Vision par ordinateur pour le contrôle qualité industriel
La vision par ordinateur appliquée au contrôle qualité analyse les images d’une pièce, d’un assemblage ou d’un emballage pour vérifier des critères définis. Elle peut contrôler chaque produit à cadence régulière et attirer l’attention des équipes sur les cas suspects. Sa fiabilité dépend autant de la prise de vue et des données que du modèle d’intelligence artificielle.
Quels contrôles peut-on automatiser ?
- présence ou absence d’un composant ;
- position et orientation d’une pièce ;
- lecture d’une référence, d’un lot ou d’une date ;
- couleur, forme ou niveau de remplissage ;
- rayure, fissure, bavure ou défaut de surface visible ;
- comptage d’éléments et conformité d’un assemblage.
Un défaut non visible dans l’image ne pourra pas être déduit de manière fiable. Il faut donc distinguer les contrôles visuels des mesures nécessitant un capteur, un test fonctionnel ou une expertise complémentaire.
Les composants d’un système de vision
| Composant | Rôle | Point de vigilance |
|---|---|---|
| Caméra et optique | Capturer le niveau de détail utile | Résolution, distance et mouvement |
| Éclairage | Stabiliser le contraste | Reflets et lumière ambiante |
| Déclenchement | Prendre l’image au bon moment | Cadence et position de la pièce |
| Algorithme | Mesurer, classer ou localiser | Variabilité et dérive |
| Intégration | Alerter, tracer ou écarter | Temps de réponse et sécurité |
Règles classiques ou intelligence artificielle ?
Une mesure géométrique stable, un code-barres ou une couleur bien définie peuvent souvent être contrôlés par des règles classiques. L’apprentissage automatique devient utile lorsque l’aspect varie, que les défauts prennent plusieurs formes ou que des règles explicites seraient trop fragiles. Les deux approches peuvent cohabiter dans une même chaîne.
Construire un jeu de données représentatif
Collectez les images dans les conditions réelles : différentes séries, matières, équipes, heures et réglages. Les défauts rares posent une difficulté particulière. Il faut les documenter précisément et éviter de créer un test où les images défectueuses proviennent toutes d’une autre caméra ou d’un autre arrière-plan. Le modèle apprendrait cette différence accidentelle plutôt que le défaut.
Mesurer les erreurs qui comptent
Un simple taux de précision global peut être trompeur. Distinguez les défauts non détectés des produits conformes rejetés. Définissez les coûts respectifs et choisissez un seuil adapté. Le système peut envoyer les cas incertains vers un poste de validation plutôt que prendre une décision binaire.
- taux de défauts détectés ;
- taux de faux rejets ;
- part des images nécessitant une validation ;
- temps de traitement et compatibilité avec la cadence ;
- stabilité selon les séries et conditions de production.
Du prototype à la ligne de production
Commencez en mode observation : le système produit un résultat sans commander directement l’équipement. Comparez ses décisions à celles des contrôleurs, analysez les désaccords et enrichissez les données. Une fois les performances validées, connectez progressivement les alertes, la traçabilité et les actions physiques.
Solanys développe des solutions de vision reliées à vos processus et logiciels existants. Découvrez notre offre d’automatisation pour l’industrie et notre panorama de l’automatisation industrielle par l’IA.