaincre les problèmes dermatologiques à l’aide de l’intelligence artificielle

Il y a quelques années, L’Université de Waterloo exploitait l'intelligence artificielle pour faciliter la détection des cancers de la peau. Dans le même esprit,...

Le défi de Safety Line et d’Inria : un outil numérique afin d’économiser du carburant pour les avions

Dans le cadre d'un partenariat entre la start-up Safety Line et Inria, des chercheurs de l'institut national de recherche en informatique et en automatique...

Google I/O : annonce de Vertex AI, la nouvelle plateforme MLOps de Google Cloud

Depuis le 18 mai dernier, Vertex AI de Google Cloud est disponible : cette plateforme MLOps permet de déployer des modèles d'IA ainsi que...

Contentsquare annonce l’acquisition de Upstride et une levée de fonds de 500 millions de dollars

Contentsquare, une société spécialisée dans l'experience analytics, a annoncé l'acquisition d'Upstride, une deeptech française qui vise à améliorer les performances d'outils de machine learning...

L’Université Purdue conçoit une base de données de pièces mécaniques 3D pour les modèles ML/DL

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.”

 
Zacharie Tazrout

Partager l'article

Générer des structures de benzénoïdes grâce à l’intelligence artificielle

Les benzénoïdes sont une sous-famille d’hydrocarbures (molécules composées uniquement d’atomes d’hydrogène et de carbone) dont les atomes de carbone forment des hexagones. Les propriétés...

5 questions à Julien Chiaroni et Arno Pons sur le rapport sur l’IA de confiance de Digital New Deal

Comment mieux encadrer l'intelligence artificielle, lutter contre les biais et les dérives et œuvrer pour la mise en place d'une IA de confiance basée...

Ce modèle de machine learning détecte les contaminations microbiennes dans les cultures cellulaires

Les chercheurs de l’Alliance Singapour-MIT pour la Recherche et la Technologie (SMART) à Singapour, ont développé un modèle de détection d’anomalies qui utilise le...

Etude du Centre Hubertine Auclert sur « Les freins à l’accès des filles aux filières informatiques et numériques »

De nombreuses études sont menées tout au long de la scolarité des élèves, certaines se rapportent à la réussite scolaire des filles et leurs...
Recevoir une notification en cas d'actualité importante    OK Non merci