Pourquoi ton système de vision industrielle casse aux changements de série

Un système de vision industrielle qui marche bien sur une ligne stable avec une seule référence, c'est une preuve de concept. Le même système qui marche encore bien sur une ligne qui change de référence quatre fois par poste, c'est un système de production. L'écart entre les deux, c'est là que la plupart des projets de caméra industrielle meurent en silence.

Ce post parle de cet écart. Ce qui casse au moment d'un changement de série, pourquoi un système de vision classique à base de règles se dégrade plus vite que la caméra elle-même, et ce qu'un poste d'inspection à base de ML fait différemment pour rester utile sur toute la famille de références.

Ce qui change vraiment au moment d'un changement de série

Cinq choses bougent quand une ligne change de référence : la géométrie de la pièce (forme, taille, orientation), l'état de surface (mat ou brillant, couleur, réflectivité), les étiquettes et l'imprimé (nouveaux graphismes, nouvelle position, nouvelle police), les conditions d'éclairage (l'ambiance change quand les hauteurs de convoyeur ou les bacs changent) et le débit (toutes les références ne tournent pas à la même cadence). Chaque élément peut, à lui seul, casser une inspection visuelle qui était stable il y a cinq minutes.

Le point important : les systèmes de vision classiques exigent un nouveau jeu de règles par référence. Nouvelle région d'intérêt, nouveau seuil, nouvelle image de référence, nouvelle tolérance. Sur une ligne bien gérée, l'intégrateur a codé tout ça à l'avance et l'IHM permet à un opérateur de choisir la recette. Sur une ligne moins bien gérée, chaque changement de série est une bagarre avec l'armoire de vision.

Pourquoi l'éclairage est le risque numéro un aux changements de série

Les systèmes de vision classiques partent du principe d'un environnement lumineux étroitement contrôlé. À la seconde où une référence a une finition brillante au lieu d'un carton mat, les reflets tombent sur d'autres pixels et les seuils qui marchaient hier produisent maintenant des faux rejets. La dérive d'éclairage arrive lentement (vieillissement des ampoules, poussière sur le diffuseur) et rapidement (un opérateur déplace une lampe pour voir une pièce coincée, puis oublie de la remettre). Notre guide de l'éclairage pour l'inspection visuelle IA couvre la physique en profondeur, mais la conséquence en production est simple : plus une ligne tourne de références, plus l'ingénierie de l'éclairage doit couvrir toutes les combinaisons.

Le piège de la gestion des recettes

La réponse standard de la caméra industrielle au changement de série, c'est un gestionnaire de recettes : par référence, stocker tous les seuils et paramètres, les charger quand la référence change. Ça marche jusqu'à ce que le nombre de références dépasse environ cinquante. Au-delà, c'est la bibliothèque de recettes qui devient le problème. Qui possède chaque recette. Qui est autorisé à la modifier. Que se passe-t-il quand une recette est obsolète. Quelle référence tournait quand le taux de faux rejets a explosé. Tout intégrateur vision expérimenté a une histoire d'horreur sur une ligne qui a produit 40 % de faux rejets pendant trois jours parce que la mauvaise recette s'était chargée.

Ce n'est pas un bug d'un produit en particulier. C'est une conséquence structurelle du fait d'encoder le savoir d'inspection comme un grand jeu de règles ajustées à la main. La même approche en génie logiciel a été abandonnée dans les années 1990 pour une raison.

Ce que l'inspection à base de ML fait différemment

Un modèle convolutionnel ou transformer entraîné sur des images de toute la famille de références voit les changements de série comme des décalages dans la distribution d'entrée. Si le jeu d'entraînement couvre toutes les références qu'une ligne est susceptible de tourner, le modèle généralise sans recodage par référence. Nouvelle référence dans la famille ? Tu labellises quelques centaines d'images, tu fais un fine-tuning rapide, retour en production.

Le changement côté opérateur est tout aussi important. Sur une ligne par règles, la relation de l'opérateur avec le système de vision est conflictuelle : le système bloque la ligne, l'opérateur doit le convaincre que la pièce est bonne. Sur une ligne ML, la relation est collaborative : l'opérateur labellise la nouvelle pièce comme bonne, et le système intègre ce label dans le prochain cycle d'entraînement. Ce schéma est au cœur de ce qu'on décrit dans notre article sur ce qu'est l'inspection visuelle IA.

Ce qui casse encore sur une ligne ML

L'inspection à base de ML n'est pas une solution miracle pour les changements de série. Trois modes de défaillance reviennent de manière fiable. D'abord, une référence vraiment nouvelle, non représentée dans le jeu d'entraînement, va produire une sortie imprévisible. Ensuite, un changement d'éclairage radical (nouvelle température de couleur d'ampoule, nouvel éclairage de plafond) dérive encore la distribution d'entrée assez pour dégrader le modèle. Enfin, le pipeline d'entraînement lui-même doit être rapide. Si le ré-entraînement pour une nouvelle référence prend trois semaines, la ligne tourne sans le modèle pendant ce temps.

Enao Vision adresse les trois explicitement. Le ré-entraînement sur une nouvelle référence tourne sur l'iPhone ou via notre service cloud en quelques minutes, pas en semaines. Le modèle est livré avec un score de confiance pour que les opérateurs voient quand le modèle sort de sa plage d'entraînement. Et le poste écrit chaque image et chaque décision dans le dossier de lot, donc la dérive est visible dans les logs.

Un protocole de changement de série pratique

À quoi ressemble un protocole de changement de série robuste sur une ligne ML : quand une nouvelle référence est planifiée, un opérateur déclenche le workflow « nouvelle référence » sur le poste iPhone. Le poste capture 100 à 200 images de bonnes pièces pendant la première série de production en mode shadow. Un chef de ligne relit et labellise les cas limites. Le modèle se fine-tune dans la nuit sur les nouvelles données et passe en ligne au prochain poste. En régime établi, ça ajoute 15 à 30 minutes de temps opérateur par nouvelle référence et sort complètement l'intégrateur du chemin critique du changement.

Compare ça avec un workflow gestionnaire de recettes classique, où une nouvelle référence veut dire une visite d'intégrateur, une demi-journée de réajustement de seuils et typiquement deux à quatre semaines de taux de faux rejets élevé pendant que la nouvelle recette se rode. C'est là que les calculs de coût de notre article sur le vrai coût de la vision industrielle deviennent visibles. Le coût caché d'un système classique, c'est surtout du coût de changement de série, pas du coût matériel.

Comment tester ça avant de t'engager

Trois questions à poser à tout fournisseur vision qui prétend que son système gère bien les changements de série. Une : combien de références tournent actuellement dans l'installation de référence qu'ils te montrent, et à quelle fréquence la ligne change. Deux : quel est le taux de faux rejets mesuré au deuxième jour après un changement, avant tout réglage. Trois : le superviseur de ligne peut-il entraîner un nouveau modèle sans intervention du fournisseur. Si la réponse à la troisième est « non », le système ne peut pas tenir une cadence de changement réelle tout seul.

Si tu veux un cadre pour faire passer ces tests sur ta propre ligne, rejoins la communauté Enao. On y partage un protocole de test de changement de série, un workflow de labellisation de référence, et ce à quoi « bon » ressemble pour les taux de faux rejets et faux acceptés sur un poste d'inspection ML.