Fabrication de tuiles
Repère micro-trous d'émail, écaillures d'arête, fissures de tesson, dérive de teinte et gauchissement avant que les tuiles ne quittent la sortie de four.
Inspection qualité automatisée pour la production de tuiles, sur iPhone reconditionné, à côté de ta presse, de la sortie de four et de ta ligne de conditionnement.
Les fabricants de tuiles vivent au rythme des changements de profil, des recettes d'émail qui glissent au fil des heures et des négoces qui retournent une palette dès qu'une fissure capillaire ressort sur une rive de toiture. Une caméra et un modèle IA postés à la presse, à la sortie du four et au poste de conditionnement attrapent les pièces non conformes avant qu'elles ne montent sur palette, sans plan d'intégration sur six mois ni budget caméras industrielles à six chiffres.
Qu'est-ce que l'inspection qualité automatisée pour la production de tuiles ?
La détection IA de défauts pour la fabrication de tuiles utilise une caméra et un modèle de vision pour surveiller chaque tuile à la sortie de la presse, de l'application d'émail, de la sortie de four et du poste de conditionnement, et pour signaler les pièces non conformes avant qu'elles n'atteignent la palette. Plutôt qu'un opérateur au robot de déchargement ou une vision rigide à base de règles, le modèle apprend le tesson, la chimie d'émail, la géométrie de profil et la bande de teinte de ton portefeuille de SKU, et applique un point de contrôle visuel cohérent à travers les équipes, les vitesses de ligne et les changements de produit.
Les tuiles sont particulièrement difficiles à inspecter à la cadence parce que la variation naturelle d'un tesson change à dessein dans le même lot, que la finition d'émail se lit différemment d'une gamme sablée à une gamme lisse ou engobée, et que la fissure capillaire qui ruine une pose en toiture a la même apparence qu'une striure de surface normale sous l'éclairage de halle. Une vision à base de règles construite autour d'un seul profil casse dès que tu changes de couleur, de recette d'émail ou de moule. L'inspection menée par IA encaisse ces variations parce que le modèle apprend depuis des images réelles de production plutôt qu'à partir d'un seuil figé.
Le résultat est un point de contrôle visuel automatisé qui complète ton échantillon de fin de ligne et te donne un enregistrement image par tuile. Quand une réclamation de couvreur revient six semaines plus tard, tu sors les images de la fenêtre de production exacte et tu confirmes le défaut ou tu réponds avec des preuves.
Défauts détectés sur les lignes de production de tuiles
Fissures de tesson et capillaires
Les fissures de tesson sont les ruptures structurelles dans la tuile crue ou la pièce cuite, causées par les gradients de vitesse de séchage, le choc thermique en four ou les chocs au déchargement de presse. Les fissures capillaires partent souvent d'un angle le long d'une ligne de contrainte et restent invisibles tant que la tuile ne fléchit pas sur une volige. Les opérateurs en sortie de four attrapent les ruptures évidentes mais ratent les capillaires de stade précoce qui se confondent avec les striures de surface. Le modèle IA apprend la texture de tesson conforme et détecte la signature de fissure locale bien avant l'opérateur ligne. Les tuiles sont signalées, l'opérateur contrôle le cycle de presse et la rampe de four, et les pièces rejetées sont déviées avant la mise en palette.
Écaillures d'arête et casses d'angle
L'écaillure d'arête se traduit par de petites ruptures sur l'arête d'attaque ou de fuite, causées par l'usure de matrice, les chocs en pile au refroidisseur ou les décalages de transfert entre convoyeurs. Les casses d'angle ruinent la tuile pour un cours d'égout visible. Les opérateurs manuels attrapent les pires cas au poste de conditionnement mais ratent les arêtes limites qui passent le déchargement et lâchent quand le couvreur recoupe une demi-tuile. Le modèle IA capte la texture d'arête en une image et signale toute tuile qui dépasse ton seuil d'acceptation, avec les images disponibles pour ajuster la cadence de changement de matrice ou l'alignement de transfert avant que la pile suivante ne parte.
Micro-trous d'émail et défauts de mouillage
Les micro-trous d'émail sont de minuscules vides dans le film d'émail, causés par du gaz piégé, une surface de tesson contaminée ou une viscosité d'émail mal cuite, et le démouillage est l'inverse où l'émail se rétracte et expose le tesson. Les deux créent des points d'infiltration d'eau qui survivent au four mais lâchent à l'essai gel-dégel sous garantie. Les défauts sont presque invisibles en sortie de four mais ruinent la tuile en service. Le modèle IA garde la signature visuelle d'un émail conforme pour chaque couleur et signale densité de micro-trous et plaques de démouillage dès que le motif local s'écarte du spec.
Dérive de couleur et de teinte
La dérive de teinte est l'écart progressif de la couleur cuite causé par la variation de lot de matière première, le changement d'atmosphère de four ou la dérive d'alimentation d'oxydes sur la ligne d'émaillage. Les pires cas survivent à l'échantillon QC parce qu'ils se logent entre les quatre angles que l'opérateur inspecte, et une toiture posée depuis une palette dérivée montre des plaques visibles à travers les versants. Le modèle IA garde une teinte de référence apprise par gamme et signale la dérive dès que le delta de couleur local dépasse ton spec, ce qui laisse à la ligne une chance de corriger les conditions amont avant qu'une palette de tuiles hors teinte n'atteigne le stock.
Gauchissement et hors-plan
Le gauchissement est la flèche ou la torsion dimensionnelle qui se développe au séchage, à l'émaillage ou à la cuisson, et il se traduit par des tuiles qui basculent sur une volige et recalent l'essai de recouvrement. Les causes incluent un séchage inégal, des effets de position en four et la dérive de composition du tesson. L'échantillonnage au pied à coulisse en rupture attrape la tendance mais rate les fenêtres entre les prélèvements. Le modèle IA capte la signature de déflexion de surface en sortie de four et signale les tuiles qui sortent de ta bande d'acceptation avant qu'elles n'atteignent la palette, pour que la ligne ajuste tôt les paramètres de séchage ou de cuisson.
Tenons fissurés ou manquants
Les tenons sont les crochets intégrés au dos de la tuile qui s'engagent sur la volige, et un tenon fissuré ou manquant signifie que la tuile ne peut pas être posée. Les causes incluent l'usure de matrice, un démoulage rude et la contrainte thermique à la cuisson. Les opérateurs manuels contrôlent la face visible mais retournent rarement la tuile, donc les défauts de tenon passent souvent à la palette. Le modèle IA peut être configuré pour lire la face dos directement ou pour déduire la présence du tenon depuis le poste de retournement, et il signale les tenons manquants ou fissurés au déchargement.
L'éclairage qui rend tout cela possible sur une ligne de tuiles est une lumière diffuse zénithale au-dessus de la sortie de four pour lire le tesson et l'émail, plus un anneau rasant au poste de conditionnement pour lire l'écaillure d'arête et la géométrie de tenon. Un iPhone Pro avec objectifs macro et grand angle gère les sept familles de défauts depuis un seul poste d'inspection par point de contrôle critique. Nous synchronisons le rig avec l'encodeur du convoyeur pour que les tuiles signalées déclenchent une décision de dérivation ou de mise à l'écart en aval. L'optique se spécifie avec toi pendant l'onboarding.
Comment Enao tourne sur une ligne de tuiles
Le rig matériel complet coûte moins de 1 000 € et se compose d'un iPhone Pro reconditionné, d'une lumière diffuse zénithale avec anneau rasant en option pour l'inspection d'arête, d'un câble USB-C et d'un support qui se clipse au-dessus de la sortie de four, du robot de déchargement ou du poste de conditionnement. L'intégration PLC n'est pas nécessaire pour le premier déploiement, le rig tient dans une valise de transport, et la ligne continue de tourner pendant que tu l'installes.
L'onboarding est en autonomie. Ton équipe ligne monte le rig, ouvre l'app Enao et commence à collecter des images de référence au prochain changement. Le jour 1 ressort 80 % de précision sans aucun étiquetage préalable, et au jour 14 le modèle dépasse l'inspecteur manuel sur les familles de défauts qu'il a vues, en s'améliorant à chaque tuile signalée que la ligne confirme ou rejette.
Chaque ligne enseigne à son propre modèle à quoi ressemblent son tesson, sa chimie d'émail et son profil de tuile. Quand tu passes à une autre couleur ou à un autre profil sur la même presse, le modèle s'adapte en une équipe. Quand tu mets en route une ligne sœur avec une famille de produits similaire, le second modèle démarre depuis l'expérience du premier et l'effort marginal chute fortement.
Les tuiles hors spec n'atteignent plus la palette, le rebut se logue au point d'inspection plutôt qu'au bureau qualité, et tes opérateurs récupèrent les heures d'attention dont ils ont besoin pour les parties du métier qui réclament encore un humain : préparation de presse, réglage d'émail et traitement des réclamations clients.
Comment Enao se compare à l'inspection manuelle et à la vision industrielle traditionnelle
Pour les fabricants de tuiles, la comparaison se cristallise sur cinq dimensions.
Temps de mise en route sur une ligne de tuiles. — Inspection visuelle manuelle : des heures de formation par opérateur, main-d'œuvre récurrente. Vision industrielle traditionnelle (intelgic, zetamotion, Overview.ai) : trois à neuf mois d'intégration avec un intégrateur système, plus un jeu de règles par profil. Enao : déployée en une semaine par ton équipe, jour 1 à 80 % de précision.
Coût matériel par ligne. — Inspection visuelle manuelle : aucun coût initial, main-d'œuvre récurrente. Vision industrielle traditionnelle : 40 000 à 200 000 € par ligne pour caméras industrielles, éclairage structuré et intégration. Enao : moins de 1 000 € par ligne avec un iPhone Pro reconditionné, une lampe et un support.
Gestion des nouvelles couleurs, profils et émaux. — Inspection visuelle manuelle : reformer les opérateurs pour chaque nouveau SKU. Vision industrielle traditionnelle : réécrire le jeu de règles par recette, souvent sous-traité à l'intégrateur. Enao : ré-enseigner le modèle sur les nouveaux profils et émaux en une seule équipe, sans toucher au code.
Précision de détection sur micro-trous et dérive de teinte. — Inspection visuelle manuelle : élevée en début de poste, baisse mesurablement après trois heures. Vision industrielle traditionnelle : forte sur les contrôles dimensionnels, faible sur la densité subtile de micro-trous et la dérive de teinte. Enao : apprend les signatures de surface et d'arête depuis des images de référence et tient sa précision à travers postes et séries.
Qui fait tourner le système. — Inspection visuelle manuelle : opérateur formé au déchargement. Vision industrielle traditionnelle : intégrateur système ou ingénieur vision spécialisé. Enao : ton équipe ligne, sans spécialiste externe.
Les négoces et couvreurs changent de fournisseur sur le coût d'une palette fissurée, et le coût d'un avoir client ou d'une substitution silencieuse de spec dépasse largement le coût d'un rig d'inspection sur iPhone. Enao est conçue pour ce trou-là.
