Repère bavures, fissures, retour élastique et marques avant que les pièces ne quittent l'atelier de presse.
Inspection qualité automatisée pour l'emboutissage de tôle, l'emboutissage profond et le travail en outillage progressif, sur iPhone reconditionné, à côté de ta presse.

Les ateliers d'emboutissage tournent vite, alternent les outillages plusieurs fois par jour et perdent de l'argent à la moindre dérive de bavure ou fissure non détectée. Une caméra montée à la sortie de presse, une lumière LED stable et un modèle IA entraîné sur tes coups attrapent les pièces non conformes avant qu'elles ne montent dans le rack du client. Pas d'usine d'intégration de six mois, pas de cellule blanche dédiée.
La détection IA de défauts pour l'emboutissage utilise une caméra et un modèle IA pour surveiller chaque pièce à la sortie de la presse, du poste secondaire ou du lavage, et pour signaler les pièces non conformes avant qu'elles n'atteignent le rack. Plutôt que de s'appuyer sur un opérateur au pupitre ou sur une vision rigide à base de règles, le modèle apprend à partir d'images de pièces conformes et non conformes sur ta ligne, et il s'adapte quand l'outillage, le coil et le lubrifiant changent.
L'atelier appelle ça contrôle qualité visuel en ligne, détection IA de défauts ou vision IA pour l'emboutissage. La famille technologique est la même : caméra fixe, éclairage maîtrisé, modèle IA entraîné sur des exemples de ta ligne, et un journal de traçabilité qui prouve que chaque coup a été inspecté et accepté, signalé ou rejeté.
Ce que ça ne fait pas : remplacer ta maintenance d'outillage, ton ingénieur outils ou ton audit client. Ce que ça fait : garantir que les compteurs de pièces que tu expédies correspondent aux compteurs de pièces qui passent le spec, à chaque équipe, sur chaque outillage, avec un dossier que tu peux montrer à l'auditeur quand une réclamation client revient.
Lamelles tranchantes de métal laissées le long d'une arête poinçonnée ou détourée. Causées par l'usure du poinçon et de la matrice, par un jeu poinçon-matrice trop serré ou trop large, ou par une matrice ébréchée. Une caméra avec lumière rasante le long de l'arête de pièce capte la hauteur de bavure avant que l'opérateur ne passe le doigt dessus, et suit la courbe d'usure pour que tu re-rectifies l'outillage avant que les rejets client ne démarrent.
Fissures fines aux coins d'une coupelle d'emboutissage profond, sur une oreille de panneau emboutie, ou sur une bride pliée. Te dit que la pression du serre-flan est mauvaise, que le lubrifiant a chuté ou que le coil est en limite de spec. Une caméra qui regarde le même coin sur chaque pièce attrape une fissure dès qu'elle se forme, au lieu d'attendre que le client teste la fissuration sur l'assemblage.
Plis et ondulations sur une paroi latérale après un emboutissage profond, ou sur une bride après un sertissage. Causés par une pression de serre-flan trop faible, une matrice déséquilibrée ou une dérive d'épaisseur de coil. Une caméra repère le motif de pli même quand la pièce passe encore le contrôle dimensionnel, et alerte l'opérateur avant que le coil suivant n'aggrave le problème.
La pièce sort de l'outillage à la bonne forme, puis revient à un angle légèrement différent quand la contrainte élastique se relâche. Te dit que la limite élastique du coil a dérivé, que l'usure d'outillage a changé le rayon de pliage ou que le lubrifiant a changé le frottement. Une caméra avec un gabarit ou une empreinte de forme attrape la dérive dès le jour où elle commence, des heures avant le premier rejet client.
Lignes, creux ou empreintes sur la face visible. Causés par un copeau de métal coincé dans l'outillage, par un bras de transfert qui frotte la pièce, ou par une marque d'empilage dans le rack. La plupart échappent à l'opérateur parce que la pièce suivante les cache sur le convoyeur. Une caméra à la sortie attrape ces défauts coup par coup, même sur des surfaces brillantes où l'œil humain prend le reflet.
Couverture zinc, peinture ou cataphorèse trop fine, qui coule ou avec piqûres sur une pièce finie. Te dit que la chimie du bain a dérivé, qu'une buse de pulvérisation est partiellement bouchée, ou que la pièce s'est mal accrochée au rack. Une caméra entraînée sur ta pièce spécifique capte les manques de revêtement et fait le même cliché qu'un inspecteur humain, sans fatigue.
Voilà la liste de départ. Pendant l'onboarding nous calibrons celles de ces classes qui comptent le plus sur ta ligne et ajustons le modèle en conséquence.

Une cellule de presse qui fait tourner l'inspection visuelle sur Enao ressemble à la cellule d'à côté, avec un composant en plus. Un iPhone reconditionné est monté sur un support avec une vue plongeante ou inclinée sur la sortie, le convoyeur ou un gabarit d'inspection dédié entre la presse et le rack. Une simple barre LED donne à la caméra la même lumière à chaque coup.
Quand la pièce arrive sur le convoyeur, la caméra prend une photo. Le modèle sur l'iPhone classe la pièce en OK ou dans l'une des sept familles de défauts ci-dessus, et écrit le résultat dans ton journal de traçabilité. Si un outillage te donne vingt pièces signalées d'affilée, l'opérateur reçoit une alerte ; si une presse montre une dérive lente sur la hauteur de bavure au fil de la journée, le tableau de bord la signale avant que le client ne le fasse.
Le modèle se ré-entraîne la nuit sur les labels de la veille, donc un changement d'outillage, un changement de coil ou un changement de lubrifiant s'absorbe en une équipe au lieu d'un trimestre. Les nouvelles références passent par le même flux : l'opérateur labellise les cent premiers coups, le modèle prend la main au coup cent un, et l'ingénieur outils revoit les labels en fin d'équipe.
Pas de cellule blanche dédiée, pas de salle dédiée, pas de serveur GPU central à dimensionner. L'iPhone tient dans un boîtier ventilé sur le support, à l'écart du brouillard d'huile et du chemin des copeaux, et fait tourner le modèle d'inspection sur l'appareil. L'image reste locale ; seul le résultat et une vignette quittent le téléphone.
Les lignes qui passent du contrôle opérateur manuel ou de la vision à base de règles à l'inspection menée par IA voient les mêmes sauts mesurables, quels que soient la géométrie de pièce ou la qualité de coil.
Taux de détection sur les défauts subtils — Vision industrielle traditionnelle (Overview.ai, Ciclo Vision, Solomon-3D, iFactory) : a besoin de bibliothèques d'images labellisées avant la livraison, et d'une intégration à six chiffres. Enao : 80 % de précision dès le jour 1 sans données labellisées, puis monte au-dessus de 95 % à mesure que tes opérateurs taggent quelques centaines d'exemples sur l'iPhone.
Délai pour gérer un nouvel outillage ou une nouvelle référence — Manuel : briefing opérateur, échantillons d'or, fiche QC papier. Deux à quatre semaines avant que l'atelier lise la nouvelle pièce couramment. Enao : cent coups labellisés et le modèle tourne. Même équipe, sans fiche papier à mettre à jour sur chaque presse.
Traçabilité quand un client revient — Manuel : journal manuscrit sur clipboard, couverture partielle, équipes manquantes. La reconstitution prend une semaine. Enao : chaque coup logué avec image, classification et confiance. La reconstitution prend dix minutes.
Coût pour démarrer — Manuel : ajoute un inspecteur par équipe par presse, coût mensuel récurrent en plus de la formation. Enao : matériel sous 1 000 € par cellule. Le coût reste plat quand la ligne s'étend.
Comportement quand l'outillage s'use — Manuel : montée progressive des rejets jusqu'à ce que le client le signale. Des journées de recherche racine pour retrouver le moment. Enao : le tableau de bord montre la dérive de hauteur de bavure dès le jour où elle démarre. L'ingénieur outils a l'horodatage et l'image.
