Inspection qualité basée sur l'IA : vision par ordinateur sur la chaîne de production

Les inspecteurs visuels humains sur les lignes de fabrication effectuent un travail ingrat. Ils observent les produits qui passent devant eux pendant des heures, à la recherche de défauts qui peuvent apparaître sur moins d'une unité sur 1 000. Les recherches montrent que la précision de l'inspection humaine passe de 90 % au début d'un quart de travail à moins de 70 % après quatre heures. À la fin d'un quart de travail de huit heures, un inspecteur expérimenté détecte en moyenne environ 80 % des défauts. Les 20 % restants parviennent aux clients au fur et à mesure que la qualité s'échappe.

Les systèmes de vision par ordinateur alimentés par l'IA ne se fatiguent pas, ne perdent pas leur concentration et ne passent pas de mauvaises journées. Les systèmes de vision modernes atteignent des taux de détection de défauts de 99,5 % tout en fonctionnant en continu sur toutes les équipes. Ils inspectent chaque unité, pas seulement des échantillons. Et ils génèrent des données qui alimentent l’amélioration des processus, aidant ainsi les équipes de fabrication à éliminer les causes profondes des défauts plutôt que de simplement détecter les produits défectueux.

Cet article fait partie de notre série La fabrication à l'ère de l'IA.

Points clés à retenir

• Les systèmes de vision IA atteignent des taux de détection de défauts de 99,5 %, contre environ 80 % pour les inspecteurs humains sur une journée complète
• La configuration matérielle (caméras, éclairage, positionnement) est aussi importante que le modèle d'IA pour des résultats d'inspection fiables
• L'apprentissage par transfert permet aux fabricants de déployer des modèles efficaces avec seulement 200 à 500 images de défauts étiquetées
• Le retour sur investissement se produit généralement dans un délai de 8 à 14 mois en cas de déploiement sur des lignes de production à haut volume

---

Comment fonctionne l'inspection de la qualité de la vision par ordinateur

Le pipeline d'inspection

Un système d'inspection par vision par ordinateur traite chaque produit en suivant une série d'étapes :

Acquisition d'images : les caméras industrielles capturent des images haute résolution des produits lorsqu'ils se déplacent dans la station d'inspection. La sélection de la caméra, le choix de l'objectif et la conception de l'éclairage déterminent la qualité des données brutes disponibles pour le modèle d'IA.

Prétraitement : les images brutes sont standardisées grâce à des opérations comprenant :

• Extraction de la région d'intérêt (recadrage vers la zone de produit concernée)
• Normalisation géométrique (correcte pour la variation de position et d'orientation)
• Correction des couleurs (compenser la dérive de l'éclairage)
• Amélioration de l'image (réglage du contraste, réduction du bruit)

Inférence de modèle : l'image prétraitée passe par un modèle d'apprentissage profond entraîné qui génère un ou plusieurs des éléments suivants :

• Classification binaire : réussite ou échec
• Classification multiclasse : type de défaut spécifique (rayure, bosse, décoloration, désalignement)
• Détection d'objets : localisation et type de chaque défaut constaté
• Segmentation sémantique : cartographie au niveau des pixels des zones défectueuses

Décision et action : en fonction des résultats du modèle et des seuils configurés :

• Les bons produits continuent sur toute la ligne
• Les produits défectueux sont détournés vers un bac de rejet ou une station de reprise
• Les cas limites sont signalés pour examen humain
• Tous les résultats sont enregistrés pour le suivi de la qualité et l'amélioration des processus

---

Configuration matérielle requise

Sélection de la caméra

Pour la plupart des applications de fabrication discrètes, les caméras CMOS à balayage de zone dans la gamme 5-12 MP offrent une résolution suffisante aux vitesses de production. Les caméras à balayage linéaire sont essentielles pour les processus continus tels que l'impression, le revêtement et la fabrication textile.

Conception d'éclairage

L’éclairage est sans doute plus important que le choix de la caméra. Le même défaut peut être invisible sous une condition d’éclairage et évident sous une autre.

Edge Computing pour l'inférence

L'inférence du modèle d'IA doit être terminée avant que le produit suivant n'arrive au poste d'inspection. À des vitesses de production de 60 pièces par minute, le système dispose d'une seconde par inspection, y compris la capture d'image, le traitement, l'inférence et l'actionnement.

Pour la plupart des inspections de lignes de production, un Jetson Orin Nano ou un dispositif de pointe similaire offre des performances suffisantes à un coût et une consommation d'énergie raisonnables.

---

Sélection et formation de modèles d'IA

Architectures modèles pour l'inspection de la fabrication

Classification d'image (réussite/échec ou type de défaut) :

• Variantes EfficientNet, ResNet ou MobileNet
• Inférence rapide, exigences modérées en matière de données de formation
• Idéal lorsque la présence d'un défaut n'importe où dans l'image déclenche le rejet

Détection d'objets (localiser et classer les défauts) :

• Variantes YOLOv8, Faster R-CNN ou SSD
• Fournit une localisation des défauts pour des retouches ciblées
• Nécessite des annotations de cadre de délimitation pendant la formation

Segmentation sémantique (cartographie des défauts au niveau des pixels) :

• Variantes U-Net, DeepLab ou Segment Anything
• Sortie la plus détaillée, coût d'annotation le plus élevé
• Requis lorsque la mesure de la taille des défauts est importante

Détection d'anomalies (non supervisé, apprentissage normal uniquement) :

• Approches basées sur un autoencodeur ou PatchCore
• Nécessite uniquement des images de bons produits pour la formation
• Efficace lorsque les types de défauts sont inconnus ou très variables

Exigences en matière de données de formation

L'apprentissage par transfert est l'approche pratique pour la plupart des fabricants. Commencez avec un modèle pré-entraîné sur des millions d'images générales (ImageNet), puis affinez-le sur vos produits spécifiques et vos images de défauts. Cela permet d'obtenir des résultats de qualité de production avec une fraction des données et du temps de formation nécessaires pour créer un modèle à partir de zéro.

Bonnes pratiques en matière de collecte de données

• Capturez des images sous l'éclairage exact et la configuration de la caméra qui seront utilisées en production
• Inclure des variations dans le positionnement du produit, l'intensité de l'éclairage et l'arrière-plan
• Recueillir des exemples de défauts sur toute la gamme de gravité (évidents à limites)
• Inclure des images de différents lots de production et périodes de temps
• Demandez à des experts qualité d'examiner et de confirmer toutes les étiquettes avant la formation

---

Intégration avec les systèmes de qualité de fabrication

Connexion au module de qualité Odoo

Les résultats de l’inspection par l’IA alimentent le système de gestion de la qualité plus large via :

Enregistrements qualité automatisés : chaque inspection crée un enregistrement dans le module qualité d'Odoo avec le résultat de l'inspection, la classification des défauts (le cas échéant), le score de confiance et l'image capturée. Cela fournit une traçabilité complète depuis l’inspection jusqu’à l’élimination.

Intégration SPC : taux de défauts issus des cartes de contrôle statistique des processus de flux d'inspection IA. Une augmentation soudaine d’un type de défaut spécifique déclenche une enquête avant que le processus ne devienne encore plus incontrôlable. Notre guide sur gestion de la qualité et SPC couvre cette intégration en détail.

Commentaires sur les causes profondes : en corrélant les modèles de défauts avec les variables de production (machine, lot de matériaux, opérateur, équipe, conditions ambiantes), les données d'inspection par l'IA aident à identifier les causes profondes. Un modèle montrant une augmentation des défauts de rayures sur la machine 3 après les changements d'outils pointe les équipes de maintenance vers un problème spécifique.

Amélioration continue du modèle : les produits signalés comme limites par le modèle d'IA sont acheminés vers des inspecteurs humains. Leurs décisions de réussite/échec deviennent de nouvelles données de formation qui améliorent le modèle au fil du temps, créant un cercle vertueux dans lequel le système s'améliore au fur et à mesure qu'il fonctionne.

---

Calcul du retour sur investissement

Coût de la qualité sans inspection IA

### Investissement et économies en matière d'inspection par l'IA

Coûts d'exploitation annuels : 5 000 à 15 000 $ par station (maintenance, services cloud, mises à jour du modèle)

Économies attendues :

• Réduction de 60 à 80 % du travail d'inspection (les inspecteurs se redéployent vers l'analyse des causes profondes)
• Réduction de 90 à 95 % des évasions de qualité (taux de détection de 99,5 % contre 80 %)
• 30 à 50 % de réduction des rebuts (une détection plus précoce signifie moins de traitement des matériaux défectueux)
• Réduction de 20 à 40 % des réclamations au titre de la garantie (moins de produits défectueux parviennent aux clients)

Pour un fabricant dépensant 750 000 $ par an en coûts de qualité, le déploiement de l’inspection par IA sur deux lignes de production pour un coût total de 150 000 $ permet généralement d’économiser 300 000 à 450 000 $ par an, ce qui correspond à une période d’amortissement de 4 à 6 mois.

---

Défis et solutions courants

---

Questions fréquemment posées

De combien d'images de défauts ai-je besoin pour entraîner un modèle d'inspection IA ?

Grâce à l'apprentissage par transfert (affinage d'un modèle pré-entraîné), 200 à 500 images étiquetées par type de défaut sont généralement suffisantes pour le déploiement initial. Cependant, les performances du modèle s'améliorent avec davantage de données. L'approche pratique consiste à déployer avec les données de formation initiales, à acheminer les cas limites vers des inspecteurs humains pour étiquetage et à recycler le modèle mensuellement avec les données accumulées. Après 6 mois de production, le modèle compte généralement des milliers d’exemples étiquetés et atteint des performances optimales.

L'inspection par l'IA peut-elle remplacer complètement les inspecteurs humains ?

Dans la plupart des cas, l'inspection par l'IA remplace la tâche répétitive d'inspection visuelle mais pas le rôle de l'inspecteur. Les inspecteurs humains passent à des activités à plus forte valeur ajoutée : examiner les cas limites signalés par le système d'IA, enquêter sur les causes profondes des tendances des défauts, valider les nouvelles configurations de produits et maintenir le système d'inspection. Cette transition améliore à la fois la satisfaction au travail (travail moins répétitif) et la qualité des résultats (l'expertise humaine concentrée là où elle compte le plus).

Qu'en est-il des faux positifs où les bons produits sont rejetés ?

Les faux positifs (rejet de bons produits) sont contrôlés grâce à un réglage du seuil. Un seuil plus conservateur détecte davantage de défauts mais rejette également davantage de bons produits. La plupart des fabricants fixent des seuils pour atteindre zéro faux négatif (ne jamais transmettre un produit défectueux) et acceptent un taux de faux positifs de 1 à 3 %, acheminant ces produits vers un examen humain. L’impact économique d’un faux positif (coût de réinspection) est généralement bien moindre que celui d’un faux négatif (réclamation client, demande de garantie).

---

Quelle est la prochaine étape

L’inspection qualité basée sur l’IA est l’une des applications de vision par ordinateur les plus matures et les plus rentables dans le secteur manufacturier. La technologie est éprouvée, le matériel est abordable et le chemin d’intégration avec les systèmes qualité ERP est bien établi. Les fabricants qui déploient aujourd’hui l’inspection par l’IA bénéficient d’un avantage en matière de qualité qui s’accroît au fil du temps à mesure que les modèles s’améliorent avec davantage de données.

ECOSIRE aide les fabricants à mettre en œuvre des systèmes d'inspection d'IA intégrés à Odoo Quality Management et alimentés par OpenClaw AI. De la conception des caméras et de l'éclairage à la formation des modèles et au déploiement en production, notre équipe propose des solutions d'inspection visuelle de bout en bout.

Découvrez nos guides connexes sur la gestion de la qualité et ISO 9001 et l'architecture IoT d'usine intelligente, ou contactez-nous pour discuter de vos défis en matière d'inspection qualité.

---

Publié par ECOSIRE — aider les entreprises à évoluer grâce à des solutions basées sur l'IA dans Odoo ERP, Shopify eCommerce et OpenClaw AI.