Inspection qualité visuelle par IA pour l'industrie

Les applications les plus matures et au plus faible risque sont les contrôles d'assemblage et de complétude (le composant est-il présent, correctement orienté, la bonne variante ?) et les défauts de surface à fort contraste (rayures, bosses, contamination, défauts de revêtement). Les caractéristiques de surface des soudures et les éléments dimensionnels sont détectables en tant que criblage, mais avec des limites importantes : la vision fait remonter des indications candidates et un criblage géométrique rapide, tandis que le classement certifié des soudures et la mesure dimensionnelle certifiée exigent une inspection qualifiée, de la métrologie et votre procédure de soudage. Le bon périmètre commence par les contrôles binaires sans ambiguïté et s'étend à mesure que le jeu de données mûrit.

Parce qu'un défaut qui n'est pas visible au capteur ne peut être détecté par aucun modèle. La conception de l'éclairage rend le défaut visible : l'éclairage en dôme diffus dompte les surfaces réfléchissantes, l'éclairage rasant à fond noir fait ressortir rayures et bosses, le rétroéclairage gère les contrôles de silhouette et de présence, l'éclairage coaxial convient aux pièces planes spéculaires. Les équipes qui sous-investissent dans l'éclairage et surinvestissent dans la complexité du modèle obtiennent systématiquement de moins bons résultats que celles qui font l'inverse. L'éclairage et l'optique sont la fondation ; le modèle se pose dessus.

Oui — la rareté des défauts est la situation normale, pas un obstacle. Une ligne bien gérée produit surtout de bonnes pièces, donc les défauts étiquetés sont rares. Les approches pragmatiques sont : la détection d'anomalies qui apprend à quoi ressemble le « bon » et signale les écarts (peu ou pas de défauts étiquetés nécessaires pour démarrer), l'échantillonnage délibéré de pièces connues comme mauvaises, la génération synthétique de défauts et l'augmentation, et l'accumulation de vrais défauts dans le temps pour passer à une détection supervisée. La plupart des programmes commencent par la présence/absence et le criblage d'anomalies précisément parce qu'ils n'exigent pas un grand jeu de données de défauts.

Non — et cette frontière est non négociable. Un modèle de vision peut faire remonter des indications candidates sur la surface d'une soudure (caniveau, projections, porosité de surface, cordon irrégulier, fissures visibles) et les rattacher au vocabulaire d'imperfections d'une norme telle que l'ISO 5817. Il n'attribue pas de niveau de qualité certifié. Un grade certifié est une détermination formelle qui dépend de la métrologie, de l'examen sous-surface là où la norme l'impose (généralement des essais non destructifs), des critères d'acceptation applicables et de votre cahier des charges de soudage qualifié (WPS) — réalisée par des inspecteurs qualifiés. L'IA est une première passe rapide et cohérente qui signale des candidats pour ce processus qualifié ; elle n'est pas le processus qualifié.

La vision industrielle traditionnelle (à base de règles) utilise des algorithmes conçus à la main — seuils, détecteurs de contours, appariement de modèles, analyse de blobs — et excelle dans les contrôles bien définis, à fort contraste et déterministes (mesurer ce jeu, confirmer cet élément). La vision apprise (apprentissage profond) excelle là où les défauts sont variables, à faible contraste ou difficiles à spécifier par des règles explicites — défauts de texture de surface, défauts cosmétiques subtils, apparence variable. Elles sont complémentaires : de nombreux systèmes de production utilisent la vision à base de règles pour les contrôles déterministes de type métrologie et des modèles appris pour les classes de défauts floues, basées sur l'apparence.

Sur la ligne. L'inspection qualité s'exécute à la cadence de production, donc l'inférence se fait en périphérie — sur un PC industriel ou un module périphérique de vision à côté de la caméra — avec une latence bornée et prévisible qui tient dans le temps de cycle et fonctionne indépendamment de toute connexion cloud. Les modèles sont optimisés et compilés pour le matériel périphérique cible afin d'atteindre le débit. Les résultats et images agrégés peuvent être envoyés de manière centralisée pour la surveillance et le réentraînement, mais la décision d'acceptation/rejet est prise localement, en temps réel.

Pas par l'exactitude brute — parce que les défauts sont rares, un modèle qui laisse tout passer peut atteindre 99 % et ne rien attraper. Les métriques qui comptent sont le rappel sur les défauts (un échappement est l'erreur coûteuse), la précision (les faux rejets gaspillent de bonnes pièces et érodent la confiance de l'opérateur) et la performance par classe de défaut. Le seuil d'acceptation/rejet est une décision métier délibérée qui arbitre entre le risque d'échappement et le coût des faux rejets, et il devrait être fixé avec les ingénieurs qualité, pas enfoui dans le modèle.

Non. Le périmètre d'Hyperion est la couche de criblage par IA : conception du système de vision, stratégie de jeu de données et d'annotation, développement du modèle et déploiement en périphérie. L'inspection certifiée, les essais accrédités, l'examen non destructif, la métrologie et le classement des soudures sont réalisés par vos inspecteurs qualifiés, votre équipe de métrologie et des organismes accrédités. Hyperion travaille aux côtés de ces spécialistes — l'IA signale les candidats plus vite et plus régulièrement ; la détermination certifiée reste avec le processus qualifié.