T’as déjà regardé un soudeur professionnel à l’œuvre : c’est un mélange de science, d’expérience et de feeling. Tu changes de procédé – du TIG au laser – et le geste change du tout au tout. L’IA, dans tout ça, elle a du mal à suivre. Deux papiers qui viennent de tomber sur arXiv proposent des solutions pour que nos modèles préfèrent garder la tête froide plutôt que de faire des faux pas.
Le premier, signé Sen Li et sa bande, s’attaque à un problème casse-gueule : le domain shift. Ton réseau de neurones supervisé, il déchire sur un procédé, mais change de contexte (de TIG à laser) et c’est la cata. Leur astuce ? Un framework d’adaptation non supervisée (UDA) couplé à une expansion progressive de la source. Résultat : 90,65% sur le TIG et 90,72% sur le laser, même en cross-process. Pas mal du tout, surtout quand le baseline supervisé ramait.
Le second, du même groupe, propose SimPhysNet. L’idée est encore plus maline : utiliser un apprentissage auto-supervisé qui intègre des contraintes physiques – un peu comme si tu apprenais à ton môme les lois de la physique avant de lui filer le chalumeau. Résultat : classifier l’état de pénétration des soudures laser avec très peu d’images labellisées. Fini les datasets de ouf, bonjour l’industrie qui aime pas perdre son temps à tout étiqueter.
Ça ne remplacera pas les soudeurs. Mais ça leur filera un assistant qui prévoit les défauts avant qu’ils arrivent. Et ça, c’est du bon boulot. Pas de révolution, mais des itérations solides qui font avancer le schmilblick. Si tu bosses dans la métallurgie, jette un œil – tes soudures risquent de devenir plus propres sans que tu aies à changer ta musique d’atelier.
Sources :
Comments are closed