Vision artificielle et contrôle qualité : l'œil infatigable de l'usine

Ce que l'œil humain ne voit pas

Il y a quelques années, j'ai passé une matinée dans une usine de fabrication de circuits imprimés, aux côtés d'une opératrice dont le métier consistait à inspecter visuellement des cartes électroniques sur une chaîne de production. En huit heures, elle examinait plusieurs centaines de cartes, cherchant des défauts de soudure, des composants mal positionnés, des traces de contamination. Elle était experte, rapide, concentrée.

Et pourtant. À la fin de la journée, une analyse statistique montrait qu'environ 2 à 3 % des défauts lui échappaient. Pas par négligence — par fatigue, par les limites physiologiques de l'œil humain, par la cadence imposée par la ligne de production. Une fréquence d'erreur de 2 % peut sembler faible. Sur une production de 5 000 cartes par jour, c'est 100 pièces défectueuses expédiées quotidiennement chez les clients.

C'est ce problème concret que les systèmes de vision artificielle résolvent.

Comment ça marche : de la caméra au verdict

Un système de vision industrielle moderne associe plusieurs éléments qui doivent être soigneusement conçus ensemble.

L'éclairage est souvent l'élément le plus sous-estimé par les non-spécialistes. La façon dont on éclaire une pièce détermine quels défauts seront visibles. Un éclairage rasant (parallèle à la surface) révèle les micro-rayures et les défauts de planéité ; un éclairage coaxial (dans l'axe de la caméra) est idéal pour les surfaces réfléchissantes ; l'éclairage structuré (projections de franges ou de grilles) permet la reconstruction 3D. Choisir le mauvais éclairage, c'est rater la moitié des défauts quelles que soient les performances de la caméra et de l'algorithme.

La caméra doit être choisie en fonction de la résolution spatiale nécessaire (quel est le plus petit défaut à détecter ?), de la vitesse de la ligne (combien d'images par seconde ?), et des contraintes d'environnement (température, poussière, vibrations). Les caméras CCD et CMOS industrielles atteignent aujourd'hui des résolutions de plusieurs dizaines de mégapixels avec des cadences de centaines d'images par seconde. Des caméras hyperspectrales, qui capturent des informations bien au-delà du visible (infrarouge proche, ultraviolet), permettent de détecter des contaminants ou des propriétés de matériaux invisibles à la lumière ordinaire.

Le traitement d'image est là que l'intelligence artificielle a révolutionné le secteur. Pendant longtemps, les systèmes de vision industrielle reposaient sur des algorithmes classiques de traitement d'image : segmentation, détection de contours, correspondance de modèles (template matching). Ces approches fonctionnent bien pour des défauts clairement définis et constants — une rayure de largeur fixe, un trou manquant à une position précise. Mais elles peinent avec la variété naturelle des défauts réels et avec les pièces qui varient légèrement d'un exemplaire à l'autre.

Le deep learning change tout (vraiment)

L'irruption du deep learning — et particulièrement des réseaux de neurones convolutifs (CNN) — a transformé les possibilités de l'inspection visuelle automatisée. Au lieu de définir explicitement les règles qui distinguent une pièce bonne d'une pièce mauvaise, on entraîne un réseau de neurones sur des milliers d'exemples étiquetés (bonne / défectueuse, et idéalement avec localisation et classification du défaut).

Le réseau apprend à extraire les caractéristiques discriminantes qui permettent de distinguer ces cas, souvent de façon non intuitive pour un humain. Un réseau bien entraîné peut détecter des variations de texture quasi imperceptibles à l'œil nu, des asymétries de l'ordre du pixel, des colorations anormales dans des plages de gris qui semblent uniformes à un observateur humain.

J'ai été impliqué dans un projet d'inspection de pièces métalliques usinées pour l'industrie automobile. Les pièces devaient être inspectées pour des défauts de surface (inclusions, piqûres, criques) dont certains faisaient moins d'un dixième de millimètre. L'approche par deep learning, entraînée sur environ 10 000 images annotées, a atteint une précision de détection de 98,7 %, avec moins de 0,5 % de faux positifs (pièces bonnes rejetées à tort). Le système tourne à 30 pièces par minute en production, ce qui aurait demandé plusieurs opérateurs humains pour un niveau de performance inférieur.

Les applications par secteur

Aéronautique et défense

Le contrôle qualité aéronautique est l'un des secteurs les plus exigeants au monde. Chaque pièce structurelle d'un avion doit être inspectée selon des procédures documentées, et toute non-conformité doit être tracée. Les méthodes de contrôle non destructif (CND) classiques — rayons X, ultrasons, courants de Foucault, ressuage — restent incontournables pour les contrôles internes des matériaux.

La vision artificielle complète ces méthodes pour l'inspection des surfaces : détection de délaminages sur les pièces composites, inspection des fils de câblage, contrôle du positionnement des rivets, inspection des aubes de turbine après usinage. Des systèmes robotisés équipés de caméras permettent d'inspecter automatiquement des surfaces complexes et difficiles d'accès.

L'impression 3D métallique dans l'aérospatiale s'accompagne de systèmes de vision intégrés dans les machines, qui inspectent chaque couche déposée en temps réel — c'est ce qu'on appelle le monitoring in-situ du procédé.

Semiconducteurs et électronique

La production de puces électroniques et de circuits imprimés est peut-être le domaine où la vision artificielle est la plus mature. Les machines d'inspection automatique optique (AOI, Automated Optical Inspection) sont intégrées dans toutes les lignes de production de circuits imprimés depuis des décennies. La résolution nécessaire — quelques micromètres — exige des caméras de très haute résolution et des optiques parfaitement calibrées.

Le contrôle des wafers de semi-conducteurs après chaque étape de fabrication (dépôt, lithographie, gravure) utilise des systèmes de métrologie optique sophistiqués qui mesurent des épaisseurs de couches et des largeurs de structures à l'échelle nanométrique.

Agroalimentaire et pharmacie

L'inspection visuelle dans ces secteurs sert d'abord à garantir la sécurité des consommateurs. Détecter un corps étranger (fragment de verre, métal, plastique) dans un produit alimentaire, vérifier l'intégrité d'un emballage pharmaceutique, contrôler le niveau de remplissage d'un flacon — autant d'applications où la vision artificielle s'est imposée comme standard.

Les caméras à rayons X complètent la vision optique pour détecter des inclusions métalliques denses invisibles en lumière visible. L'infrarouge proche permet de détecter la contamination de certains corps étrangers organiques (insectes, plastiques similaires à la matière alimentaire) qui ne se distinguent pas en lumière blanche.

Les défis de mise en œuvre

La constitution des jeux de données d'entraînement

C'est souvent le goulot d'étranglement principal. Un modèle de deep learning pour le contrôle qualité a besoin de milliers d'images de défauts annotées pour s'entraîner. Or, dans une production bien contrôlée, les défauts sont rares — c'est précisément le but. Obtenir 5 000 images de pièces défectueuses annotées peut prendre des mois sur une ligne de production normale.

Des techniques de data augmentation (rotation, miroir, modification de luminosité) permettent de démultiplier artificiellement les données disponibles. La génération d'images synthétiques par simulation (rendu 3D photoréaliste) ou par GANs (réseaux antagonistes génératifs) complète les données réelles. Mais ces techniques ont des limites : elles ne reproduisent pas toujours fidèlement la distribution statistique des défauts réels.

La gestion des faux positifs

Un système trop sensible génère trop de faux positifs — il rejette des pièces bonnes, ce qui coûte cher en rebuts et crée des blocages sur la ligne. Un système trop tolérant laisse passer des défauts. Le calibrage du seuil de décision est un compromis qui dépend des coûts relatifs des deux types d'erreur, et il doit être réglé finement pour chaque application.

L'évolution des pièces dans le temps

Une ligne de production n'est pas statique. Les pièces évoluent (changements de fournisseurs, modifications de conception), les paramètres de procédé dérivent progressivement, les conditions d'éclairage varient. Un modèle d'inspection entraîné sur les conditions initiales peut se dégrader silencieusement si rien ne le surveille. La mise en place de mécanismes de monitoring des performances du modèle et de ré-entraînement périodique est indispensable en production.

L'articulation avec les systèmes de production

La valeur d'un système de vision qualité n'est pas seulement de rejeter les mauvaises pièces. C'est aussi d'alimenter en retour les systèmes de production avec des informations sur les causes racines des défauts.

Intégré avec les jumeaux numériques et les outils de maintenance prédictive, un système de vision peut détecter la signature de défauts caractéristique d'un outil usé, d'un paramètre de procédé qui dérive, ou d'un lot de matière première hors spécification. Au lieu de simplement rejeter les pièces défectueuses, on peut agir sur la cause pour éviter que ces défauts apparaissent — c'est le passage du contrôle réactif à la qualité proactive.

C'est là que la vision artificielle devient vraiment un levier industriel stratégique, et non pas seulement un outil de tri automatique. Dans les usines les plus avancées, les données de contrôle qualité alimentent en temps réel les algorithmes d'optimisation de procédé — une boucle fermée entre production et qualité qui n'était pas possible il y a encore dix ans.

L'œil infatigable de la machine ne remplace pas l'ingénieur qui comprend les causes — il lui donne des données qu'aucun observateur humain ne pourrait collecter à cette vitesse et à cette précision.