Une lampe annulaire, un capot noir, une caméra à quarante centimètres du convoyeur, et des pièces de connectique qui défilent à quarante à la minute. Voilà à quoi ressemble, physiquement, une installation de contrôle qualité visuel par intelligence artificielle dans une PME de trente-huit salariés à Ollainville. Rien de futuriste. Beaucoup de mécanique, un peu d’optique, et une longue liste de conditions à réunir avant que le système ne soit meilleur que l’opérateur qu’il assiste.
Ce que la caméra fait bien, et ce que l’œil faisait mieux
Un système de vision est infatigable, régulier, et parfaitement indifférent au fait qu’il soit onze heures du matin ou quatre heures du matin. Sur des défauts fréquents, bien définis et visuellement stables, il fait mieux qu’un humain au bout de deux heures de poste. C’est l’argument décisif, et il est réel.
L’humain garde deux avantages qu’on oublie de mentionner dans les démonstrations. Il détecte l’anomalie qu’il n’a jamais vue, celle qui ne ressemble à rien de connu, parce qu’il sait à quoi une pièce correcte est censée ressembler dans son ensemble. Et il comprend le contexte : une trace de doigt sur une pièce destinée à être remontée n’a pas la même importance que la même trace sur une pièce livrée telle quelle. Un modèle entraîné sur des catégories de défauts ne fait pas cette distinction si personne ne la lui a apprise.
Le bon usage, dans une PME, est donc rarement le remplacement. C’est le filtre en amont, qui écarte le volume évident et laisse à l’opérateur les cas douteux et les séries sensibles.
La lumière, ce sujet que personne n’anticipe
Nous le disons à tous les industriels qui nous consultent sur ce sujet, et la remarque surprend toujours : la moitié des échecs d’un projet de vision se joue sur l’éclairage, pas sur le modèle. Une pièce brillante renvoie des reflets qui changent selon sa position ; une pièce noire absorbe la lumière et masque les micro-défauts ; une verrière au-dessus de la ligne modifie l’image entre le matin et l’après-midi, et un système parfaitement au point en janvier se met à dériver en juin.
À Ollainville, le premier montage a fonctionné pendant trois semaines avant de se dégrader sans raison apparente. La cause tenait à un changement d’ampoule dans l’atelier, à six mètres de là. Il a fallu caréner complètement le poste.
Ce carénage, la fixation mécanique, le déclenchement synchronisé avec le convoyeur et l’éjecteur représentent, dans les installations que nous voyons, une part du budget au moins équivalente à celle de la partie logicielle. Un projet de contrôle qualité visuel par intelligence artificielle chiffré uniquement sur la licence et le modèle est un projet mal chiffré.
Le nerf de la guerre, ce sont les images de défauts
Pour apprendre à reconnaître un défaut, un modèle a besoin d’en voir. Beaucoup. Selon la nature du défaut et l’approche retenue, l’ordre de grandeur va de quelques centaines à quelques milliers d’images par catégorie, et ces images doivent être prises dans les conditions réelles du poste, pas dans un laboratoire.
Là se trouve le paradoxe le plus embarrassant de ces projets. Plus un défaut est rare, plus il coûte cher quand il passe, et moins on dispose d’exemples pour apprendre à le détecter. Une entreprise qui rebute une pièce sur mille aura besoin de plusieurs mois de collecte pour rassembler une base exploitable sur son défaut le plus critique. Des approches par détection d’anomalie, qui apprennent uniquement le normal et signalent tout écart, existent et permettent de contourner partiellement le problème, au prix d’un nombre de fausses alertes plus élevé.
Autre réalité rarement annoncée, l’annotation. Quelqu’un doit désigner sur chaque image ce qui constitue le défaut, et ce quelqu’un doit connaître le produit. Comptez plusieurs journées de travail d’un technicien qualité pour une première mise en service. Ce n’est pas un détail administratif, c’est le poste de charge principal de la phase de démarrage.
Une conséquence pratique en découle, que nous recommandons systématiquement. Commencez à photographier vos pièces rebutées maintenant, avant même d’avoir choisi un fournisseur, avec un montage rudimentaire et un éclairage constant. Six mois de collecte tranquille valent mieux qu’une campagne d’urgence menée pendant l’installation, et cette base vous appartiendra quel que soit l’intégrateur retenu. Les entreprises qui abordent la consultation avec quelques milliers d’images classées obtiennent des propositions plus sérieuses et des délais plus courts que celles qui arrivent les mains vides.
Faux rejets et défauts manqués, un compromis qu’il faut assumer
Aucun système ne fait les deux à la fois. Régler le seuil pour ne rien laisser passer produit mécaniquement des rejets de pièces bonnes ; le régler pour ne rien rejeter à tort laisse passer des défauts. Ce curseur est un choix économique, il appartient au dirigeant et au client final, pas au fournisseur de la solution.
Sur cette ligne, le taux de faux rejets s’établissait à environ six pour cent les premières semaines, ce qui était inacceptable au regard de la marge sur ces références. Trois mois de réglage, d’enrichissement de la base et d’amélioration du carénage l’ont ramené sous les deux pour cent, avec un tri manuel maintenu sur les pièces écartées. Personne n’a jamais atteint le zéro, et personne ne l’a promis.
Prévoyez aussi ce qui se passe au changement de référence. Un nouveau produit, une nouvelle matière, un fournisseur de composant différent, et le modèle perd en performance sans nécessairement le signaler. Une procédure de vérification à chaque changement de série, avec quelques pièces témoins connues, coûte cinq minutes et évite des semaines de dérive silencieuse.
Quand il vaut mieux renoncer
Nous déconseillons ce type d’installation dans trois situations. Les très petites séries d’abord, où le temps de mise au point ne sera jamais amorti sur le volume produit. Les produits à forte variabilité naturelle ensuite, bois, cuir, pièces de fonderie brutes, où la frontière entre variation acceptable et défaut se déplace selon le client. Les défauts non visibles enfin, porosité interne, contrainte résiduelle, contamination, qui relèvent d’autres technologies de contrôle et qu’aucune caméra ne verra jamais.
Dans les autres cas, le calcul se fait sans difficulté : coût complet de l’installation d’un côté, valeur des pièces défectueuses livrées et heures de contrôle manuel de l’autre. Quand un seul retour client annulé paie l’année, la décision se prend vite. Encore faut-il avoir compté les heures de contrôle réelles, celles du samedi matin et des fins de série comprises, plutôt que celles du planning théorique.
Ce sujet reste l’un des plus concrets de l’IA industrielle, et l’un de ceux où le fossé entre la démonstration commerciale et l’atelier réel est le plus large. Nous le replaçons dans l’ensemble des usages décrits dans le panorama de l’IA appliquée à votre métier. Si vous envisagez un poste de vision, MINOBIA peut vous aider à vérifier d’abord si vos défauts sont détectables et vos volumes suffisants, avant que vous n’engagiez le moindre euro de matériel.
Questions fréquentes
Combien d’images de défauts faut-il réunir ?
De quelques centaines à quelques milliers par catégorie selon l’approche retenue. Sur les défauts rares, la collecte peut demander plusieurs mois, et c’est souvent le facteur limitant du projet.
Le système peut-il remplacer complètement le contrôle humain ?
Dans la majorité des PME, non. Il filtre le volume évident et laisse les cas douteux à l’opérateur, dont le rôle se déplace vers l’arbitrage et la surveillance du dispositif.
Que se passe-t-il quand on change de produit ?
Le modèle doit être vérifié, souvent complété. Prévoyez une procédure de contrôle avec des pièces témoins à chaque changement de série.
Peut-on utiliser les caméras déjà installées sur la ligne ?
Presque jamais. Les caméras de surveillance n’offrent ni la résolution, ni le déclenchement, ni la stabilité d’éclairage nécessaires à un contrôle fiable.
Quel est le principal motif d’échec observé ?
Un environnement lumineux non maîtrisé, suivi de près par une base d’images trop pauvre. Le choix du modèle arrive loin derrière dans la liste des causes.
À propos de l’auteur
Joël Obitz est entrepreneur et fondateur de MINOBIA, cabinet spécialisé dans l’intégration stratégique de l’intelligence artificielle au sein des PME et ETI. Fort de 20 ans d’expérience dans le B2B industriel, il accompagne les entreprises dans leur transformation numérique, avec une approche directe, pragmatique et orientée résultats.
Contactez-nous : contact@minobia.ai
Suivez-nous sur LinkedIn et Facebook
MINOBIA – Activateur France Num https://www.francenum.gouv.fr/activateurs/minobia
