Défauts de surface
Rayures, bosses, taches, fissures et porosités en surface. Généralement une caméra 2D avec un éclairage rasant ou en fond noir qui fait ressortir le relief.
La détection des défauts par IA dans l'industrie
Les contrôleurs humains laissent passer des défauts et rebutent des pièces conformes, et les usines peinent à en recruter suffisamment. Voici ce que dit la recherche sur le contrôle manuel, la vision à règles et l'inspection par IA, quelle imagerie détecte quels défauts et ce qu'il faut pour déployer un modèle de vision sur une vraie ligne.
28%des grands industriels américains placent les systèmes de vision parmi leurs principaux investissements technologiques
21.4%des industriels américains utilisaient l'IA dans leurs opérations au cours des deux semaines précédant le 18 octobre 2026
Où en sont les industriels avec l'IA et la vision
La 2025 Smart Manufacturing Survey de Deloitte, menée auprès de 600 dirigeants de grands industriels américains, montre que l'IA passe du pilote à la production, que les systèmes de vision figurent en bonne place parmi les investissements et que le recrutement reste difficile.
29%utilisent déjà l'IA et le machine learning à l'échelle d'un site ou d'un réseau
23%mènent des projets pilotes d'IA et de machine learning
28%citent les systèmes de vision comme priorité d'investissement technologique en usine
48%rencontrent des difficultés modérées à importantes pour pourvoir les postes de production et de direction des opérations
Les limites du contrôle manuel
Le contrôle manuel dépend de l'équipe en poste, de sa fatigue et de la façon dont chacun interprète un défaut.
Dans la pratique, une même pièce peut être acceptée par un contrôleur et refusée par le suivant, et les résultats dérivent au fil d'un long poste. L'échantillonnage au lieu du contrôle à 100 % laisse des trous, et les contrôleurs désignent souvent un même défaut de manières différentes.
Avec 1,9 million d'emplois industriels qui devraient rester vacants d'ici 2033, embaucher davantage est rarement la solution. Confier le contrôle à des caméras et à des modèles permet de vérifier chaque pièce et de transformer chaque décision en donnée traçable.
- Les défauts non détectés se traduisent en retours, réclamations sous garantie et rappels.
- Les faux rejets transforment des pièces conformes en rebuts et en retouches.
- Des étiquetages incohérents rendent les données qualité peu fiables et difficiles à utiliser pour entraîner un modèle.
Vision à règles, deep learning ou détection d'anomalies
D'après notre expérience, la plupart des lignes finissent par combiner les approches : les mesures restent confiées aux règles, les défauts d'aspect et variables à l'IA, et la détection d'anomalies permet de lancer un projet avant de disposer d'assez d'exemples de défauts.
| Vision industrielle à règles | Deep learning supervisé | Détection d'anomalies | |
|---|---|---|---|
| Données d'entraînement | Aucune. Les ingénieurs règlent seuils, modèles de référence et mesures. | Des exemples annotés de chaque type de défaut, ainsi que des pièces conformes. | Uniquement des images de pièces conformes. |
| Idéal pour | Le contrôle dimensionnel, la vérification de présence et la lecture de codes sous éclairage maîtrisé. | Identifier le type de défaut sur des surfaces variables comme les pièces de fonderie, le bois et les textiles. | Signaler des types de défauts jamais vus, avec peu d'effort d'annotation. |
| Limites | Échoue dès que la texture, l'éclairage ou la position de la pièce varient. Chaque nouveau défaut exige de nouvelles règles. | Les défauts sont rares, l'annotation est donc lente et coûteuse. Manque les types de défauts absents de l'entraînement. | Indique qu'une pièce est différente, pas ce qui ne va pas. Davantage de fausses alertes sur les pièces naturellement variables. |
| À choisir quand | La pièce et l'éclairage sont stables et le contrôle est géométrique. | Vous pouvez réunir assez d'exemples annotés de chaque type de défaut. | Les défauts sont rares ou imprévisibles et vous devez démarrer rapidement. |
[ Types de défauts ]
Les défauts que l'inspection par IA peut détecter
Écarts dimensionnels
Taille, forme, planéité ou position incorrectes. Capteurs 3D ou caméras 2D étalonnées, souvent contrôlés par des règles plutôt que par l'IA.
Erreurs d'assemblage
Composants manquants, en trop ou mal placés, mauvaise orientation et connecteurs mal enfichés. Une caméra 2D à chaque poste d'assemblage.
Défauts internes
Vides, inclusions, porosités et fissures internes qu'aucune caméra ne voit de l'extérieur. Contrôle par rayons X ou tomographie.
Couleur et finition
Écarts de teinte, défauts de revêtement et qualité d'impression. Caméras couleur avec un éclairage diffus et stable et un étalonnage régulier.
Défauts de process et thermiques
Soudures faibles, scellages défectueux et composants en surchauffe. Caméras thermiques, souvent associées aux données process de la ligne.
Choisir la caméra et l'éclairage
L'essentiel de la précision se joue avant le modèle, dans le dispositif d'acquisition d'images. Voici les principales options et leurs points forts.
| Imagerie | Ce qu'elle capture | Usage typique |
|---|---|---|
| Caméra matricielle 2D | Une image complète d'une pièce à un instant donné | Pièces unitaires, contrôles d'assemblage, étiquettes et défauts de surface |
| Caméra linéaire | Une ligne de pixels à la fois, reconstituée au défilement de la matière | Matériaux en continu comme la tôle, le film, le papier, les textiles et les bandes |
| Capteur 3D | Hauteur et forme, par triangulation laser ou lumière structurée | Dimensions, planéité, bosses, cordons de soudure et volume |
| Rayons X ou tomographie | L'intérieur d'une pièce | Pièces de fonderie, soudures, électronique et emballages scellés |
| Caméra thermique | Les signatures thermiques | Scellages, soudures, défauts électriques et surveillance du process |
L'éclairage compte autant que la caméra. La lumière diffuse convient aux pièces brillantes, le fond noir révèle les rayures et le relief, et le rétroéclairage montre les contours et les perçages.
Notre point de vue
Commencez par un défaut qui vous coûte de l'argent
Les projets rentables ciblent un défaut coûteux sur une ligne, mesurent ce que le contrôle actuel laisse passer et testent un modèle sur de vraies images en mode fantôme. Un tel pilote répond aux questions qui comptent – défauts non détectés, faux rejets et cadence de ligne – en quelques semaines plutôt qu'après un déploiement à l'échelle de l'usine.
Ce que rapportent les usines de pointe
Le Global Lighthouse Network du World Economic Forum distingue les usines qui déploient à grande échelle des technologies avancées. Dans la promotion 2025, plusieurs sites ont fait état de fortes baisses des défauts grâce à leurs programmes numériques.
- Guizhou Tyre, Guiyang57%
- Usine de caméras frontales Valeo, Shenzhen45.9%
- Foshan Haitian Flavouring & Food39.1%
- Beijing Shougang Cold Rolling35%
- CITIC Dicastal, Maroc31.1%
Résultats auto-déclarés issus de programmes couvrant de nombreux cas d'usage, et non de la seule inspection par vision. Le programme de CITIC Dicastal comprend un système d'inspection par vision IA, aux côtés d'algorithmes de fonderie, d'usinage et de pilotage du process.
Afficher les données sous forme de tableau
| Guizhou Tyre, Guiyang | 57% |
|---|---|
| Usine de caméras frontales Valeo, Shenzhen | 45.9% |
| Foshan Haitian Flavouring & Food | 39.1% |
| Beijing Shougang Cold Rolling | 35% |
| CITIC Dicastal, Maroc | 31.1% |
Vous avez des images de vos pièces ?
Envoyez-nous un échantillon de pièces conformes et défectueuses. Nous vérifierons ce qu'un modèle d'IA peut détecter sur votre ligne avant tout achat de matériel.
[ Démarche ]
Le déroulement d'un projet d'inspection visuelle par IA
L'essentiel de la précision se joue avant le modèle : dans la caméra, l'éclairage et les annotations.
Définir le problème qualité
Valider le catalogue de défauts, les critères d'acceptation et la cadence de ligne, et mesurer les taux actuels de défauts non détectés et de faux rejets comme référence.
Tester la faisabilité sur de vraies pièces
Réunir des pièces étalons et des défauts connus, et vérifier que vos contrôleurs s'accordent sur ce qui constitue un défaut.
Concevoir l'imagerie et collecter les données
Choisir la caméra, l'optique, l'éclairage et le déclenchement, puis capturer d'abord des pièces conformes, et les défauts au fur et à mesure qu'ils apparaissent.
Entraîner et valider le modèle
Mesurer les défauts non détectés et les faux rejets sur des images mises de côté, et valider sur différentes équipes, différents lots et conditions d'éclairage.
Intégrer à la ligne
Exécuter l'inférence en edge à la cadence de la ligne, envoyer les signaux de rejet à l'automate et stocker images et résultats dans le MES ou le QMS pour la traçabilité.
Fonctionner en mode fantôme, puis passer à l'échelle
Faire tourner le système en parallèle des contrôleurs humains jusqu'à ce que les résultats soient stables, puis basculer et réentraîner lorsque les produits, les fournisseurs ou les types de défauts changent.
[ Limites ]
Les limites et comment y remédier
Trop peu d'exemples de défauts
Commencer par une détection d'anomalies entraînée sur des pièces conformes, puis ajouter un modèle supervisé à mesure que les défauts annotés s'accumulent.
Annotations incohérentes
S'accorder sur un catalogue de défauts illustré d'exemples et vérifier, avant l'entraînement, que les contrôleurs annotent les mêmes pièces de la même manière.
Éclairage, poussière et variabilité des pièces
Corriger d'abord l'imagerie : éclairage capoté et maîtrisé, présentation constante des pièces, routines de nettoyage et validation sur plusieurs équipes et lots.
Dérive après la mise en service
Surveiller les résultats, permettre aux contrôleurs de corriger les décisions et réentraîner lorsque les produits, les fournisseurs ou les types de défauts changent.
[ Études de cas ]
Des solutions d'IA proches que nous avons développées
Il ne s'agit pas d'un projet d'inspection visuelle, mais il montre comment nous concevons une IA qui diagnostique des pannes à partir de photos, de codes et de descriptions.
AutomobileDéveloppement IA
Diagnostic automobile par IA pour une entreprise automobile suédoise
24 outils de diagnostic spécialisés
Nous avons créé un mécanicien virtuel qui transforme une description de symptôme, un code défaut ou une photo en diagnostic, en estimation de coût et en prochaines étapes, en s'appuyant sur de vraies données de réparation.
Sources
- The Manufacturing Institute et Deloitte, étude sur les talents dans l'industrie manufacturière · Modèle de demande de main-d'œuvre et enquête, avril 2024
- Deloitte, 2025 Smart Manufacturing Survey · 600 dirigeants de grands industriels américains, 2025
- US Census Bureau, Business Trends and Outlook Survey · Secteur manufacturier, 5–18 octobre 2026
- Heckler-Kram et al., The MVTec AD 2 Dataset · 8 scénarios, plus de 8 000 images, 2025
- World Economic Forum, Global Lighthouse Network 2025 · Résultats de sites auto-déclarés, janvier 2025
[ FAQ ]
Questions fréquentes
Parlons de l'inspection par IA pour votre ligne
Parlez-nous de vos pièces, de vos défauts et de votre contrôle actuel. Nous reviendrons vers vous avec l'approche adaptée et ce qu'impliquerait un pilote.
Dmitry Klim
Head of Growth
