Vision & contrôle qualité
La vision industrielle inspecte 100 % de la production à la cadence de la ligne, là où l'œil humain fatigue. Le deep learning a élargi son champ aux défauts variables et mal définis. Mais la réussite se joue d'abord sur l'éclairage et l'optique, pas sur le réseau de neurones.
Les briques techniques
Inspection de surface & présence
Rayures, taches, présence/absence, lecture de codes et OCR industriel, mesures dimensionnelles par caméra calibrée.
Métrologie & profil
Lumière structurée, triangulation laser, stéréovision et nuages de points pour le contrôle de forme, de planéité et de volume.
Classification, segmentation, anomalie
Les réseaux convolutifs gèrent les défauts variables que la vision par règles ne sait pas décrire ; la détection non supervisée apprend le « bon » et signale l'écart.
GPU embarqué & temps réel
L'inférence tient la cadence de la ligne (quelques ms) sur GPU embarqué ou caméra intelligente, déclenche l'éjection et trace chaque pièce.
L'éclairage d'abord
La moitié du résultat se joue avant tout algorithme : un bon éclairage fait ressortir le défaut, une mauvaise image ne se rattrape pas par le logiciel. Le choix de l'éclairage est le premier réglage d'une cellule de vision, pas le réseau de neurones.
| Éclairage | Ce qu'il révèle |
|---|---|
| Frontal diffus (dôme) | surfaces brillantes ou courbes, sans reflets parasites |
| Rétroéclairage | silhouette, mesures dimensionnelles, présence/absence |
| Champ sombre (rasant) | rayures, gravures, défauts en relief |
| Coaxial | surfaces planes spéculaires, marquages |
| Lumière structurée | relief 3D, hauteur, volume |
| Multispectral / UV-IR | colle, contamination, contrôle invisible à l'œil |
Règles ou deep learning ?
La vision « classique » par règles reste imbattable pour les tâches métrologiques nettes : mesurer, lire un code, vérifier une présence. Le deep learning prend le relais quand le défaut est variable et difficile à décrire — texture, aspect, anomalie esthétique. Les deux coexistent souvent dans la même cellule : règles pour la mesure, réseau pour l'aspect.
| Critère | Vision par règles | Deep learning |
|---|---|---|
| Type de tâche | mesure, code, présence | aspect, texture, anomalie |
| Données requises | aucune (déterministe) | images étiquetées, ou non supervisé |
| Explicabilité | totale | partielle (boîte noire) |
| Variabilité tolérée | faible (fragile) | élevée (généralise) |
| Mise au point | réglage de paramètres | collecte + entraînement + validation |
Métriques à suivre : la résolution (le plus petit défaut détectable couvre 3 à 5 pixels ; résolution = champ de vision ÷ pixels du capteur), la cadence (quelques millisecondes par pièce), et le couple précision/rappel qui arbitre faux rejets contre défauts manqués selon le coût de chacun.
Enjeux clés
- Éclairage & optique d'abord — un bon éclairage (dôme, rasant, dark-field, multispectral) résout la moitié du problème avant tout algorithme. Une image mauvaise ne se rattrape pas par le logiciel.
- Données & étiquetage — les défauts réels sont rares ; augmentation, données synthétiques et apprentissage non supervisé compensent le manque d'exemples étiquetés.
- Faux rejets vs. fuites — le réglage précision/rappel arbitre entre rebut inutile et défaut qui passe ; le bon point dépend du coût de chacun.
- Intégration ligne & traçabilité — handshake avec l'automate, déclenchement de l'éjection, horodatage et stockage des images pour l'audit qualité (souvent via OPC UA vers le MES).
Normes & références
- EMVA 1288 — Standard de caractérisation objective des caméras (bruit, sensibilité, linéarité) — pour comparer les capteurs sur des bases comparables.
- VDI/VDE 2632 — Lignes directrices de la vision industrielle : spécification, réception et essais d'acceptation des systèmes.
- GenICam / GigE Vision — Standards d'interface caméra (transport et API génériques) pour l'interopérabilité entre fabricants.
Fiches normes liées
Acteurs majeurs
Caméras & systèmes
Cognex, Keyence, Basler, Sick, Datalogic, Zebra.
Logiciel vision
MVTec HALCON, Cognex VisionPro, Adaptive Vision, OpenCV.
Deep learning & edge
NVIDIA (Jetson, Metropolis), Landing AI, Intel OpenVINO, Neurala.