Contrôle qualité par vision industrielle

Découvrez nos cas concrets et planifiez une démo gratuite avec nos experts.

Contrôle qualité par vision par ordinateur : guide industriel

En bref : le contrôle qualité par vision par ordinateur détecte automatiquement les défauts sur une ligne de production à partir d’images ou de vidéos. Le modèle apprend sur quelques centaines à quelques milliers d’exemples annotés, selon la complexité des défauts, puis inspecte chaque pièce à la cadence de la ligne, avec un opérateur pour trancher les cas incertains.

Rayures, bavures, soudures incomplètes, étiquettes mal posées, contaminations : vos contrôleurs inspectent des milliers de pièces par poste, avec une fatigue qui pèse sur la constance du jugement. Les systèmes de vision industrielle à règles fixes fonctionnent bien sur des défauts simples, mais peinent dès que l’aspect des pièces varie ou que les défauts sont subtils.

Directeur industriel ou responsable qualité, vous voulez savoir si l’IA peut fiabiliser votre inspection, quelles données préparer et comment mesurer le résultat avant d’investir. Ce guide détaille la démarche d’un projet de contrôle qualité par vision par ordinateur, de l’étude de faisabilité à l’intégration sur ligne.

Sommaire

  • Comment fonctionne le contrôle qualité par vision par ordinateur ?
  • Quelles étapes, quelles données et quels indicateurs ?
  • Quels défauts l’IA détecte-t-elle le mieux ?
  • Comment intégrer l’inspection visuelle IA à la ligne ?
  • Quelles contraintes réglementaires anticiper ?
  • Questions fréquentes

Comment fonctionne le contrôle qualité par vision par ordinateur ?

Une ou plusieurs caméras industrielles capturent l’image de chaque pièce, sous un éclairage maîtrisé. Un modèle d’apprentissage profond analyse l’image et rend une décision : conforme, non conforme, ou incertain. Selon le besoin, il classe l’image entière, localise le défaut par un cadre ou délimite précisément la zone défectueuse.

Deux grandes approches coexistent. La détection supervisée apprend à reconnaître des défauts connus à partir d’exemples étiquetés. La détection d’anomalies apprend l’aspect d’une pièce conforme et signale tout écart : elle est utile lorsque les défauts sont rares ou très variés. Les deux approches se combinent souvent.

La différence avec la vision industrielle classique tient à la robustesse : là où une règle fixe (seuil de couleur, mesure de contour) échoue face aux variations naturelles de texture, un modèle entraîné généralise à partir d’exemples. Pour replacer cette brique dans une démarche plus large, consultez notre article sur l’automatisation industrielle avec l’intelligence artificielle.

Quelles étapes, quelles données et quels indicateurs ?

Étape Données nécessaires Indicateurs
1. Étude de faisabilité Catalogue des défauts, échantillon d’images ou de pièces réelles, cadence de la ligne Visibilité des défauts à l’image, contraste obtenu
2. Conception de l’acquisition Essais de caméras, optiques et éclairages sur pièces bonnes et mauvaises Netteté, répétabilité de l’image, temps d’acquisition
3. Constitution du jeu de données Quelques centaines à quelques milliers d’images annotées par des experts qualité Couverture des types de défauts, cohérence des annotations entre experts
4. Entraînement et validation Jeu de test séparé, jamais vu par le modèle Taux de défauts détectés, taux de fausses alertes, matrice de confusion
5. Pilote sur ligne Production réelle en parallèle du contrôle actuel Écarts avec le contrôle humain, temps de décision par pièce
6. Production et amélioration continue Images des cas incertains et des erreurs, réannotées Stabilité des performances, dérive, taux de reprise

Les deux indicateurs clés s’arbitrent l’un contre l’autre : laisser passer un défaut coûte une réclamation client, rejeter une pièce bonne coûte de la matière et du temps. Le seuil de décision se règle avec la direction qualité, en fonction du coût de chaque erreur.

Quels défauts l’IA détecte-t-elle le mieux ?

L’inspection visuelle IA donne de bons résultats sur les défauts d’aspect : rayures, taches, fissures de surface, porosités visibles, défauts d’impression ou d’étiquetage, présence ou absence de composants, assemblage incorrect. Elle s’applique à de nombreux secteurs : métallurgie, plasturgie, agroalimentaire, électronique, emballage.

Elle est plus délicate lorsque le défaut n’est pas visible en surface, lorsqu’il est plus petit que la résolution de l’image ou lorsque les pièces sont très réfléchissantes. Ces cas demandent un travail spécifique sur l’éclairage, d’autres capteurs (thermique, rayons X, 3D) ou restent hors de portée. Une étude de faisabilité sur vos pièces réelles est donc indispensable avant tout engagement.

Dans la pratique, la réussite d’un projet de contrôle qualité vision par ordinateur dépend moins du choix de l’algorithme que de la qualité de l’acquisition et de la cohérence des annotations. Si deux experts ne classent pas la même pièce de la même façon, le modèle héritera de cette ambiguïté. Formaliser un référentiel de défauts partagé est souvent le premier livrable utile.

Comment intégrer l’inspection visuelle IA à la ligne ?

Le modèle doit rendre sa décision dans le temps de cycle de la ligne. On privilégie donc souvent une exécution en périphérie (edge), sur un calculateur industriel au plus près de la caméra, ce qui garde les images sur site. La décision est transmise à l’automate pour éjecter la pièce, et les résultats remontent vers le MES ou le système qualité pour la traçabilité.

Les données d’inspection deviennent alors une source précieuse : corrélées aux paramètres machine, elles aident à remonter aux causes des défauts. C’est un pont naturel vers la maintenance prédictive et vers le jumeau numérique de votre site industriel.

Notre approche chez Euro Tech Conseil. Nous démarrons par un cadrage avec vos équipes qualité et production : catalogue des défauts, coût des erreurs, contraintes de cadence. Nous menons ensuite un POC de 6 à 10 semaines sur vos pièces réelles, en parallèle du contrôle existant, avec des indicateurs fixés à l’avance. Nous intégrons enfin la solution à vos automates et à votre SI industriel, avec un opérateur qui garde la main sur les cas incertains et des images qui restent sur votre site. Découvrez notre offre de vision par ordinateur pour l’industrie.

Quelles contraintes réglementaires anticiper ?

Un système de contrôle qualité d’aspect n’est généralement pas un système d’IA à haut risque au sens de l’AI Act. En revanche, si l’IA joue un rôle de composant de sécurité d’une machine, les exigences du haut risque pour l’IA intégrée aux produits réglementés s’appliqueront à partir du 2 août 2028 (Source : Règlement (UE) 2026/1744, juillet 2026).

Le nouveau règlement machines, applicable à partir du 20 janvier 2027, prend aussi en compte les machines intégrant des comportements auto-évolutifs (Source : Règlement (UE) 2023/1230). Si des opérateurs apparaissent dans le champ des caméras, pensez enfin au RGPD et à l’information du personnel.

Questions fréquentes

Combien d’images faut-il pour démarrer ?
Cela dépend de la variété des défauts. Quelques centaines d’images annotées peuvent suffire pour un défaut simple et fréquent ; des défauts rares ou variés en demandent davantage, ou une approche par détection d’anomalies.

Faut-il remplacer les contrôleurs qualité ?
Non. L’IA prend en charge l’inspection répétitive et signale les cas incertains ; vos contrôleurs se concentrent sur l’expertise, l’analyse des causes et l’annotation.

Peut-on réutiliser les caméras existantes ?
Parfois. L’étude de faisabilité vérifie si la résolution, l’optique et l’éclairage actuels rendent les défauts suffisamment visibles.

Que se passe-t-il quand un nouveau produit arrive sur la ligne ?
Le modèle doit être complété avec des images du nouveau produit. Prévoyez cette procédure dès la conception.

Les images doivent-elles quitter l’usine ?
Pas nécessairement : l’inférence peut tourner sur site, et l’entraînement sur une infrastructure européenne ou interne.

Vos défauts sont-ils détectables par l’IA ?

Nous testons la vision par ordinateur sur vos pièces réelles pour mesurer la faisabilité avant tout investissement.

Recevez notre newsletter et ne manquez jamais nos conseils !