Qu'est-ce que la détection d'anomalies en industrie ?
Les enquêtes du secteur sur l'IA industrielle, dont Gartner, placent systématiquement l'adoption de la détection d'anomalies bien en dessous de celle de la détection de défauts chez les PME, parfois d'un facteur deux. L'écart ne tient pas à une technologie plus dure. Il tient à la façon dont les deux sont confondues 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.
Détection d'anomalies vs détection de défauts : la différence en une phrase
La détection de défauts apprend à quoi ressemblent les pièces mauvaises. La détection d'anomalies apprend à quoi ressemblent les pièces bonnes et signale tout ce qui n'y ressemble pas.
Cette phrase, c'est toute la catégorie. Tout le reste en découle.
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 les modèles d'anomalies collent au QC cosmétique et de surface, et où ils cassent
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 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. 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. Cinq mille photos prises au téléphone battent 500 prises de vue cadrées à la caméra industrielle dans presque tous les déploiements d'anomalies qu'on a vus.
Exemples concrets en atelier
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.
Construire le pipeline anomalie vers défaut
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.