Détection de défauts en temps réel sur vos lignes de production
La détection de défauts par IA utilise des caméras et des modèles de deep learning pour repérer automatiquement, pièce par pièce, les défauts visuels : rayures, fissures, impacts, bavures, déformations, taches ou manques. Contrairement à la vision industrielle classique à base de règles, l'IA apprend à partir d'exemples et gère des défauts variables, sur des surfaces texturées ou réfléchissantes.
Exécutée directement au plus près de la ligne (edge AI), elle décide en quelques millisecondes, sans dépendre du cloud ni ralentir la cadence.
Pour qui ?
- Métallurgie et mécanique : tubes, pièces usinées, fonderie, tôles.
- Automobile et aéronautique : pièces de sécurité, peintures, soudures, composites.
- Plasturgie et emballage : bavures, inclusions, défauts d'impression ou de scellage.
- Électronique : soudures de cartes, composants manquants.
- Textile, bois, verre, papier : défauts sur produits en défilement continu.
- PME industrielles qui veulent sortir du contrôle visuel manuel par échantillonnage.
Comment ça fonctionne ?
- Acquisition d'images : choix des caméras, optiques et éclairages adaptés au défaut recherché (c'est souvent 50 % de la réussite).
- Constitution du dataset : collecte d'images de pièces bonnes et défectueuses, puis annotation des défauts.
- Choix du modèle : classification (bonne/mauvaise), détection (localisation du défaut), segmentation (contour précis) ou détection d'anomalies non supervisée quand les défauts sont rares.
- Entraînement et évaluation : mesure du taux de détection et des fausses alarmes sur des données jamais vues.
- Optimisation pour l'embarqué : quantification, compression et portage sur NPU ou GPU industriel.
- Intégration ligne : communication avec l'automate (éjection, arrêt, alerte opérateur), interface de supervision.
- Suivi en production : surveillance des dérives et réentraînement quand un nouveau défaut apparaît.
Expertises mobilisées
- Computer vision et deep learning (domaines d'application).
- Annotation et gestion de datasets : outils Lynx (annotation vidéo) et Lens (évaluation des datasets et performances).
- Edge AI : optimisation et déploiement sur cartes accélératrices (déploiement IA).
- Optique et éclairage industriel, en lien avec vos intégrateurs.
- Intégration automatisme : dialogue avec l'automate et le MES.
Contraintes et points de vigilance
- Rareté des défauts : sur une ligne maîtrisée, les pièces défectueuses sont rares. Il faut des techniques adaptées (augmentation de données, apprentissage sur pièces bonnes uniquement).
- Cadence et latence : la décision doit tomber avant que la pièce quitte le champ de la caméra.
- Arbitrage faux rejets / défauts manqués : à définir avec la qualité, selon le coût de chaque erreur.
- Variabilité des conditions : lumière ambiante, poussière, vibrations, nouvelles références produit.
- Réglementation : l'AI Act et le règlement Machines (UE) 2023/1230, applicable au 20 janvier 2027, encadrent l'IA quand elle joue un rôle de sécurité.
Exemple concret
Démonstrateur Micelia — Micelia a conçu un démonstrateur de détection de défauts en temps réel sur des tubes en cuivre (rayures, déformations, impacts, dépolissage). Deux modèles tournent en embarqué sur un PC industriel avec NPU Hailo 8L : un modèle de segmentation (99 % de précision, 6 ms) et un modèle de détection de défauts (environ 80 % de précision, 4 ms), tous deux quantifiés en int8.
À grande échelle — Procter & Gamble déploie avec Siemens ses modèles de deep learning d'inspection visuelle dans ses usines. Le groupe annonce 10 à 20 % de rebuts en moins selon les produits, et une mise en service 5 à 10 fois plus rapide qu'un système de vision développé au cas par cas (Automation.com, septembre 2026).
Pourquoi Micelia ?
Micelia maîtrise toute la chaîne : acquisition et annotation des données avec ses propres outils, entraînement de modèles, optimisation pour l'edge et intégration industrielle. Notre approche frugale permet de faire tourner l'IA sur du matériel compact et peu énergivore, sans envoyer vos images dans le cloud.
Envoyez-nous quelques images de vos défauts : nous vous disons en quelques jours si l'IA peut les détecter. Contactez-nous.
FAQ
Combien d'images faut-il pour entraîner un modèle ? Quelques centaines d'images bien annotées suffisent souvent pour un premier POC. Pour des défauts très rares, on peut partir des seules pièces bonnes.
L'IA peut-elle fonctionner sans connexion Internet ? Oui. Les modèles sont déployés en edge, directement sur la ligne.
Quelle différence avec un système de vision classique ? La vision classique applique des règles fixes. L'IA apprend la variabilité des défauts et des pièces, ce qui la rend plus robuste sur les aspects complexes.
Pages liées : Contrôle qualité automatisé par vision · Détection d'anomalies · Optimisation de paramétrages machines
