Déployer l'inspection visuelle par IA sur une ligne de production : les décisions d'ingénierie qui viennent en premier

Commencer par le défaut, pas par la caméra

Avant toute question de matériel, tranchez ce qui constitue un défaut sur cette pièce, et qui en décide. Cela paraît évident jusqu'au moment où l'on en fait l'essai.

Prélevez cent pièces sur la ligne, les cas ingrats compris, et faites-les trier indépendamment par deux contrôleurs expérimentés, en conformes et non conformes. Sur les défauts francs, ils seront d'accord. Sur la population limite — la rayure à peine visible, le remplissage court, l'impression lisible mais pas nette — souvent non.

Ce désaccord est le véritable plafond de la précision. Si deux personnes qui font ce métier depuis des années ne se prononcent pas de la même façon sur une même pièce, il n'existe pas de réponse unique qu'un modèle puisse apprendre, et aucun fournisseur ne peut en livrer une : tout chiffre de précision affiché dans une proposition n'a aucun sens tant que la définition n'est pas arrêtée.

La solution n'est pas un meilleur algorithme. C'est un catalogue de défauts écrit — chaque type nommé, images à l'appui — et un jeu de pièces physiques limites pour chaque classe : la pire pièce encore acceptable, la meilleure pièce encore rebutée. Ces pièces deviennent la référence pour l'étiquetage et pour la recette.

Un problème que personne ne sait définir de façon cohérente ne s'automatise pas ; il se discute seulement plus vite.

Choisir une caméra sur des critères, pas sur une marque

Le choix d'une caméra relève du calcul, pas de la préférence.

La résolution découle du plus petit détail à voir. Divisez le champ de vision — la pièce, plus la tolérance sur la façon dont elle peut se présenter — par le nombre de pixels du capteur : vous obtenez des millimètres par pixel. Un défaut qui tombe sur un seul pixel ne sera pas détecté de façon fiable ; prévoyez plusieurs pixels sur la plus petite dimension à voir, davantage si le contraste est faible. Au-delà, la résolution coûte de la bande passante et de la profondeur de champ, et le contraste l'emporte de toute façon sur le nombre de pixels.

Le temps de pose doit suivre la ligne. Le flou de mouvement, c'est la vitesse multipliée par le temps de pose : une pièce à un mètre par seconde file d'un millimètre pendant une pose d'une milliseconde. Si la traînée dépasse le défaut, la partie est déjà perdue. Un temps de pose plus court demande plus de lumière — c'est pourquoi éclairage et caméra ne forment qu'une seule décision. Pour tout ce qui bouge, exigez un obturateur global : un obturateur déroulant lit ligne par ligne et déforme une pièce en mouvement.

Matricielle ou linéaire. La caméra matricielle convient aux pièces discrètes, arrêtées ou indexées à un poste. La caméra linéaire construit l'image ligne par ligne, pour une bande, un feuillard ou un profilé en défilement continu, ou pour une pièce cylindrique que l'on fait tourner devant l'objectif ; elle exige un mouvement constant ou synchronisé par codeur.

Monochrome, sauf si le défaut est une couleur. Le monochrome consacre chaque pixel au détail et reste plus sensible en faible lumière. Ne prenez la couleur que lorsque c'est elle qui porte l'information : un composant de la mauvaise couleur, une tache, une couleur d'impression à comparer à une spécification.

Interface et câblage. L'interface fixe la longueur de câble, la bande passante et le coût : GigE pour les longues distances, USB3 sur un banc, interfaces industrielles à haut débit pour la caméra linéaire rapide. Vient ensuite la partie ingrate, à l'origine de la plupart des pannes sur site : câble qualifié pour chaîne porte-câbles, connecteurs verrouillables, décharge de traction, cheminement à l'écart des câbles de variateurs et de soudage.

L'éclairage décide plus de choses que la caméra

Un défaut rendu évident par la lumière est un problème simple ; le même défaut qu'un modèle doit aller extraire d'une image bruitée est un problème coûteux. Quelques géométries couvrent l'essentiel des cas. Le champ clair, lumière dans l'axe d'observation, donne une image homogène et polyvalente pour l'impression, la couleur et la présence. Le champ sombre, en incidence rasante, fait ressortir rayures et gravures en clair sur fond sombre. Le rétroéclairage met la pièce en silhouette : cotes de contour, position de perçage, niveau de remplissage. Le dôme enveloppe une pièce bombée ou brillante dans une lumière uniforme, la réponse à l'impression sur surface réfléchissante. L'éclairage coaxial arrive dans l'axe optique, pour les surfaces planes spéculaires et le marquage laser.

Une rayure, un enfoncement et un défaut d'impression sont trois problèmes d'éclairage différents : lumière rasante pour la rayure ; pour l'enfoncement, qui modifie la pente et non la couleur, une lumière dont le reflet se déplace avec cette pente ; une lumière plate et sans reflet parasite pour l'impression. Vouloir couvrir les trois avec un seul luminaire, c'est ainsi qu'un poste finit médiocre partout.

Reste la lumière ambiante, qui casse discrètement des systèmes ayant passé la recette : le soleil de l'après-midi par un lanterneau, une équipe qui allume d'autres plafonniers. Traitez-la physiquement : capotez le poste, montez un filtre passe-bande accordé à la longueur d'onde des LED, et déclenchez un flash court et puissant depuis le top de prise de vue, pour que votre lumière domine celle du hall.

Une image stable coûte moins cher qu'un modèle plus gros.

2D ou 3D

L'essentiel de l'inspection est un problème 2D : présence, position, cotes dans le plan, impression, couleur, tout ce qui se traduit par un contraste en surface.

Passez en 3D quand la caractéristique est une hauteur ou une forme et qu'elle ne produit pas de contraste fiable : hauteur de cordon sur une ligne de colle, coplanarité de broches, profil de cordon de soudure, voilage, enfoncement dans une tôle brute, niveau de remplissage dans un contenant opaque. La triangulation laser demande un mouvement relatif, la lumière structurée travaille sur pièce immobile ; toutes deux souffrent des finis miroir et des occultations, et produisent beaucoup plus de données par pièce.

Un test pratique : si un bon contrôleur peut juger la pièce sur une photo, c'est un travail 2D. S'il doit l'incliner dans la lumière, c'est de la 3D ou une géométrie d'éclairage spécialisée — et l'éclairage mérite d'être essayé en premier.

La vérification d'étiquette et d'impression n'est généralement pas un problème d'IA

Une bonne part de ce qui arrive sous forme de demande d'inspection par IA relève de la vérification d'étiquettes et d'impressions, et une bonne part de cela est déterministe : noter la qualité d'un code-barres ou d'un Data Matrix, comparer un texte imprimé à une chaîne attendue, vérifier que le bon indice est sur le bon produit.

La difficulté n'est pas la lecture, mais l'origine de la valeur attendue. Si l'opérateur saisit le texte cible au poste, vous avez automatisé une faute de frappe ; code, lot, date et indice doivent descendre de l'ordre de fabrication, depuis le MES ou l'ERP. L'apprentissage automatique trouve ici sa place sur la qualité d'impression — bavures, points manquants, déformation sur surface courbe — pas sur la comparaison.

Les données d'apprentissage, sans détour

Votre ligne produit très majoritairement des pièces bonnes, et ce déséquilibre définit les données d'inspection. Il rend la précision globale inutilisable : un modèle qui déclare tout conforme obtient un bon score sur un jeu de données presque exclusivement composé de pièces bonnes. Jugez sur les défauts — combien ont été détectés, combien de pièces bonnes ont été rebutées.

Ce déséquilibre oriente aussi l'approche. La détection d'anomalie apprend le normal à partir des pièces bonnes et signale l'écart ; elle demande peu d'images de défauts et réagit à ce qu'elle n'a jamais vu, mais elle dit seulement que la pièce est inhabituelle, pas ce qui ne va pas. La classification et la segmentation supervisées nomment et localisent le défaut — ce dont un catalogue de défauts et le SPC ont besoin — mais elles exigent de vrais exemples de chaque classe, en plus grand nombre qu'on ne l'imagine. Dans les deux cas, un modèle ne connaît que les défauts qu'on lui a montrés.

Puis la dérive. Le modèle est un instantané de la ligne au moment de l'apprentissage, et la ligne bouge : un nouveau fournisseur, un autre lot de matière, l'usure d'un outil, une caméra bousculée pendant le nettoyage, un changement d'indice. Le réapprentissage est une activité de maintenance, avec un responsable et une périodicité, pas une phase de projet qui se termine.

L'étiquetage mérite une décision, car celui qui étiquette les images définit la qualité pour l'usine. Il appartient à ceux qui portent la définition du défaut, en s'appuyant sur les pièces limites ; sinon le désaccord entre contrôleurs évoqué plus haut revient sous forme d'étiquettes incohérentes, et celles-ci plafonnent tout ce qui vient après.

Les données synthétiques et augmentées aident à des endroits précis. L'augmentation — petites variations de rotation, de position, de luminosité, de mise au point — est peu coûteuse tant que l'on reste dans ce que le poste peut physiquement produire. Les images de synthèse rendent le plus de services quand le défaut est géométrique et descriptible : un composant manquant, une orientation incorrecte. Elles en rendent le moins quand c'est l'aspect même du défaut qui est l'inconnue — précisément ce qu'un moteur de rendu ne peut pas inventer.

Quel que soit le jeu d'apprentissage, réservez un jeu de test d'images réelles, pièces limites comprises. C'est le seul moyen honnête de savoir si un nouveau modèle fait mieux que l'ancien.

Les faux positifs sont une décision économique, pas technique

Tout système d'inspection a un seuil, et ce seuil arbitre entre deux erreurs : en le resserrant, vous détectez plus de défauts et rebutez plus de pièces bonnes ; en le desserrant, l'inverse. Aucun réglage ne supprime les deux. Le sens dans lequel pencher relève d'une économie propre à votre usine : ce que coûte un défaut échappé, face à ce que coûte le sur-rebut en pièces mises au rebut, en retouche et en temps opérateur.

L'asymétrie mérite d'être anticipée. Le sur-rebut détruit la confiance plus vite que les défauts manqués. Un défaut manqué reste invisible pendant des semaines ; un poste qui rebute des pièces bonnes se voit dans l'heure, et la réaction est prévisible : l'opérateur commence à forcer le passage, puis cesse de regarder, et la caméra devient une lampe hors de prix.

Quelqu'un doit donc porter la position du seuil : une personne nommée à la qualité, le réglage consigné dans le plan de contrôle, un journal des modifications. Trois issues plutôt que deux — conforme, non conforme, et une bande de revue orientée vers un humain — permettent de tenir une détection serrée sans déverser la population limite sur l'opérateur. Fixez les critères de recette en termes d'usine avant la mise en service : défauts échappés pour mille pièces, et faux rebuts par équipe.

Un verdict sur un écran ne change rien

L'image est acquise, le modèle a une réponse, et il ne s'est encore rien passé pour la pièce. Deux choses doivent suivre.

L'actionnement. Le rebut doit être physiquement imposé — un poussoir, un aiguillage, ou un verrouillage qui interdit l'opération suivante sur cette pièce — via l'automate (PLC), avec un échange de signaux conçu pour qu'une acquisition ratée ou une inférence trop lente conduise à un état sûr plutôt qu'à un passage silencieux. Confirmez l'éjection par un capteur qui voit la pièce sortir. Un éjecteur qui rate sans le dire est pire que pas d'inspection du tout, car désormais tout le monde croit que les pièces ont été contrôlées.

L'enregistrement. Le verdict, l'image et l'horodatage se rattachent à l'ordre de fabrication, au lot, au numéro de série, au poste et à la version du modèle, dans le MES et le QMS. La version du modèle compte : après un réapprentissage, les verdicts de la veille venaient d'un autre juge. C'est cet enregistrement qui rend l'inspection cumulative — le taux de défauts par classe devient une variable SPC, et le confinement devient une requête au lieu d'une semaine de paperasse.

Ce qui fait échouer un déploiement

Presque toujours l'une de ces causes, et rarement le modèle.

Une présentation instable — la pièce qui n'arrive pas au même endroit, sous le même angle, à la même distance : vibrations, une équerre desserrée, un support heurté pendant le nettoyage. Le bridage est le gain de précision le moins cher que vous puissiez acheter.

Un seuil sans propriétaire, qui dérive au gré des équipes.

Un changement d'indice pour lequel personne n'a relancé l'apprentissage du modèle. La gestion des modifications techniques doit lister l'inspection parmi les systèmes impactés.

Un contournement sans trace. Les opérateurs ont besoin d'une dérogation, mais elle doit être journalisée et revue.

Personne ne regarde les images. Quelqu'un doit examiner les pièces rebutées, et un échantillon des pièces acceptées, à un rythme régulier ; c'est ainsi que l'on attrape la dérive avant qu'un client ne l'attrape.

Les conditions de la preuve de concept prises pour la production. La démonstration tournait sur un banc, de nuit, avec la pièce tenue immobile par une personne.

Où nous intervenons

Le module Vision industrielle (Computer Vision) de Meta Smart Factory couvre le volet inspection — caméras et éclairage spécifiés pour le défaut que vous avez, modèles entraînés sur vos propres pièces, inférence au pied de la ligne — et s'intègre à nos modules MES et Quality (QMS), de sorte que le verdict se rattache à l'ordre de fabrication et au lot, puis alimente la traçabilité et le SPC au lieu de s'arrêter à une lampe. L'actionnement du rebut passe par l'automate (PLC), sur la même connectivité IIoT et OPC UA.

Si vous en êtes au début, la première étape utile n'est pas une démonstration. C'est l'essai des cent pièces avec deux contrôleurs et un catalogue de défauts écrit, et nous sommes volontiers là pour le mener avec vous avant que quiconque ne spécifie une caméra.