Inspection qualité par vision à la cadence de la ligne

# Inspection qualité par vision à la cadence de la ligne

Une caméra de cordon de soudure sur une ligne de carrosserie automobile détecte une microfissure de 40 microns de large, sur une pièce qui défile à 60 unités par minute. Un inspecteur humain, qui cligne des yeux, fatigue, regarde ailleurs, l'aurait laissée passer. La fissure devient une réclamation sous garantie dix-huit mois plus tard, ou pire, un rappel. C'est le problème que l'inspection par vision a été conçue pour résoudre : une détection de défauts constante, infatigable, à résolution surhumaine, à la vitesse réelle de la ligne.

Voyons comment ces systèmes sont entraînés, validés et déployés, et pourquoi le plus difficile n'est presque jamais la caméra.

Pourquoi l'inspection par vision, et pourquoi maintenant

L'inspection visuelle manuelle a un plafond connu. Les études sur le contrôle qualité montrent régulièrement que les inspecteurs humains détectent environ 80 % des défauts visibles un bon jour, et moins en cas de fatigue ou de cadence élevée. Ce n'est pas une critique des personnes ; c'est une limite de l'attention.

La vision industrielle change l'économie du sujet. Une caméra associée à un modèle entraîné peut inspecter chaque pièce, enregistrer chaque résultat et ne jamais fatiguer. Ce qui a rendu cela praticable au cours de la dernière décennie, c'est le réseau de neurones convolutif (CNN), un type de modèle d'IA qui apprend les motifs visuels directement à partir d'images d'exemple plutôt qu'à partir de règles codées à la main.

L'ancienne « vision industrielle » reposait sur des règles : mesurer cette arête, vérifier ce niveau de gris. Cela fonctionne pour une rayure nette sur une surface plane. Cela échoue sur un cordon de soudure, où le « normal » varie avec la chaleur, les projections et l'angle. Les CNN apprennent la notion floue de « bonne soudure » à partir de milliers d'exemples, ce qui correspond exactement à ce qu'exigent les surfaces réelles et irrirrLe taux de rendement interne est le taux d'actualisation qui annule la valeur actuelle nette d'un projet. Il exprime le rendement annualisé attendu d'un investissement.Voir la définition complète →égulières.

Comment un CNN de détection de défauts est entraîné

Étape 1 : collecter et labelliser les images

Vous photographiez des pièces : des bonnes et des défectueuses. Puis un humain les labellise, en indiquant quelle image présente un défaut et souvent en traçant un cadre autour de sa localisation.

Le hic : les vrais défauts sont rares. Une ligne mature peut produire une fissure toutes les 5 000 pièces. Pour entraîner un modèle, il faut assez d'exemples de défauts, donc les équipes collectent délibérément des rebuts, lancent des lots défectueux ou utilisent des échantillons issus de problèmes de production antérieurs.

Étape 2 : gérer le déséquilibre

Avec 5 000 bonnes pièces par défaut, un modèle paresseux peut afficher 99,98 % de « précision » en déclarant tout conforme, et ne rien détecter. C'est pourquoi l'accuracy est une métrique trompeuse ici.

À la place, les ingénieurs suivent deux types d'erreurs :

• Faux rejet (faux positif) : une bonne pièce signalée comme mauvaise. Coûte du rebut, de la retouche ou un arrarrL'Annual Recurring Revenue (ARR) est le revenu normalisé et prévisible qu'une entreprise par abonnement attend de ses contrats actifs sur une année.Voir la définition complète →êt de ligne inutile.
• Faux négatif (échappée) : une mauvaise pièce validée comme bonne. Coûte une réclamation sous garantie, ou un rappel client.

Parmi les techniques pour lutter contre le déséquilibre : le suréchantillonnage des images de défauts, la génération de variations synthétiques (rotation, changement d'éclairage), et parfois la détection d'anomalies, où l'on entraîne le modèle uniquement sur les bonnes pièces et où l'on signale tout ce qui paraît inhabituel.

Étape 3 : entraîner et découper les données

Vous répartissez les images en jeux d'entraînement, de validation et de test. Le modèle apprend sur les données d'entraînement, vous l'ajustez sur les données de validation, et vous mesurez la performance finale honnête sur le jeu de test qu'il n'a jamais vu.

Une introduction gratuite utile aux idées sous-jacentes est le Machine Learning Crash Course de Google, qui couvre l'entraînement, la validation et le piège de l'accuracy en termes simples.

Valider en fonction du coût des faux rejets

C'est là que le jugement industriel l'emporte sur la data science pure.

Un modèle produit un score de confiance, disons de 0 à 1, pour « ceci est un défaut ». Vous choisissez un seuil : signaler tout ce qui dépasse 0,5 ? 0,8 ? Ce seul choix arbitre entre faux rejets et échappées.

• Un seuil bas : vous attrapez presque tous les défauts mais arrarrL'Annual Recurring Revenue (ARR) est le revenu normalisé et prévisible qu'une entreprise par abonnement attend de ses contrats actifs sur une année.Voir la définition complète →êtez la ligne en permanence sur de fausses alertes.
• Un seuil élevé : la ligne tourne sans heurt mais des pièces mauvaises passent.

Le bon seuil est une décision business, pas technique. Il dépend du coût.

Imaginez que chaque faux rejet vous coûte 12 dollars en retouche et temps de cycle perdu. Chaque défaut échappé qui atteint un client coûte environ 800 dollars en garantie et traitement. (Ces chiffres sont illustratifs, pas des benchmarks.) Vous ajusteriez le seuil pour accepter beaucoup de faux rejets en échange de très peu d'échappées, car les échappées coûtent environ 65 fois plus cher.

Cela se visualise souvent avec une courbe précision-rappel, qui montre l'arbitrage sur l'ensemble des seuils. Les équipes qualité et finance devraient choisir le point de fonctionnement ensemble.

# Choisir un seuil par coût attendu, et non par accuracy
COST_FALSE_REJECT = 12    # bonne pièce mise au rebut à tort
COST_ESCAPE       = 800   # pièce mauvaise atteignant le client

def expected_cost(threshold, scored_parts):
    fr = esc = 0
    for score, is_defect in scored_parts:
        flagged = score >= threshold
        if flagged and not is_defect:
            fr += 1          # faux rejet
        if not flagged and is_defect:
            esc += 1         # échappée
    return fr * COST_FALSE_REJECT + esc * COST_ESCAPE

# Balayer les seuils, retenir le point de fonctionnement le moins coûteux
best = min((expected_cost(t/100, validation_set), t/100)
           for t in range(1, 100))

L'essentiel n'est pas le code. C'est l'état d'esprit : le « meilleur » modèle est celui qui minimise le coût total, pas celui qui affiche la meilleure accuracy sur une slide.

Déployer sur la ligne

La contrainte de vitesse

À 60 pièces par minute, vous disposez d'une seconde par pièce, moins le temps de déclencher, capturer et libérer l'image. Le modèle dispose peut-être de 200 à 300 millisecondes pour décider. C'est ce qu'on appelle le temps d'inférence (le temps que met le modèle à produire un résultat).

Une inférence rapide implique généralement d'exécuter le modèle sur du matériel proche de la caméra, un edge device, plutôt que d'envoyer les images vers un serveur distant. Cela évite la latence réseau et maintient la ligne en marche même si le réseau flanche.

L'éclairage, c'est la moitié de la bataille

Un modèle entraîné sous une certaine configuration d'éclairage peut échouer lourdement quand une lampe d'atelier grille ou que le soleil frappe le caisson. Les praticiens consacrent des efforts considérables à un éclairage fixe et contrôlé et à des caissons. Une caméra qui voit la même image propre à chaque fois facilite énormément la tâche de l'IA. Beaucoup d'« échecs de l'IA » en atelier sont en réalité des échecs d'éclairage.

Intégration avec l'automate

Le système de vision n'agit pas seul. Son signal conforme/non conforme alimente l'automate programmable (PLC), l'ordinateur industriel qui pilote la ligne. Un « non conforme » déclenche un bras d'éjection, un aiguillage ou une alerte. Le système de vision doit parler le protocole de l'automate et respecter son timing, sinon tout le travail est perdu.

Le maintenir opérationnel après le go-live

Un système de vision, ce n'est pas « installer et oublier ». Deux tueurs lents méritent attention.

Le drift

Le drift survient quand le monde réel cesse progressivement de correspondre aux données d'entraînement. Un fournisseur change un revêtement, une nouvelle matrice laisse une légère marque d'outil, la température ambiante décale la couleur du métal. Le modèle, entraîné sur l'ancienne normalité, se met à générer des faux rejets ou à manquer de nouveaux défauts.

Parade : surveiller le taux de faux rejets chaque semaine. Une hausse soudaine est votre signal d'alerte précoce. Continuez à collecter des images labellisées depuis la ligne en production et réentraînez périodiquement.

L'humain dans la boucle

Au début, ne laissez pas le modèle rejeter automatiquement sans supervision. Orientez les pièces signalées vers un humain pour confirmation. Cela fait deux choses : cela rattrape les erreurs du modèle avant qu'elles ne coûtent de l'argent, et cela génère de nouvelles données labellisées (le oui ou non de l'humain) pour améliorer la version suivante du modèle.

Avec le temps, à mesure que la confiance et les données de coût le justifient, vous élargissez la plage de scores traitée seule par le modèle et réduisez celle envoyée aux humains.

La traçabilité

Dans les secteurs réglementés (automobile, aéronautique, dispositifs médicaux), vous devez souvent prouver quelles pièces ont été inspectées et pourquoi chaque décision de conformité a été prise. Stockez l'image, le score, le seuil et la version du modèle pour chaque pièce. Quand un auditeur ou un client demande « comment ce défaut a-t-il échappé », vous pouvez répondre avec des preuves. Des organismes de normalisation comme l'ISO publient des référentiels de management de la qualité qui structurent ces attentes en matière d'archivage.

Une image réaliste du retour attendu

L'inspection par vision remplace rarement complètement les inspecteurs. Elle les fait passer de l'examen de chaque pièce au traitement des quelques cas ambigus et à la maintenance du système. Les gains constatés : moins d'échappées atteignant les clients, une inspection à 100 % constante au lieu d'un échantillonnage, et une piste de données qui aide les ingénieurs à remonter des défauts jusqu'à leurs causes racines en amont.

Les projets qui échouent partagent généralement un profil : trop peu d'images de défauts, pas d'accord sur le coût des faux rejets, un éclairage non mamaUtiliser un logiciel pour automatiser les tâches et campagnes marketing répétitives, afin de personnaliser à grande échelle sur des canaux comme l'email, le web et le social.Voir la définition complète →îtrisé, ou aucun plan face au drift. Aucun de ces points n'est un problème d'IA. Ce sont des problèmes d'exploitation que l'IA met au jour.

Points clés

• L'accuracy ment ; le coût dit la vérité. Avec des défauts rares, réglez le seuil de décision pour minimiser le coût total des faux rejets plus celui des échappées, et fixez ce chiffre avec la finance et la qualité ensemble.
• Collectez les défauts délibérément. Les vrais défauts sont rares : prévoyez comment rassembler et labelliser assez d'exemples de défaillance avant l'entraînement.
• Maîtrisez l'environnement. Un éclairage fixe et des caissons comptent souvent plus que les réglages du modèle ; beaucoup d'« échecs de l'IA » sont des échecs d'éclairage.
• Surveillez le drift et gardez l'humain dans la boucle. Suivez les taux de faux rejets, réentraînez sur des données fraîches de la ligne, et confirmez manuellement les pièces signalées jusqu'à ce que les données de coût justifient plus d'autonomie.
• Journalisez tout, pièce par pièce. Stockez image, score, seuil et version du modèle pour la traçabilité, particulièrement dans les secteurs réglementés.