Vision industrielle : inspection visuelle par IA pour le contrôle qualité

Les modèles modernes en few-shot démarrent souvent avec quelques centaines d’images ; le système continue d’apprendre en production.

Caméras industrielles et éclairage sont sélectionnés selon l’application. Nous livrons la station complète, conçue sur mesure.

Les nouvelles variantes sont entraînées rapidement à partir des modèles existants, ce qui convient bien à une production à forte diversité de références.

Sur un serveur correctement dimensionné, l’inférence se compte en millisecondes et c’est rarement elle qui limite, même s’il faut budgéter la latence poste par poste quand plusieurs caméras partagent un même GPU. Ce qui décide, c’est le reste de la boucle : la pièce doit être immobile et éclairée de la même façon au moment du déclenchement, et la décision de rejet doit arriver avant que la pièce n’atteigne le point d’éjection. Si votre temps de cycle ne laisse pas cette marge, la solution est mécanique. Un modèle plus rapide n’y changera rien.

Oui, le rétrofit est la situation courante, mais l’essentiel du travail est mécanique et électrique. La part logicielle est faible. Il faut un signal de déclenchement venant de l’automate ou d’un capteur, un actionneur capable d’évacuer une pièce rejetée, et un câblage jusqu’au serveur d’inférence. L’entraînement du modèle est généralement la partie la plus courte du projet ; ce qui fixe le planning, c’est de faire présenter la pièce à la caméra de la même manière à chaque cycle.

Tout ce que la caméra ne voit pas. Fissures internes, porosités sous la surface, pénétration de soudure, couple de serrage et propriétés matière relèvent d’une autre modalité de contrôle, pas d’un meilleur modèle. La vision peine aussi là où le défaut n’a pas de signature visuelle constante, là où la limite d’acceptation tient au jugement d’un humain plutôt qu’à un critère descriptible, et là où les pièces se présentent sous des orientations imprévisibles. Décidez quels modes de défaillance vous cherchez réellement avant de spécifier un poste.

Une fois en service, quelqu’un doit confirmer ou corriger les classifications que le système signale comme incertaines, et c’est ce retour qui maintient les modèles à jour. C’est une charge récurrente, loin d’un poste à temps plein. L’essentiel de l’effort se situe en amont, dans les premières semaines, pour constituer une base d’images représentatives des pièces bonnes et de chaque classe de défaut qui vous intéresse. Personne ne devrait porter cela en plus d’un poste complet sans temps alloué.

Il se trompe dans deux sens, et on arbitre l’un contre l’autre avec le seuil de décision. Resserrez-le et des pièces bonnes partent au rebut ou en recontrôle ; desserrez-le et des défauts passent. Les deux doivent rester visibles : chaque décision est archivée avec son image, et les rejets doivent être audités contre le jugement humain à intervalle défini. Un poste dont les faux rejets ne sont jamais revus est un poste que les opérateurs finiront par contourner.

L’inférence tourne sur le serveur de vision GPU installé sur site, donc la boucle de décision temps réel ne quitte jamais l’usine. C’est ce qui maintient la latence compatible avec un rejet en ligne. Les images archivées et les corrections opérateur utilisées pour le réentraînement sont une question distincte : si les modèles sont ajustés par MSF sur vos données, tranchez dans le contrat si ces images restent sur site. Le reste de la plateforme peut être déployé en SaaS, en cloud privé ou on-premise.

Elle est évacuée de la ligne, puis son sort (rebut, retouche ou dérogation) est décidé par celui à qui revient cette décision. Le résultat, lui, remonte dans MSF Qualité, où il alimente les cartes SPC et peut générer automatiquement une fiche de non-conformité. Ce qui n’est pas automatique, c’est l’escalade quand une classe de défaut commence à dériver : mettez-vous d’accord sur le circuit de décision et d’escalade avant de monter la caméra.