Détection de défauts par IA en fabrication : guide d'étude de cas

Un projet de détection de défauts par IA en fabrication place des caméras et un modèle de vision entraîné sur la ligne : chaque pièce est comparée à une représentation apprise de ce qu'est une pièce conforme, puis signalée dès qu'elle s'en écarte. Les études de cas utiles exposent la méthode, les données et les indicateurs, et reconnaissent que c'est le pilote, et non le modèle, qui décide du succès.

Points clés

• L'inspection visuelle humaine est moins fiable que la plupart des usines ne l'imaginent : dans une étude de Sandia, des inspecteurs formés ont repéré 85 % des pièces défectueuses et rejeté à tort 35 % des pièces conformes.
• Un système opérationnel comprend cinq éléments : caméra et éclairage, prétraitement des images, modèle de détection, action de rejet ou d'alerte, et boucle de retour pour le réentraînement.
• Jugez une étude de cas sur ses chiffres avant et après, les types de défauts couverts, le taux de faux rejets et la durée du pilote. Un chiffre sans point de référence relève du marketing.
• Impliquez les inspecteurs dès le premier jour. Ils savent à quoi ressemblent vraiment les défauts et où les images induisent en erreur ; le modèle ne vaut que ce que valent leurs étiquettes.
• Anticipez les changements de plateforme : AWS a arrêté Amazon Lookout for Vision le 31 octobre 2025, gardez donc vos images et vos étiquettes portables.

Que prouve réellement une étude de cas sur la détection de défauts par IA ?

Une bonne étude de cas prouve qu'un modèle précis a détecté des défauts précis sur une ligne précise, par rapport à une référence mesurée. Elle ne prouve pas que le même résultat se transposera à vos pièces, à votre éclairage ou à la cadence de votre ligne.

De nombreuses « études de cas » publiées omettent l'essentiel. Elles citent un taux de détection sans indiquer combien d'échantillons défectueux comptait le jeu de test, ou annoncent un ROI sans préciser la base de coûts. Avant de croire un chiffre, posez quatre questions :

• Quelle était la référence ? Inspection manuelle, échantillonnage ou système de caméras à base de règles. Chacun donne un point de départ différent.
• Quelles classes de défauts étaient couvertes ? Les rayures et les bosses sont plus faciles à détecter que les microfissures ou la contamination.
• Qu'est-il arrivé aux pièces conformes ? Un modèle qui rejette trop de bonnes pièces ne fait que déplacer le coût des défauts échappés vers les rebuts et les retouches.
• Combien de temps a-t-il tourné en production ? Un pilote de deux semaines sous éclairage maîtrisé en dit peu sur le sixième mois, quand un nouveau fournisseur modifie l'état de surface.

Pourquoi l'inspection manuelle laisse une marge de progression

L'inspection manuelle est souple mais irrégulière, et cette irrégularité se traduit à la fois par des défauts non détectés et par des rebuts inutiles.

La preuve publique la plus claire provient d'une étude des Sandia National Laboratories sur la fiabilité de l'inspection visuelle. Quatre-vingt-deux inspecteurs ont contrôlé 140 pièces pour huit types de défauts. Ils ont rejeté à bon droit 85 % des pièces défectueuses, mais aussi 35 % des pièces acceptables. Les auteurs observent que ce taux de détection ne dépasse guère la moyenne du secteur, d'environ 80 %, et que la tâche est exigeante sur le plan mental.

Ces chiffres concernent des pièces de précision dans un contexte à forts enjeux ; ils ne constituent donc pas une référence universelle. Ils montrent toutefois les deux modes de défaillance qu'un système automatisé doit battre : les défauts échappés et les faux rejets. La fatigue, les changements d'équipe et les seuils personnels propres à chaque inspecteur font tous varier ces chiffres.

La maîtrise statistique des procédés (SPC) aide à repérer les tendances, mais elle travaille sur des mesures échantillonnées, a posteriori. Elle indique qu'un procédé dérive, pas que la pièce n° 4 312 est fissurée. L'inspection par caméra comble cette lacune en contrôlant chaque unité à la cadence de la ligne.

Un exemple public : la plateforme AIQX de BMW

BMW Group présente sa plateforme interne AIQX (« Artificial Intelligence Quality Next ») comme un élément central de son système de production. Selon l'article de BMW consacré à AIQX, des caméras et des capteurs placés le long du convoyeur alimentent des modèles d'IA qui analysent les données en temps réel et renvoient des retours au personnel de ligne sur des appareils connectés.

Les exemples donnés par BMW sont concrets plutôt que spectaculaires :

• Vérifier que la bonne variante a été montée et qu'un assemblage est complet.
• Repérer un élément manquant, tel qu'un triangle de signalisation, et alerter le personnel et les systèmes de production.
• Acoustic Analytics à l'usine de Dingolfing : des microphones enregistrent le bruit de roulement et un modèle d'IA le classe, comme dernier contrôle avant la livraison.

BMW ne publie pas, dans cet article, de taux de défauts ni de chiffres de ROI pour AIQX ; nous n'en citons donc aucun. L'enseignement tient à la conception : de nombreux contrôles étroits et bien définis, intégrés à la ligne et aux équipes, plutôt qu'un modèle unique qui « voit tout ».

Exemple concret : l'inspection de l'alignement de panneaux solaires

Pour rendre la méthode concrète, voici comment se construit généralement une chaîne d'inspection par caméra pour l'assemblage de panneaux solaires. Les panneaux exigent un alignement submillimétrique des cellules et des rubans, et de petites fissures ou de légers décalages réduisent ensuite la production sur le terrain.

Notez que les étapes 2 à 4 relèvent de la vision par ordinateur classique, pas de l'apprentissage profond. Les contrôles géométriques avec des tolérances claires sont souvent plus fiables et plus faciles à expliquer avec des règles. L'apprentissage profond se justifie à l'étape 5, où les défauts varient trop pour être décrits par des règles.

Quels modèles sont utilisés pour la détection de défauts ?

Les réseaux de neurones convolutifs (CNN) sont le choix par défaut pour classer et localiser les défauts visibles. Quand les échantillons défectueux sont rares, des modèles de détection d'anomalies comme les autoencodeurs apprennent à quoi ressemblent les pièces normales et signalent tout ce qu'ils reconstruisent mal. Des images synthétiques, par exemple issues de modèles génératifs, peuvent ajouter des exemples de défauts rares, mais elles ne doivent jamais constituer vos seules données de test.

Comment mener un pilote qui produit une vraie étude de cas

Un pilote doit répondre à une seule question : sur cette ligne, ce modèle fait-il mieux que l'inspection actuelle en défauts échappés et en faux rejets, pour un coût acceptable ?

1. Choisissez un poste et deux ou trois classes de défauts. Retenez ceux qui coûtent réellement de l'argent en rebuts, retouches ou retours.
2. Mesurez d'abord la référence. Relevez le taux actuel de défauts échappés, le taux de faux rejets et le temps d'inspection par unité pendant au moins quelques semaines.
3. Réglez l'optique avant le modèle. L'éclairage, l'objectif et la fixation causent plus d'échecs que le choix du modèle. Testez à la vitesse réelle du convoyeur.
4. Constituez un jeu de données étiqueté avec les inspecteurs. Convenez d'un catalogue de défauts avec des photos de chaque classe et des cas limites.
5. Passez en mode ombre. Laissez le système signaler les pièces pendant que les humains continuent de décider. Comparez les deux sur les mêmes unités.
6. Fixez les seuils avec la qualité et la production ensemble. Chaque seuil arbitre entre défauts échappés et rebuts.
7. Consignez les résultats avec la référence. Ce document est votre étude de cas interne et la base du déploiement.

Pourquoi les inspecteurs comptent avant tout

Une équipe qui construit le système sans les inspecteurs risque de passer à côté de la façon dont les défauts sont réellement reconnus et des endroits où les images sont souvent mal interprétées. Les inspecteurs savent quelles marques sont inoffensives, quels angles masquent les fissures et quels « défauts » ne sont que des reflets. Associez-les à l'étiquetage et aux revues de seuils, et donnez-leur un moyen simple de contester une décision du modèle. Ces contestations deviennent vos meilleures données de réentraînement.

Choix de cloud, d'edge et de plateforme

L'inférence s'exécute généralement en périphérie (edge), à côté de la ligne, car une décision de rejet doit souvent être prise en quelques millisecondes et la ligne doit continuer à tourner si le réseau tombe. Le cloud est l'endroit adapté au stockage des images, à l'étiquetage, à l'entraînement et à la supervision de la précision des modèles à l'échelle d'un parc de sites.

Gardez vos données portables. AWS a fermé Amazon Lookout for Vision aux nouveaux clients en octobre 2024 puis l'a arrêté le 31 octobre 2025, en orientant les utilisateurs vers Amazon SageMaker, Amazon Bedrock et des solutions partenaires, comme l'explique le guide de migration d'AWS. Les équipes qui conservaient leurs propres images et étiquettes dans des formats ouverts ont pu migrer. Celles qui n'avaient qu'un modèle à l'intérieur du service ont dû repartir de zéro.

Les raisons courantes de blocage des projets

• Trop peu d'images de défauts. Les bonnes lignes produisent peu de défauts. Commencez à collecter les pièces rejetées et leurs images des mois avant l'entraînement.
• Dérive de l'éclairage. Une lampe remplacée ou la lumière du soleil par une fenêtre peut mettre en échec un modèle qui fonctionnait pendant le pilote.
• Évolutions de produit. Les nouvelles variantes exigent de nouvelles étiquettes. Prévoyez le réentraînement comme une activité normale, pas comme un projet.
• Aucun responsable après la mise en service. Quelqu'un doit surveiller chaque semaine les taux de faux rejets et piloter la boucle de réentraînement, comme on a un responsable pour une machine.
• Intégration repoussée. Le signal d'automate (PLC), le mécanisme de rejet et la traçabilité dans le MES demandent autant de temps que le modèle.

Comment Opsio vous accompagne

Opsio conçoit et exploite des systèmes d'inspection visuelle automatisée et propose du conseil en vision par ordinateur, avec des équipes à Karlstad et à Bangalore. Nous commençons par un pilote cadré sur un poste, mesurons la référence avec votre équipe qualité et mettons en place le volet cloud pour les images, l'entraînement et la supervision des modèles, dans le cadre de nos services de données et d'IA. Pour une comparaison d'outils, consultez notre guide pour comparer les systèmes de détection de défauts pour lignes de production.

Questions fréquentes

Quelle est la précision de la détection de défauts par IA par rapport aux inspecteurs humains ?

Cela dépend du défaut et de la configuration ; demandez donc le jeu de test qui sous-tend toute affirmation de précision. La comparaison utile est votre propre référence : l'étude de Sandia a constaté que des inspecteurs formés repéraient 85 % des pièces défectueuses tout en rejetant 35 % des bonnes, ce qui montre la marge dont dispose un système bien conçu.

Quels types de défauts la vision par ordinateur peut-elle détecter ?

Les défauts de surface comme les rayures, bosses, éclats et taches, les défauts géométriques comme le mauvais alignement ou des dimensions incorrectes, et les défauts d'assemblage comme des composants manquants ou erronés. Les défauts internes exigent d'autres capteurs, par exemple des contrôles par rayons X, ultrasons ou acoustiques.

De combien d'images a-t-on besoin pour entraîner un modèle de détection de défauts ?

Il n'existe pas de nombre fixe. Les modèles de détection d'anomalies peuvent démarrer avec des images de pièces conformes uniquement, tandis que les classifieurs ont besoin d'exemples étiquetés de chaque classe de défauts. Prévoyez de collecter des images pendant des semaines avant l'entraînement et continuez à ajouter ensuite les cas litigieux.

Combien de temps dure un pilote d'inspection visuelle par IA ?

L'essentiel du temps est consacré à la mesure de la référence, à l'optique et à l'étiquetage plutôt qu'à l'entraînement du modèle. Un passage en mode ombre assez long pour observer la variation normale entre équipes, lots et fournisseurs est ce qui rend le résultat crédible.

Par quoi AWS a-t-il remplacé Lookout for Vision ?

AWS n'a pas lancé de successeur direct. Ses recommandations orientent vers Amazon SageMaker, y compris les modèles de détection de défauts préentraînés de SageMaker JumpStart, vers Amazon Bedrock pour les cas d'usage sans contrainte stricte de latence, et vers des solutions partenaires.