Qu'est-ce que la détection d'anomalies en industrie ?

La détection d'anomalies en industrie est une approche de machine learning qui apprend à quoi ressemblent les pièces bonnes et signale tout ce qui s'écarte de cette distribution. C'est l'inverse de la détection de défauts, qui apprend à partir d'exemples annotés à quoi ressemblent les pièces mauvaises. La détection d'anomalies gagne quand l'ensemble de défauts est ouvert, rare ou encore en cours de découverte. Les enquêtes sectorielles, dont Gartner, placent son adoption à 18% contre 41% pour la détection de défauts. L'écart ne tient pas à la technologie, mais à la confusion permanente entre les deux modèles sur les ateliers.

Détection d'anomalies et détection de défauts s'utilisent indifféremment dans les démos fournisseurs. Ce ne sont pas le même modèle, et ils ne couvrent pas le même problème. Choisir le mauvais au Jour 1, c'est la façon la plus rapide de tuer un pilote au Jour 30.

Quelle est la différence entre détection d'anomalies et détection de défauts ?

Si tu as une liste fermée de classes de défauts et assez d'exemples annotés de chaque, la détection de défauts gagne. Si ton ensemble de défauts est ouvert, rare ou encore en cours de découverte, la détection d'anomalies gagne. Les deux approches se choisissent surtout en fonction de la maturité du contrôle qualité.

Pourquoi la détection d'anomalies colle-t-elle au QC cosmétique et de surface ?

La détection d'anomalies prospère sur trois conditions. Un état bon bien défini, assez d'images d'exemple de cet état bon, et de la tolérance pour les faux positifs au démarrage.

Le QC cosmétique et de surface coche toutes les cases. Un panneau de carrosserie peint a un seul état bon, des centaines de variations de défauts possibles, et un workflow qui supporte qu'un ingénieur qualité revoie les signalements.

Là où ça casse : les lignes avec une très forte variance normale. Une ligne agroalimentaire qui accepte 40 visuels d'étiquette comme tous normaux va embrouiller le modèle qui finira par tout signaler comme anomalie. La parade : segmenter les données par référence, ou passer à la détection de défauts une fois assez d'exemples signalés collectés.

Comment un modèle apprend-il le normal sans défauts annotés ?

La boucle d'entraînement est plus simple qu'on ne l'imagine. Tu montres au modèle 500 à 5 000 images de pièces qui ont passé le QC en fin de ligne. Le modèle construit une représentation interne de ce à quoi ressemble le normal. À l'inférence, toute image dont les caractéristiques s'écartent trop de la distribution apprise est signalée.

Deux points pratiques se détachent. D'abord, la gestion des postes compte : si l'éclairage change entre les postes de jour et de nuit, capture les données d'entraînement sur les deux. Ensuite, le volume bat la qualité au début, et cinq mille photos prises sur iPhone battent 500 prises de vue cadrées à la caméra industrielle dans presque tous les déploiements d'anomalies qu'on a vus.

À quoi ressemble la détection d'anomalies sur une vraie ligne ?

Coulures sur une ligne de poudrage. Le normal, c'est une finition uniforme. La détection d'anomalies signale toute zone où le gradient s'écarte de la baseline apprise. Un client Enao attrape les coulures et la peau d'orange sur des pièces qui passaient le QC manuel sous 1,2 seconde d'exposition.

Étiquettes mal imprimées sur des blisters pharma. Le normal, c'est l'impression nette du visuel approuvé. Le modèle d'anomalies signale les impressions éraflées, les lignes sautées ou les plis du film, sans qu'on lui ait dit à quoi ressemble une éraflure, un saut ou un pli.

Projections de soudure sur des panneaux de carrosserie auto. Le normal, c'est la surface brute polie du panneau. Le modèle d'anomalies attrape les projections isolées qu'un système à règles fixes raterait, parce que personne n'a écrit de règle pour une forme de défaut essentiellement aléatoire.

Comment construire un pipeline anomalies vers défauts ?

Traite la détection d'anomalies comme le modèle Jour 1. Mets-le en production une fois qu'il tient un taux de faux positifs raisonnable. Utilise ensuite les éléments signalés pour bâtir un jeu annoté pour un modèle de détection de défauts. Ça, c'est le modèle Jour 30.

Le workflow combiné, c'est ce qu'on voit fonctionner sur la plupart des déploiements. L'anomalie pour une couverture large dès le premier jour. La détection de défauts pour les cinq ou dix classes en tête qui ont vraiment besoin de décisions rapides et précises.

Pour la vue d'ensemble, l'inspection par vision industrielle reste le cadre. Et pour des exemples concrets de ce que l'IA attrape là où l'humain rate, regarde du côté des typologies de défauts visibles.

Chez Enao Vision, la détection d'anomalies, c'est le déploiement type au Jour 1. Un chef de ligne enregistre deux à quatre heures de vidéo sur un iPhone monté au-dessus de la station, on entraîne le premier modèle d'anomalies dans la nuit, et la ligne tourne en production au poste suivant. Les signalements d'anomalies vont dans une file de revue ; ce qui est confirmé devient des données d'entraînement pour le modèle de défauts au Jour 30. Les conseils de tuning circulent dans le Slack de notre communauté.

L'écart d'adoption entre détection d'anomalies et détection de défauts ne se comblera pas avec un meilleur marketing. Il se comblera quand les équipes arrêteront de traiter l'anomalie comme une version simplifiée de la détection de défauts et l'utiliseront pour les problèmes pour lesquels elle a été conçue.

Tu cadres un pilote en détection d'anomalies ou de défauts ? Compare tes approches avec d'autres équipes dans notre communauté.

Pour aller plus loin : L'inspection par vision industrielle : un guide pratique pour les industriels, 10 défauts que l'IA attrape et que les humains ratent.

Foire aux questions sur la détection d'anomalies en industrie

Quelle est la différence entre détection d'anomalies et détection de défauts en une phrase ?

La détection d'anomalies apprend uniquement à quoi ressemble une pièce bonne et signale tout ce qui s'en écarte. La détection de défauts apprend chaque défaut concret par son nom et ne signale que ce qu'elle connaît.

Combien d'images te faut-il pour démarrer une détection d'anomalies en industrie ?

30 à 100 images de pièces bonnes suffisent souvent pour démarrer. La détection de défauts demande en général 50 à 200 images par classe de défaut, parce que le modèle doit apprendre chaque classe séparément.

Quand la détection d'anomalies échoue-t-elle et que faire dans ce cas ?

Elle échoue quand tes pièces bonnes varient elles-mêmes beaucoup, par exemple sur des lignes multi-références, avec des étiquettes qui changent ou des fonds bruités. Dans ces cas, la détection de défauts avec des classes nommées donne des résultats plus propres, parce qu'elle ne traite pas chaque variation comme une anomalie.

Faut-il commencer par la détection d'anomalies ou par la détection de défauts ?

Commence par la détection d'anomalies si tes défauts sont rares, difficiles à décrire ou si tu as peu d'images de défauts. Bascule sur la détection de défauts dès que tu vois des classes claires et récurrentes et que tu as besoin de rapports par type de défaut.

À retenir

• La détection d'anomalies apprend la pièce bonne, la détection de défauts apprend chaque défaut un par un. Cette distinction décide ce qu'il faut collecter et annoter.
• 30 à 100 images bonnes suffisent à démarrer une détection d'anomalies. La détection de défauts demande souvent le double, et par classe de défaut.
• La détection d'anomalies gagne sur les défauts rares et inconnus. La détection de défauts gagne quand tu as des classes claires, des pièces stables et besoin de rapports par type.
• Avec 40 visuels d'étiquette différents sur une ligne, chaque nouveau visuel devient une anomalie. C'est le moment de basculer sur la détection de défauts avec des classes nommées.
• Démarre avec la détection d'anomalies dès le Jour 1, collecte les vrais cas signalés en production et bascule sur la détection de défauts une fois les classes stables.

Démarrer

Tu veux voir comment Enao Vision fonctionne sur ta ligne ? Tu peux démarrer gratuitement avec un iPhone que tu possèdes déjà, ou rejoindre la communauté pour échanger avec d'autres équipes qualité et production qui déploient l'IA sur l'atelier.