En bref
Choisissez un produit et une famille de défauts dont le coût en cas de fuite est clair. Réglez d’abord la prise de vue : éclairage, caméra, objectif et positionnement des pièces. Collectez des images de pièces bonnes et défectueuses, étiquetez-les selon des règles convenues, et mesurez séparément les défauts manqués et les faux rejets. Envoyez les résultats incertains à un contrôleur et utilisez ses décisions pour améliorer le modèle.
Le contrôle visuel est l’un des usages les plus concrets de l’IA dans l’industrie. C’est aussi un projet facile à rater quand il commence par le modèle plutôt que par le problème. Ce guide décrit un premier projet, petit et mesurable, qu’une équipe qualité peut mener sur une ligne.
Étape 1 : cadrer un seul problème
Choisissez un produit et une famille de défauts pour lesquels :
- Le défaut est visible, au moins pour un contrôleur formé sous un bon éclairage.
- Les fuites coûtent cher : réclamations clients, retouches, rebuts ou risque pour la sécurité.
- Le volume de production permet de collecter des exemples en quelques semaines, pas en quelques mois.
- La règle de contrôle peut être écrite, y compris ce qui est acceptable.
Des rayures sur une surface peinte, des composants manquants sur un assemblage ou de la porosité sur une face de fonderie sont des points de départ typiques. « Tout contrôler sur la ligne » n’en est pas un.
Étape 2 : réussir la prise de vue
La qualité de l’image limite tout ce qui suit. Un modèle ne peut pas trouver un défaut que l’image ne montre pas.
- Éclairage : souvent le choix le plus important. Une lumière diffuse réduit les reflets sur les pièces brillantes, une lumière rasante fait ressortir la texture et les rayures, un rétroéclairage montre les contours et les trous.
- Résolution : le plus petit défaut à détecter doit couvrir plusieurs pixels. Calculez-le à partir du champ de vision et du capteur de la caméra avant d’acheter le matériel.
- Positionnement : les pièces doivent arriver dans une position et une orientation constantes, sinon le système a besoin d’une étape pour les localiser d’abord.
- Déclenchement : les images doivent être prises au bon moment, en général sur signal d’un capteur ou de l’automate.
- Capotage : la lumière ambiante change au cours de la journée. Isoler la zone de contrôle garde des conditions stables.
Faites un court essai de prise de vue avec des pièces d’exemple, y compris des défauts connus, avant de figer une installation.
Étape 3 : collecter et étiqueter
Prenez des images en production normale, pas seulement sur une sélection soignée. Incluez toute la diversité des bonnes pièces, car c’est la variation normale de couleur, de texture et de position qui provoque les faux rejets.
L’étiquetage demande des règles. Rédigez un court guide avec des images d’exemple de chaque type de défaut et des variations acceptables. Vérifiez ensuite que vos contrôleurs sont d’accord entre eux sur un échantillon. Si des personnes expérimentées ne sont pas d’accord sur une pièce, le modèle ne le sera pas non plus, et la règle de contrôle doit être clarifiée avant tout entraînement.
Étape 4 : choisir l’approche de modélisation
| Approche | Fonctionnement | Adaptée à |
|---|---|---|
| Détection d’anomalies | Apprend à quoi ressemblent les bonnes pièces et signale tout ce qui diffère | Défauts rares, peu d’images de défauts, nombreux types de défauts possibles |
| Classification | Attribue à l’image entière une classe, comme bonne, rayure ou bosse | Un petit nombre de types de défauts connus, avec assez d’exemples |
| Détection d’objets ou segmentation | Localise chaque défaut dans l’image, avec sa position et sa taille | Quand la taille ou l’emplacement du défaut décide de l’acceptation ou du rejet |
Beaucoup de projets commencent par la détection d’anomalies, car les bonnes pièces abondent, puis ajoutent la classification ou la détection une fois assez d’exemples de défauts collectés.
Étape 5 : mesurer ce qui compte sur la ligne
La précision globale est trompeuse quand les défauts sont rares. Mesurez deux erreurs séparément :
- Fuites (fausses acceptations) : pièces défectueuses que le système a laissé passer. En général l’erreur la plus coûteuse.
- Faux rejets : bonnes pièces que le système a signalées. Ils coûtent du temps de recontrôle et entament la confiance.
Le seuil de décision du modèle arbitre entre les deux. Convenez avec la qualité et la production de l’endroit où le placer, en fonction du coût de chaque erreur, avant le déploiement. Testez sur des images que le modèle n’a jamais vues, idéalement prises à des jours et des postes différents.
Étape 6 : garder des personnes dans la boucle
La plupart des systèmes produisent un score de confiance. Utilisez-le pour répartir les résultats en trois groupes : les pièces clairement bonnes, les pièces clairement mauvaises, et les cas incertains envoyés à un contrôleur. La décision du contrôleur est enregistrée et devient une nouvelle donnée d’entraînement. Les décisions qualité restent ainsi à des personnes là où le modèle hésite, et le modèle s’améliore avec le temps.
Un système qui envoie une part raisonnable des pièces en revue et détecte les défauts de façon fiable vaut plus qu’un système qui prétend tout automatiser et laisse passer des pièces sans le dire.
Étape 7 : déployer et surveiller la dérive
Les modèles de contrôle tournent en général sur un PC industriel ou un équipement en périphérie près de la ligne, pour décider à temps d’écarter les pièces. Prévoyez :
- L’intégration avec l’automate pour les rejets, et avec le MES ou les systèmes qualité pour les enregistrements.
- La conservation des images des pièces signalées et revues, pour la traçabilité et le réentraînement.
- La surveillance des taux de rejet et des scores de confiance. Un changement brutal signifie souvent que l’éclairage, la matière ou une caméra a changé, pas les pièces.
- Un processus de réentraînement quand les produits, les fournisseurs ou les matières changent.
Après la première ligne
Une fois qu’un point de contrôle fonctionne de façon fiable, la même chaîne de prise de vue, d’étiquetage, de revue et de réentraînement peut être reproduite pour d’autres défauts et d’autres lignes. Le deuxième projet va plus vite, car l’équipe a appris à quoi ressemblent de bonnes images et un bon étiquetage sur ses propres produits.