Contrôle qualité IA : par où commencer en industrie ?

Le contrôle qualité par IA est pertinent lorsque les défauts sont visuels, variables et difficiles à décrire avec des règles fixes. Il ne remplace pas systématiquement une solution de vision classique à règles : pour une mesure géométrique stable ou une présence-absence déterministe, une approche traditionnelle peut être plus simple. Pour une PME industrielle, la bonne démarche consiste à partir d’un défaut précis, stabiliser l’acquisition des images, puis valider la performance sur la ligne avant d’investir dans une intégration complète.

Dans quels cas la vision industrielle par IA est-elle pertinente ?

La vision industrielle couvre l’inspection dimensionnelle, géométrique et visuelle, mais aussi la détection de présence, la vérification de complétude, le positionnement et la reconnaissance d’objets. Elle fonctionne sans contact et produit des évaluations objectives selon Fraunhofer IFF.

L’IA apporte surtout une réponse à une difficulté précise : l’apparence du défaut varie, alors que sa définition reste difficile à formaliser. C’est le cas, par exemple, d’une différence cosmétique, d’une texture irrégulière, d’un assemblage imparfait ou d’un défaut dont la forme change d’une pièce à l’autre. L’apprentissage profond apprend ces variations à partir d’images annotées selon la documentation Cognex sur l’apprentissage profond.

La question à poser n’est donc pas : « Peut-on mettre de l’IA sur ce contrôle ? » Elle est plutôt :

• Le défaut est-il visible dans une image ?
• Les images disponibles représentent-elles les défauts, les pièces conformes et les variations réelles de production ?
• Les équipes qualité savent-elles décrire ce qui doit être accepté ou refusé ?
• Le coût d’un défaut manqué ou d’un faux rejet justifie-t-il l’automatisation ?
• Le contrôle peut-il être réalisé avec une acquisition stable sur la ligne ?

Quand une solution classique suffit-elle ?

Une solution de vision classique à règles applique des conditions explicites à l’image : seuil de couleur, contour, position, dimension, présence ou absence. Cette approche convient bien aux produits réguliers et aux critères prévisibles. Elle reste souvent préférable lorsque le contrôle porte sur une cote stable, une orientation précise ou la présence déterministe d’un composant Cognex décrit les systèmes à règles.

Dans ce cas, ajouter de l’apprentissage profond peut compliquer inutilement le projet. Il faut constituer des données, les annoter, entraîner un modèle, surveiller ses résultats et expliquer les décisions. Une règle simple, documentée et testable peut être plus facile à maintenir par l’équipe industrielle.

Quand l’IA devient-elle intéressante ?

La détection de défauts par IA devient intéressante lorsque les règles échouent face à la diversité visuelle. Exemples fréquents :

• rayures dont la longueur, l’orientation et le contraste varient ;
• défauts d’aspect sur une surface irrégulière ;
• assemblages dont les composants sont présents mais mal positionnés ;
• différences de texture ou de finition ;
• défauts acceptables dans certaines zones et rédhibitoires dans d’autres ;
• produits similaires dont les variations normales rendent les seuils classiques fragiles.

Il faut toutefois vérifier que le défaut est réellement observable. Une caméra ne détectera pas une caractéristique cachée, interne ou insuffisamment contrastée sans dispositif d’imagerie adapté. L’IA ne compense pas une mauvaise prise de vue.

La fréquence du défaut mérite aussi une analyse nuancée. Un défaut rare ne doit pas être écarté uniquement parce qu’il fournit peu d’images positives. S’il est critique, il peut justifier une collecte ciblée, une stratégie de détection d’anomalies ou une validation renforcée. La rareté rend le protocole plus exigeant ; elle ne suffit pas à conclure que le cas d’usage est inadapté.

Pour examiner ces conditions avant de choisir une technologie, un audit des processus et des données industrielles permet de cadrer le problème à partir du terrain.

Quelles données faut-il réunir avant d’entraîner un modèle ?

Le jeu de données doit représenter la production réelle, pas seulement des images faciles à classer. Il doit inclure les pièces conformes, les pièces non conformes et les variations que le système rencontrera après son déploiement : lots, teintes, fournisseurs, positions, états de surface, vitesses de ligne et conditions d’éclairage.

En apprentissage supervisé, chaque défaut doit être correctement identifié. Selon le cas, l’annotation consiste à classer l’image, entourer la zone défectueuse ou délimiter précisément le défaut. Une annotation incohérente crée un modèle incohérent. Fraunhofer IKS souligne que l’annotation exacte et homogène peut être longue et coûteuse selon Fraunhofer IKS.

La quantité seule ne suffit pas. Un grand volume d’images peu diversifiées peut conduire à un modèle qui reconnaît surtout le contexte de prise de vue, la position de la pièce ou une condition d’éclairage particulière. Les changements de lumière, d’environnement ou de produit après le déploiement peuvent nécessiter de nouvelles données et une réadaptation du modèle Fraunhofer IKS alerte sur la diversité des données.

Constituer une base d’images exploitable

Nous recommandons de procéder par collecte contrôlée :

• photographier des pièces conformes et non conformes déjà caractérisées par la qualité ;
• conserver les informations de lot, de référence et de condition de production ;
• documenter les cas ambigus et les faire arbitrer par un référent qualité ;
• intégrer dans le jeu d’évaluation des images prises dans des conditions qui n’ont pas servi à entraîner le modèle ;
• réexaminer les erreurs avec la production avant de modifier les annotations.

Un modèle supervisé n’apprend que les défauts présents dans son jeu d’entraînement. Un système entraîné à reconnaître des taches ne saura pas nécessairement détecter des rayures. Une approche non supervisée peut apprendre principalement l’apparence des pièces conformes, mais elle reste sensible aux changements d’orientation et de configuration la documentation Cognex précise ces limites.

Les jeux de données publics peuvent servir à comparer des méthodes ou à se former, mais ils ne remplacent pas les images de la ligne. Le jeu MVTec AD comporte plus de 5 000 images réparties sur 15 catégories, mais sa licence est destinée à la recherche et n’autorise pas automatiquement un usage commercial. Il faut vérifier la licence avant toute réutilisation dans un projet industriel.

Quel matériel prévoir pour un contrôle qualité automatisé ?

Le matériel dépend du défaut, de la cadence, de la géométrie de la pièce et de l’intégration souhaitée. Il ne faut pas choisir une caméra avant d’avoir défini le critère de contrôle et la qualité d’image nécessaire.

Caméra et optique

La caméra doit fournir une résolution suffisante pour rendre le défaut visible, sans créer un volume de données inutile. L’optique détermine notamment le champ observé, la distance de travail et les déformations. Une pièce brillante, courbe ou très sombre peut nécessiter une optique et un angle d’éclairage adaptés plutôt qu’un modèle d’IA plus complexe.

Pour un produit continu ou des pièces dont le déplacement permet une acquisition ligne par ligne, vérifiez d’abord que ce principe d’acquisition correspond bien au produit et au mouvement de la ligne. Validez ensuite la synchronisation entre la caméra à balayage linéaire et la vitesse de défilement. Cette technologie peut convenir aux applications d’inspection qui nécessitent vitesse et qualité d’image selon la documentation Basler.

Éclairage

L’éclairage est souvent le facteur déterminant. Il doit rendre le défaut visible et reproductible : lumière rasante pour certaines rayures, diffusion pour limiter les reflets, rétroéclairage pour un contour, éclairage dirigé pour une texture. Il faut aussi éviter la saturation et les zones trop sombres.

Une exposition trop longue peut créer du flou sur une pièce en mouvement. Un gain trop élevé peut augmenter le bruit. La lumière doit donc être réglée avec la cadence réelle, et non dans une situation de test immobile les effets de l’exposition et du gain sont décrits par Basler.

Déclenchement et intégration

La chaîne d’acquisition doit être stabilisée avant l’entraînement : position de la pièce, distance caméra, déclenchement, temps d’exposition, éclairage et cadence. Les variations attendues doivent être représentées dans les tests, mais la configuration de production doit rester aussi cohérente que possible Cognex recommande de contrôler ces variables d’acquisition.

L’intégration ne se limite pas à afficher une décision sur un écran. Il faut prévoir :

Comment mesurer la performance du contrôle qualité par IA ?

Une démonstration réussie ne suffit pas. La performance doit être évaluée sur des lots et des conditions qui n’ont pas servi à l’apprentissage. Il faut également distinguer les erreurs qui n’ont pas le même coût.

• Un faux rejet est une pièce conforme classée comme défectueuse. Il peut provoquer une reprise inutile, une perte matière ou une intervention de l’opérateur.
• Un défaut manqué est une pièce non conforme classée comme acceptable. Il peut entraîner une réclamation, un retour ou un risque pour le client.

La matrice de confusion permet de suivre ces catégories séparément. La précision augmente lorsque les faux positifs diminuent, tandis que le rappel augmente lorsque les faux négatifs diminuent Google explique le lien entre précision, rappel et erreurs de classification.

Ces mesures ne doivent pas être calculées uniquement au niveau global. Établissez la matrice de confusion et les taux séparément pour chaque type de défaut et chaque niveau de criticité. Une moyenne globale peut masquer un défaut critique mal détecté.

Le seuil de décision crée généralement un compromis. En utilisant une convention de score standard, l’abaissement du seuil peut conduire le système à signaler davantage de pièces douteuses, au risque d’augmenter les faux rejets, tandis que son relèvement peut laisser passer davantage de défauts. Selon l’outil, le sens du seuil peut toutefois être inversé : il faut donc vérifier sa définition avant d’interpréter le réglage. Le choix doit être fixé avec la qualité, la production et, si nécessaire, le service client.

Nous recommandons de suivre au minimum :

• les pièces correctement acceptées ;
• les pièces correctement rejetées ;
• les faux rejets ;
• les défauts manqués ;
• les cas indécis nécessitant une revue humaine ;
• les temps d’arrêt ou ralentissements liés au contrôle ;
• les erreurs d’intégration, comme un mauvais déclenchement ou un rejet mal synchronisé.

Quels critères fixer avant le pilote ?

Les seuils ci-dessous ne peuvent pas être imposés de manière générale. Ils doivent être déterminés selon la criticité du défaut, le coût d’un rejet, les exigences client et le fonctionnement de la ligne. L’important est de les écrire avant les essais, puis de les mesurer séparément par type de défaut, niveau de criticité et contexte de production.

Il faut aussi définir les règles d’escalade : qu’arrive-t-il lorsqu’une image est floue, lorsqu’un nouveau défaut apparaît ou lorsque le modèle rencontre une référence inconnue ? Un système industriel robuste prévoit un mode de fonctionnement dégradé et une procédure de reprise humaine.

Quelles étapes suivre pour lancer un pilote ?

Un pilote utile doit répondre à une décision industrielle. Il ne s’agit pas seulement de montrer qu’un modèle peut classer des images, mais de vérifier qu’il peut soutenir le contrôle dans les conditions réelles.

Définir un cas d’usage limité

Choisissez une référence, une famille de pièces ou un défaut prioritaire. Évitez de commencer par « automatiser tout le contrôle qualité ». Le périmètre doit être assez étroit pour être mesuré et assez représentatif pour révéler les difficultés de production.

Décrivez le problème avec les équipes concernées : fréquence du défaut, conséquences d’un défaut manqué, temps passé par les opérateurs, conditions de présentation de la pièce et décision attendue en sortie.

Un défaut rare ou critique doit faire l’objet d’un traitement spécifique. Prévoyez, selon le cas, une collecte ciblée, une inspection d’anomalies ou une revue humaine renforcée plutôt que de le supprimer du périmètre faute d’images positives.

Vérifier la faisabilité de l’image

Avant toute promesse de performance, réalisez des essais d’éclairage, de positionnement, d’optique et de déclenchement. Si le défaut n’est pas visible de manière stable, il faut d’abord améliorer l’acquisition. Un modèle ne doit pas apprendre à compenser une image mal formée.

Construire et qualifier les données

À ce stade, vérifiez que la collecte couvre les cas définis plus haut, faites annoter les images par des personnes qui connaissent le standard qualité et formalisez les désaccords. Réservez un ensemble de test distinct, comprenant des lots et des conditions non vus pendant l’entraînement.

Comparer les approches

Testez d’abord la solution la plus simple qui peut répondre au besoin : règle classique, mesure, détection de présence ou apprentissage profond. Cette comparaison permet de justifier la complexité du modèle et d’identifier les cas où une approche hybride est préférable.

Réaliser une preuve de concept

La démarche recommandée consiste à commencer par une étude du besoin, à cadrer la technologie, puis à réaliser une preuve de concept avant l’intégration industrielle. Cette logique de « test avant investissement » est également décrite dans un retour d’expérience européen sur un contrôle qualité en production graphique par le réseau européen des pôles d’innovation numérique.

Tester dans le flux réel

Installez le dispositif en observation, sans déclencher immédiatement le rejet automatique. Comparez les décisions de la caméra avec celles d’un contrôle de référence. Testez les changements de lot, les variations de cadence, les arrêts et redémarrages, les pièces mal positionnées et les conditions de nettoyage.

Décider sur des critères écrits

Avant le pilote, rédigez les critères d’acceptation : défauts manqués tolérés, faux rejets acceptables, temps de cycle, disponibilité attendue, traçabilité, procédure de maintenance et responsabilité en cas d’alerte. La décision de généraliser doit porter sur la performance réelle et la capacité de l’équipe à exploiter le système, pas uniquement sur la qualité d’une démonstration.

Pour cadrer les autres dimensions d’un projet industriel, une méthode d’audit IA peut aider à examiner les processus, les données, les risques et les conditions d’intégration. La présentation des enjeux de l’IA pour l’industrie peut aussi servir de point de comparaison pour les choix d’architecture et d’accompagnement.

Limites et points de vigilance

La vision par IA n’est pas une garantie automatique de détection. Les résultats dépendent du défaut, de la qualité de l’image, de la cadence, de la diversité des pièces, de l’optique, de l’éclairage et du niveau de risque accepté.

Un modèle peut perdre en fiabilité après une modification de produit, de fournisseur, de finition, d’éclairage ou de positionnement. Il faut donc prévoir une surveillance des résultats, une procédure de réentraînement et une validation avant remise en production. Toute modification de la chaîne d’acquisition doit être considérée comme susceptible d’affecter le modèle.

Les documentations d’éditeurs sont utiles pour comprendre les méthodes et les réglages, mais elles ne constituent pas une garantie indépendante de performance. La validation doit être conduite sur les pièces, les lots et les contraintes de la ligne concernée.

Enfin, l’automatisation ne supprime pas la responsabilité du processus qualité. Elle déplace une partie du travail vers la définition du standard, la qualification des données, l’analyse des erreurs et la maintenance du dispositif.

Questions fréquentes

Faut-il toujours utiliser l’apprentissage profond pour un contrôle qualité automatisé ?

Non. Une règle classique est souvent adaptée à une dimension stable, une présence-absence ou une géométrie clairement spécifiée. L’apprentissage profond devient intéressant lorsque les variations d’apparence sont difficiles à formaliser.

Un défaut rare peut-il justifier un projet de vision par IA ?

Oui, s’il est critique ou coûteux lorsqu’il est manqué. La rareté impose de prévoir une collecte ciblée, une stratégie d’inspection d’anomalies ou une validation renforcée. Elle ne doit pas être le seul motif d’abandon.

Comment éviter qu’une moyenne globale masque un défaut important ?

Calculez la matrice de confusion et les taux pour chaque type de défaut et chaque niveau de criticité. Ventilez aussi les résultats par référence ou condition de production lorsque ces variables influencent l’image. Un indicateur global ne suffit pas pour décider sur un défaut critique.

Peut-on commencer avec des images publiques ?

Elles peuvent servir à comparer des méthodes ou à se former. Elles ne remplacent pas les images de la ligne réelle, et leur licence peut limiter l’usage commercial. Les images de production restent nécessaires pour valider la performance dans le contexte industriel.

Quand faut-il abandonner le projet ?

Il faut réorienter ou suspendre le projet si le défaut n’est pas visible, si les pièces ne peuvent pas être présentées de manière suffisamment stable, si les annotations restent contradictoires ou si l’intégration coûte plus que le problème traité. Dans certains cas, une amélioration mécanique, un nouvel éclairage ou une règle simple répondra mieux au besoin qu’un modèle d’IA.

Sources

• Fraunhofer IFF, « Industrial Image Processing »
• Cognex, « Deep learning, edge learning, & rule-based vision systems »
• Cognex, documentation VisionPro ViDi, « Getting Started »
• Fraunhofer IKS, « DEEP Series, Part 1 – Reliable AI Enables Automation of Quality Inspection in Industry »
• Cognex, documentation VisionPro Deep Learning, « Deep Learning for Vision »
• Basler, « Optimizing Image Quality »
• Basler, « Basler racer 2 »
• Cognex, documentation VisionPro Deep Learning, « Red Analyze »
• Google for Developers, « Classification: Accuracy, recall, precision, and related metrics »
• European Digital Innovation Hubs Network, « From visual inspection to vision intelligence »
• MVTec, « MVTec AD | Industrial Anomaly Detection Dataset »