Table des Matières
Pour démarrer un projet de détection de défauts par vision par ordinateur, choisissez un poste et quelques défauts qui coûtent de l'argent, mettez en place un éclairage et une caméra qui rendent ces défauts nettement visibles, et collectez des images en production réelle. Entraînez ensuite un modèle simple, comparez-le à vos contrôleurs sur des pièces qu'il n'a jamais vues, et seulement alors raccordez-le à la ligne.
Points clés
- L'éclairage et la résolution déterminent ce que la caméra peut voir. Un défaut doit couvrir au moins 3 à 4 pixels pour une détection fiable (Vision Doctor).
- Les modèles de détection d'anomalies apprennent uniquement sur des images sans défaut, ce qui convient aux lignes où les défauts sont rares. PatchCore a atteint une AUROC au niveau image allant jusqu'à 99,6 % sur le benchmark MVTec AD (Roth et al., 2022).
- Les modèles supervisés peuvent fonctionner avec peu de défauts : une méthode de segmentation a appris à détecter des fissures de surface à partir d'environ 25 à 30 échantillons défectueux (Tabernik et al., 2019).
- Le contrôle humain est la référence à battre, et il n'est pas parfait. Dans une étude de Sandia, les contrôleurs ont rejeté 85 % des pièces défectueuses et 35 % des pièces conformes (See et al., 2015).
- Validez sur des pièces, des lots et des journées que le modèle n'a jamais vus, et fixez le seuil d'alarme à partir du coût d'un faux rejet et d'un défaut non détecté.
Que peut faire la vision par ordinateur pour le contrôle ?
Une caméra, un éclairage et un modèle examinent chaque pièce, ou chaque tronçon d'une bande continue, et produisent une décision. Cette sortie peut prendre quatre formes, et le choix détermine l'effort d'annotation nécessaire.
| Approche | Sortie | Annotations d'entraînement | Adaptée à | Points de vigilance |
|---|---|---|---|---|
| Classification d'images | Conforme ou non conforme, ou une classe de défaut, par image | Une étiquette par image | Une pièce par image, vue fixe | N'indique pas où se trouve le défaut |
| Détection d'objets | Un cadre et une classe pour chaque défaut | Un cadre autour de chaque défaut | Localiser et compter des défauts distincts | Exige des exemples annotés de chaque type de défaut |
| Segmentation | Un masque au pixel de chaque défaut | Masques au niveau du pixel | Mesurer la taille ou la surface d'un défaut par rapport à une spécification | Annotation lente |
| Détection d'anomalies | Un score d'anomalie et une carte de chaleur | Images sans défaut uniquement | Défauts rares ou inconnus, nouvelles lignes | Signale tout changement et ne nomme pas le défaut |
Les trois premières sont supervisées : le modèle apprend à partir d'images annotées par une personne. La détection d'anomalies apprend à quoi ressemble une pièce conforme et mesure l'écart de chaque nouvelle image, à la manière des méthodes de détection d'anomalies utilisées sur les données capteurs.
Le contrôle par vision examine la surface finie. Si un défaut se crée plus tôt dans le procédé et n'est pas visible, la qualité prédictive sur les données procédé est l'outil le plus adapté, et les deux peuvent être combinés.
Pourquoi ne pas s'en remettre aux contrôleurs humains ?
Le contrôle visuel est un travail difficile pour les personnes. Dans une étude des Sandia National Laboratories, 82 contrôleurs ont examiné 140 pièces pour huit types de défauts. Ils ont correctement rejeté 85 % des pièces défectueuses et rejeté à tort 35 % des pièces conformes. Les auteurs notent que ce taux de détection n'était pas nettement supérieur à une moyenne industrielle de 80 %, et décrivent le contrôle comme une tâche à forte charge de travail, dominée par l'exigence mentale et l'effort (See et al., 2015).
Deux leçons en découlent. Un système de vision n'a pas besoin d'être parfait pour être utile ; il doit faire mieux que votre contrôle actuel sur vos pièces. Et les décisions de vos contrôleurs ne sont pas non plus une référence parfaite, donc les étiquettes utilisées pour l'entraînement doivent être vérifiées.
Commencer par le catalogue des défauts, pas par le modèle
Avant d'acheter une caméra, consignez par écrit :
- Les défauts qui comptent : nom, photo et coût de chacun s'il arrive chez le client.
- Les limites d'acceptation : la taille, la profondeur ou la position à partir de laquelle une rayure devient un rejet. Les cas limites causent la plupart des désaccords par la suite.
- L'endroit où le défaut est visible : quelle face de la pièce, à quel poste, avant ou après quelle opération.
- La cadence et la manutention : pièces par minute, arrêt ou non de la pièce, façon dont elle est présentée à la caméra.
MVTec distingue deux types de défauts. Les anomalies structurelles apparaissent sous forme de rayures, de bosses ou de contaminations ; les anomalies logiques violent des contraintes sous-jacentes, comme un objet autorisé placé au mauvais endroit ou une pièce requise absente (MVTec LOCO AD). Vérifiez quel type contient votre catalogue : un clip manquant et une surface rayée peuvent demander des méthodes différentes, voire un simple contrôle à base de règles pour le premier.
Pourquoi l'éclairage et la caméra comptent-ils plus que le modèle ?
Un modèle ne peut pas trouver un défaut que l'image ne montre pas. L'éclairage se choisit en fonction des caractéristiques de surface précises à mettre en évidence (Opto Engineering).
| Technique d'éclairage | Principe | Ce qu'elle révèle |
|---|---|---|
| Champ clair (éclairage frontal) | La lumière réfléchie par une surface plane entre dans l'objectif | Rayures et défauts apparaissent sombres sur fond clair |
| Champ sombre (lumière rasante) | Seule la lumière diffusée par la surface atteint l'objectif | Les irrégularités de surface apparaissent claires sur fond sombre |
| Rétroéclairage | Source lumineuse derrière la pièce | Le contour des pièces opaques ; les inclusions comme les bulles d'air dans le plastique transparent |
| Dôme (diffus) | Lumière uniforme venant de nombreux angles, comme par temps couvert | Pièces courbes ou complexes sans reflets gênants |
| Coaxial | Lumière dans l'axe de la caméra, perpendiculaire à la pièce | Défauts sur des surfaces très réfléchissantes |
Source : Opto Engineering.
Dimensionnez ensuite la résolution. Vision Doctor indique qu'une tache d'au moins 3 à 4 pixels est nécessaire pour une détection optique nette, et moins seulement avec un bon contraste. Son exemple : une image de 64 mm de large sur 640 pixels donne 0,1 mm par pixel, donc le plus petit détail visible de façon fiable mesure environ 0,3 mm (Vision Doctor). Partez de votre plus petit défaut entraînant un rejet et du champ de vision nécessaire.
Isolez le poste de la lumière du jour et de l'éclairage de l'atelier. Un changement d'éclairage, de mise au point de l'objectif ou de position de la caméra modifie aussi ce que voit le modèle.
Détection d'anomalies ou modèle supervisé ?
La détection d'anomalies convient quand les défauts sont rares ou variés. Le benchmark MVTec AD, avec plus de 5 000 images réparties en 15 catégories d'objets et de textures, ne fournit que des images sans défaut pour l'entraînement (MVTec AD). PatchCore, conçu pour ce problème de « démarrage à froid », conserve une banque mémoire de caractéristiques issues d'images normales et a atteint sur ce benchmark une AUROC au niveau image allant jusqu'à 99,6 % (Roth et al., 2022). La bibliothèque open source Anomalib, sous licence Apache-2.0, inclut PatchCore et d'autres méthodes. La limite : le modèle signale tout ce qui est nouveau, y compris l'état de surface d'un nouveau fournisseur, et il ne dit pas quel défaut il a trouvé.
Les modèles supervisés conviennent quand vous disposez, ou pouvez collecter, des exemples de chaque type de défaut et que le défaut doit être nommé ou mesuré. Tabernik et al. ont montré qu'un modèle à base de segmentation apprenait à détecter des fissures de surface à partir d'environ 25 à 30 échantillons défectueux, « au lieu de centaines ou de milliers » (Tabernik et al., 2019). Des travaux ultérieurs ont montré que des étiquettes majoritairement au niveau image, complétées par un petit nombre de masques au pixel, peuvent approcher les performances d'une supervision complète pour un coût d'annotation moindre (Božič et al., 2021).
Une démarche pratique consiste à commencer par la détection d'anomalies pour séparer les pièces normales des pièces suspectes, à examiner ces dernières avec les contrôleurs, puis à utiliser ces images vérifiées pour entraîner plus tard un modèle supervisé.
Combien d'images et d'annotations faut-il ?
Les jeux de données réels de défauts sont déséquilibrés. KolektorSDD2, collecté pour un problème d'inspection industrielle, compte 3 335 images, dont 356 défectueuses (ViCoS Lab). Votre ligne aura sans doute moins de défauts que cela ; collectez donc des images normales en continu et conservez chaque pièce rejetée.
Couvrez la variabilité que vous rencontrerez en service : chaque variante de produit, lot de matière, poste de travail et position de caméra. Annotez à l'intérieur de votre réseau avec un outil auto-hébergé comme CVAT, dont l'édition communautaire est open source et prend en charge cadres, polygones et masques.
Vérifiez les annotations. Une étude portant sur dix des jeux de données de vision, de langage et d'audio les plus utilisés a estimé en moyenne au moins 3,3 % d'erreurs d'étiquetage dans leurs jeux de test (Northcutt et al., 2021). Faites annoter le même échantillon d'images limites par deux contrôleurs et tranchez les désaccords au regard des limites d'acceptation écrites.
N'entraînez pas de modèle de production sur des jeux de données publics. MVTec AD et KolektorSDD2 sont publiés sous une licence non commerciale, et Ultralytics indique qu'une Enterprise License est nécessaire pour utiliser ses modèles YOLO sans publier votre projet en open source (Ultralytics). Vérifiez la licence de chaque jeu de données, bibliothèque et modèle pré-entraîné avant le déploiement.
Comment valider avant de s'y fier ?
Découper par groupe, pas par image. Les images d'une même pièce, d'un même lot ou d'une même journée se ressemblent, et un découpage aléatoire place des quasi-doublons à la fois dans l'apprentissage et dans le test. scikit-learn recommande une validation croisée par groupe quand les données proviennent de différents sujets, expériences ou appareils de mesure, afin que les échantillons de test viennent de groupes absents de l'apprentissage (scikit-learn). Mettez de côté des lots ou des journées entières, et testez sur une période ultérieure.
Compter ce qui compte sur la ligne : défauts détectés, pièces conformes rejetées à tort et défauts non détectés, pour chaque type de défaut.
Fixer le seuil à partir des coûts. La règle par défaut de 0,5 n'est « très certainement pas idéale pour la plupart des cas d'usage », et le seuil ne doit jamais être ajusté sur les données d'apprentissage (scikit-learn). Une fissure manquée sur une pièce sous pression et une tache esthétique ne méritent pas le même seuil.
Fonctionner en mode observation (shadow mode). Laissez le système évaluer chaque pièce pendant plusieurs semaines pendant que les contrôleurs continuent de décider, puis comparez. Notre guide sur le passage du pilote au déploiement en usine traite de la validation finale.
Où le modèle doit-il tourner ?
Les décisions de contrôle sont attendues dans le temps de cycle, aussi les modèles tournent souvent à côté de la caméra sur un PC industriel ; notre article sur l'IA en périphérie (edge) dans l'atelier traite des choix matériels. Anomalib indique que la plupart de ses modèles peuvent être exportés vers OpenVINO pour une inférence accélérée sur matériel Intel (Anomalib).
Le résultat doit ensuite aller quelque part : un éjecteur, l'automate (PLC) ou l'enregistrement de la pièce dans le MES. Notre guide sur la répartition des rôles entre MES, ERP et IA explique où placer les résultats de contrôle.
Une fois en service, le modèle dérivera quand un fournisseur, un outil, un objectif ou un éclairage change. Continuez d'enregistrer les images et les décisions des contrôleurs, et suivez la démarche décrite dans la surveillance de la dérive des modèles.
Comment démarrer, étape par étape ?
- Choisir un poste et deux ou trois défauts dont le coût peut être chiffré.
- Rédiger le catalogue des défauts avec photos et limites d'acceptation.
- Tester l'éclairage et la résolution sur des pièces bonnes et mauvaises connues, jusqu'à ce que chaque défaut soit nettement visible.
- Collecter des images de production pendant plusieurs semaines, sur les variantes, les lots et les postes.
- Commencer par la détection d'anomalies si les défauts sont rares ; ajouter un modèle supervisé quand vous disposez d'assez de défauts vérifiés.
- Valider sur des lots et des journées mis de côté et rapporter défauts détectés, faux rejets et défauts non détectés.
- Fixer le seuil avec les responsables qualité et production.
- Fonctionner en mode observation, puis raccorder à la ligne, avec un responsable nommé qui examine les performances chaque mois.
Ce que nous avons constaté chez KABAS AI
Notre page solutions pour l'industrie manufacturière cite le contrôle qualité, l'inspection automatisée et la détection de défauts parmi les cas d'usage que nous traitons, et notre offre de conseil compte la vision par ordinateur parmi nos domaines d'expertise. L'équipe data science couvre le parcours de la collecte et de la préparation des données jusqu'aux modèles prédictifs et aux pipelines MLOps qui maintiennent les modèles sous surveillance en production.
Notre conseil pratique : consacrez les premières semaines au catalogue des défauts, à l'éclairage et à la collecte d'images, pas au choix d'un réseau de neurones. Convenez du coût d'un faux rejet et d'un défaut non détecté avant tout entraînement. Gardez images et modèles sur vos propres serveurs, car les images de vos pièces et de vos défauts montrent comment votre produit est fabriqué. Avant de commencer, une évaluation de maturité IA permet de vérifier que les données et les personnes sont prêtes.
Sources
- See et al., Visual inspection reliability for precision manufactured parts, Human Factors, 2015 (Sandia National Laboratories)
- Roth et al., Towards Total Recall in Industrial Anomaly Detection, CVPR 2022 (arXiv 2106.08265)
- MVTec, jeu de données MVTec AD
- MVTec, jeu de données MVTec LOCO AD
- Tabernik et al., Segmentation-Based Deep-Learning Approach for Surface-Defect Detection, Journal of Intelligent Manufacturing, 2019 (arXiv 1903.08536)
- Božič, Tabernik et Skočaj, Mixed supervision for surface-defect detection: from weakly to fully supervised learning, Computers in Industry, 2021 (arXiv 2104.06064)
- ViCoS Lab, Kolektor Surface-Defect Dataset 2 (KolektorSDD2)
- Northcutt, Athalye et Mueller, Pervasive Label Errors in Test Sets Destabilize Machine Learning Benchmarks, NeurIPS 2021 (arXiv 2103.14749)
- Opto Engineering, Illumination geometries and techniques
- Vision Doctor, Resolution of sensors
- Anomalib, bibliothèque open source de détection d'anomalies (GitHub)
- CVAT, Computer Vision Annotation Tool
- Ultralytics, Licensing
- scikit-learn, Cross-validation: evaluating estimator performance
- scikit-learn, Tuning the decision threshold for class prediction
Questions fréquentes
La vision par ordinateur peut-elle remplacer les contrôleurs visuels ?
Pas dès le premier jour. Un système de vision fonctionne d'abord en parallèle des contrôleurs, qui continuent de décider de la conformité pendant que les résultats du modèle sont comparés aux leurs. Les contrôleurs définissent aussi le catalogue des défauts, annotent les images et examinent les pièces signalées par le modèle ; leur savoir-faire reste donc central même après la mise en service.
Faut-il du deep learning, ou la vision industrielle à base de règles suffit-elle ?
Si le défaut peut se décrire par une mesure, comme un trou absent, une cote hors tolérance ou une étiquette manquante, des outils à base de règles qui mesurent contours, surfaces et contraste peuvent suffire et sont plus faciles à valider. Le deep learning est utile quand les défauts varient en forme et en aspect : rayures, fissures, taches ou défauts de texture sur des surfaces naturelles ou de fonderie.
Combien d'images de défauts faut-il pour commencer ?
Cela dépend de la méthode. Les modèles de détection d'anomalies s'entraînent sur des images sans défaut et n'ont besoin d'images défectueuses que pour les tester. Les modèles supervisés ont besoin d'exemples annotés de chaque type de défaut : une méthode publiée a appris à détecter des fissures de surface à partir d'environ 25 à 30 échantillons défectueux, mais la plupart des lignes en demandent davantage pour couvrir tous les types de défauts, les variantes de pièces et les conditions d'éclairage.
Peut-on utiliser des jeux de données publics comme MVTec AD pour entraîner notre modèle ?
Utilisez-les pour apprendre et comparer des méthodes, pas pour entraîner un modèle de production. MVTec AD et KolektorSDD2 sont publiés sous une licence non commerciale, et leurs pièces, caméras et éclairages diffèrent des vôtres. Le modèle de votre ligne doit être entraîné et validé sur des images de votre propre poste.
Le système de vision a-t-il besoin d'un GPU sur la ligne ?
Pas forcément. Certains modèles d'inspection peuvent tourner sur un PC industriel sans GPU dédié, et des bibliothèques comme Anomalib exportent les modèles vers OpenVINO pour le matériel Intel. Les facteurs décisifs sont la cadence de la ligne, la taille des images et le nombre de caméras ; mesurez donc le temps d'inférence par image sur le matériel cible pendant le pilote.



