Contrôle qualité par vision : inspectez 100 % de votre production
Le contrôle qualité automatisé par vision utilise des caméras et l'intelligence artificielle pour vérifier la conformité de chaque produit fabriqué : présence et position des composants, assemblage, aspect, couleur, étiquetage, marquage, conditionnement, corps étrangers. Il remplace ou complète le contrôle visuel humain, souvent réalisé par échantillonnage et sujet à la fatigue.
La détection de défauts cherche des défauts d'aspect sur une pièce ; le contrôle qualité par vision vérifie plus largement qu'un produit est conforme à sa spécification, et peut déclencher un tri, un rejet ou une correction.
Pour qui ?
- Agroalimentaire : tri de fruits et légumes, détection de corps étrangers, contrôle de remplissage et d'étiquetage.
- Automobile : contrôle d'assemblage, présence de pièces, soudures, inspection fin de ligne.
- Pharmacie et cosmétique : contrôle des blisters, flacons, notices, codes de sérialisation.
- Électronique : contrôle de cartes, connectique, câblage.
- Logistique et e-commerce : vérification des colis et préparations de commandes.
- Recyclage : tri des matières par caméras et capteurs hyperspectraux.
Comment ça fonctionne ?
- Analyse des exigences : points de contrôle, tolérances, cadence, coût d'une non-conformité manquée.
- Conception du poste de vision : caméras (2D, 3D, hyperspectrales), optiques, éclairages, déclenchement synchronisé avec le convoyeur.
- Constitution du dataset : images de produits conformes et non conformes, annotation.
- Modèles d'IA : classification, détection d'objets, segmentation, OCR, combinés si besoin à des algorithmes de vision classiques.
- Déploiement edge : inférence en quelques millisecondes sur PC industriel ou carte accélératrice.
- Action : éjection, tri, arrêt de ligne, alerte opérateur, traçabilité photo de chaque produit.
- Pilotage de la qualité : statistiques de non-conformités par type, poste ou équipe, pour remonter aux causes.
Expertises mobilisées
- Computer vision et deep learning (domaines d'application).
- Outils de données : Lynx pour annoter les flux vidéo, Lens pour évaluer datasets et performances.
- IA embarquée : optimisation et quantification des modèles (déploiement IA).
- Vision 3D pour les contrôles de volume et de forme.
- Intégration industrielle : automates, MES, traçabilité.
Contraintes et points de vigilance
- Cadence : jusqu'à plusieurs centaines de produits par minute, ce qui impose une inférence très rapide.
- Variabilité naturelle : produits agricoles ou alimentaires tous différents ; l'IA doit distinguer variabilité acceptable et défaut.
- Changements de références : chaque nouveau produit doit pouvoir être ajouté rapidement.
- Hygiène et environnement : lavage, poussière, vibrations, température imposent du matériel adapté.
- Réglementation : en pharmacie, validation des systèmes informatisés (BPF) ; dans les machines, règlement (UE) 2023/1230 applicable au 20 janvier 2027.
Exemple concret
Renault Group a déployé le contrôle qualité par IA dans ses usines. À Palencia (Espagne), 25 postes de contrôle et près de 1 000 points d'inspection par IA détectent pièces manquantes ou défauts de soudure. En fin de ligne, un tunnel équipé de plus de 50 caméras prend plus de 112 photos par véhicule et indique à l'opérateur ce qu'il faut corriger. Sur l'ensemble des usines, le groupe réalise 3 000 contrôles par IA par véhicule (Journal de l'Automobile, juillet 2025).
Dans l'agroalimentaire, un fabricant européen de surgelés est passé de l'échantillonnage manuel à l'inspection de 100 % des légumes : inspection 15 fois plus rapide (1 minute par tonne au lieu de 15) et 95 % de précision sur les défauts et corps étrangers (Machine Learning Reply).
Pourquoi Micelia ?
Micelia conçoit des systèmes de contrôle par vision de bout en bout, de l'acquisition d'images au déploiement sur la ligne, avec ses propres outils d'annotation et d'évaluation. Notre démonstrateur de détection de défauts en temps réel atteint 4 à 6 ms d'inférence sur matériel embarqué. Nous privilégions des modèles légers, sans dépendance au cloud.
Vous contrôlez encore par échantillonnage ? Évaluons ensemble le passage au 100 %.
FAQ
Le contrôle par vision IA est-il fiable à 100 % ? Aucun système ne l'est, mais il est constant et contrôle chaque produit, là où l'humain se fatigue et ne voit qu'un échantillon.
Peut-on réutiliser les caméras existantes ? Souvent oui, si la résolution et l'éclairage sont adaptés au défaut recherché.
Quel retour sur investissement ? Il vient de la baisse des rebuts, des réclamations clients et du temps de contrôle manuel.
