Vision industrielle, inspection visuelle et contrôle qualité optique : les bases

Les bases de la vision industrielle sont souvent confondues avec l'inspection visuelle et le contrôle qualité optique. Ces trois termes décrivent des couches adjacentes mais distinctes du même système : la techno, la tâche et le processus. Cet article les remet à leur place, montre où ils se chevauchent et où ils ne se chevauchent pas, et te laisse avec une carte de démarrage claire pour ton premier projet de vision industrielle.

Il s'adresse aux responsables production et qualité qui doivent animer un atelier vision industrielle aujourd'hui, sans passer d'abord trois semaines dans la littérature technique.

Ce que la vision industrielle veut vraiment dire

La vision industrielle est le terme parapluie pour les systèmes qui combinent caméras, éclairage, calcul et logiciel pour automatiser des décisions visuelles sur une ligne de production. Les décisions peuvent être pass/fail (qualité), quelle pièce est-ce (identification), ou où exactement se trouve la pièce (guidage robot ou pince).

Trois composants sont toujours en jeu : une source d'image (caméra plus éclairage plus optique), un algorithme qui interprète l'image (traitement d'image à base de règles ou réseau de neurones), et une action que l'atelier prend sur le résultat (rejeter, documenter, arrêter la ligne, déclencher une pince). Pour la photo d'ensemble de la façon dont ces pièces s'emboîtent, on recommande le guide de traitement d'image industriel et le guide d'inspection par vision industrielle comme lectures compagnes.

L'inspection visuelle : le cas d'usage appliqué

L'inspection visuelle, c'est la tâche classique que la plupart des gens veulent dire quand ils parlent de qualité avec la vision industrielle. Quand une caméra sur une ligne d'emballage vérifie chaque étiquette, c'est de l'inspection visuelle. Quand une caméra à l'intérieur d'une machine d'injection plastique signale des bavures ou des inclusions, c'est de l'inspection visuelle. Le terme décrit la tâche, pas la techno.

En pratique, l'inspection visuelle est le terme passerelle que les responsables qualité comprennent immédiatement. Ils font des contrôles visuels manuellement ou avec des loupes depuis des décennies. Une caméra qui automatise le même contrôle est une station d'inspection. Pour une définition plus poussée, lis l'article qu'est-ce que l'inspection visuelle IA.

Le contrôle qualité optique : le terme processus

Le contrôle qualité optique, c'est le terme processus de gestion de la qualité et il décrit la procédure, pas l'outil. Il couvre la planification (qu'est-ce qui est inspecté, avec quelle tolérance), l'exécution (manuelle, optoélectronique ou IA) et la documentation (qui a accepté quoi, quand, contre quelle spécification).

La distinction importante : le contrôle qualité optique peut exister sans vision industrielle. Un opérateur entraîné avec une lampe loupe fait du contrôle qualité optique. Ce que la vision industrielle ajoute, c'est la répétabilité, la documentation par pièce, et la capacité de tourner 24/7 sans dérive. Si l'objectif, c'est une traçabilité de niveau audit sous ISO 9001 ou un régime BPF, c'est le processus de contrôle qualité optique qui compte, et la vision industrielle est l'une des plusieurs options d'exécution.

Quatre classes de processus à connaître

Chaque projet de vision industrielle tombe dans l'une des quatre classes algorithmiques. Savoir laquelle convient change les données que tu auras besoin de collecter et le setup d'éclairage que tu construiras.

Traitement d'image à base de règles. Mesure classique, détection de contours, OCR et analyse de blobs. Déterministe, rapide, documenté depuis des décennies. C'est toujours le bon choix pour la mesure dimensionnelle, la présence/absence et la lecture de codes quand la géométrie et l'éclairage sont stables.

Classification par deep learning. Un réseau de neurones trie chaque pièce dans l'une des plusieurs classes (pass, rayure, bosse). Marche bien quand le défaut est visuellement cohérent et que des exemples existent pour chaque classe. C'est là que la pratique moderne de l'éclairage pour l'inspection visuelle IA paie le plus, parce que le contraste pilote la précision du modèle.

Détection d'anomalies. Le modèle apprend à quoi ressemblent les bonnes pièces, puis signale tout ce qui ne correspond pas, même les types de défauts que personne n'a vus. Le bon choix quand les défauts sont rares, variés ou non répétitifs.

Détection et segmentation d'objets. Le modèle localise où chaque caractéristique se trouve dans l'image, pixel par pixel. Utilisé pour compter les pièces sur un plateau, isoler des cellules individuelles dans un lot, ou guider un robot à prendre un objet spécifique.

Quatre facteurs qui décident d'un premier projet

L'éclairage. Le plus gros prédicteur unique de la réussite ou non d'un projet de vision industrielle. L'éclairage rend un défaut visible ou invisible, et aucun algorithme ne récupère un contraste qui n'a jamais existé dans l'image. Budgète une semaine d'essais d'éclairage avant de toucher au modèle.

Les données. Les algorithmes classiques ont besoin de paramètres choisis avec soin. L'IA moderne a besoin d'exemples, généralement 50 à 500 images annotées pour un pilote. Le bon nombre dépend de la variété des défauts ; plus de classes veut dire plus d'images.

L'intégration. Une station de vision industrielle qui ne peut pas parler à l'API, au MES ou au volet de rejet, c'est de la décoration coûteuse. Planifie tôt comment les résultats d'inspection atteignent la ligne, y compris les reprises, les états de défaut et l'IHM opérateur.

La maintenance. Chaque ligne change avec le temps. Les modèles dérivent, l'éclairage vieillit, les caméras prennent la poussière. Une station qui marche aujourd'hui n'est pas une station qui marche dans six mois sauf si quelqu'un en a la responsabilité. Budgète 10 à 20 % du coût de construction par an pour le suivi.

Trois applications qui shippent le plus vite

L'inspection d'étiquettes et d'impressions sur l'emballage. Volume élevé, règles claires, beaucoup d'images de référence existantes. Souvent la première ligne où le ROI fait ses preuves en quelques semaines.

Les contrôles de scellage et de remplissage sur bouteilles, sachets et blisters. Vois nos analyses approfondies sur l'emballage agroalimentaire et l'emballage pharma pour des playbooks par catégorie.

Les défauts de surface sur les pièces injectées et embouties. Classes de défauts bien comprises, géométrie stable, faciles à éclairer. Un bon premier projet pour les PME qui ne veulent pas commencer par le problème le plus dur de l'atelier.

Par où commencer

Choisis une ligne qui tourne tous les jours, avec une classe de défaut que tes opérateurs peuvent décrire en une phrase. Construis un petit montage d'éclairage et capture 200 images. Décide entre une approche par règles et une approche apprise seulement après avoir regardé tes propres images. Pour un panorama techno par techno plus large, lis aussi le guide des systèmes de vision industrielle.

Si tu veux comparer tes notes avec d'autres industriels qui en sont à leur premier ou cinquième projet, rejoins la communauté Enao sur enaovision.com/#community. Tu y trouveras des gens qui ont déjà shippé la classe de défaut que tu t'apprêtes à attaquer, et qui sont généralement contents de t'épargner une semaine d'essais et d'erreurs.