Au-delà de l’IA spécialisée : concevoir un système d’inspection visuelle sur mesure

Les outils d’IA prêts à l’emploi peuvent sembler attrayants. Ils promettent polyvalence, rapidité et efficacité. Mais dans le domaine du contrôle de qualité industriel, ces promesses tiennent rarement leurs engagements. Pour obtenir un véritable impact, il faut aller plus loin : combiner les bonnes techniques, bâtir des pipelines de données sur mesure et ajuster les modèles en fonction des réalités du terrain.

C’est exactement ce que nous avons fait avec notre plus récent système d’inspection visuelle propulsé par l’IA, conçu pour voir ce que l’œil humain ne peut pas détecter.

Le défi : des particules invisibles aux irrégularités de texture

Le problème ne venait pas d’un seul type de défaut, mais d’une grande diversité. Nous devions être capables de détecter deux catégories bien distinctes.

1. Les micro-défauts presque invisibles‍

Poussières, micro-éraflures ou particules à peine perceptibles, mais essentielles à repérer. Les détecter sur des images haute résolution n’a rien de simple, car la plupart des modèles de détection d’objets ne sont pas conçus pour des détails aussi petits.

2. Les anomalies de surface plus larges‍

Gouttelettes, texture peau d’orange ou zones mates. Ces défauts n’apparaissent pas comme des objets isolés, mais comme des irrégularités de texture, de brillance ou de motif, nécessitant une compréhension globale de la surface.

Les modèles d’IA traditionnels se concentrent généralement sur un seul de ces deux volets. Nous avions besoin des deux.

Notre approche : un pipeline d’IA sur mesure à deux volets

Pour relever ce défi, nous avons conçu un système d’inspection visuelle de bout en bout combinant deux modèles d’IA complémentaires, chacun optimisé pour un type de défaut précis.

Partie 1 – Détection des micro-défauts avec YOLOv9 et le découpage intelligent

Nous avons commencé avec YOLOv9, l’une des architectures de détection d’objets les plus performantes en temps réel. Toutefois, même ce modèle atteint ses limites lorsque les détails sont trop petits pour être repérés dans une image complète.

Nous avons donc adapté notre approche. Grâce à une technique de découpage intelligent, nous avons divisé les images haute résolution en sections qui se chevauchent. Chaque section agrandit une portion de la surface, permettant à YOLOv9 de détecter des défauts minuscules qu’il aurait autrement ignorés. Une fois l’analyse terminée, nous avons recomposé l’image et éliminé les doublons.

Cette méthode a entraîné une nette amélioration du rendement. Le taux de rappel est passé d’environ 40 % à plus de 70 % sur les ensembles de données complexes. Le système est aussi devenu plus robuste aux variations d’éclairage, puisque chaque section est analysée séparément.

Partie 2 – Classification de la qualité de surface avec EfficientNet‍

Pour les défauts de texture plus larges, nous avons utilisé EfficientNet, un modèle de classification d’images à la fois léger et performant.

Nous l’avons entraîné à reconnaître des motifs comme les gouttes, la texture peau d’orange et les zones sèches sur différentes surfaces. Le résultat a été remarquable : un taux de précision de 98,5 % sur l’ensemble de test.

Mais le véritable secret ne résidait pas uniquement dans le modèle. Tout dépendait des données. Nous avons développé un prototype matériel personnalisé pour capturer des images sous divers éclairages (ambiant, circulaire et directionnel). Cela a permis au modèle d’apprendre à reconnaître les défauts tels qu’ils apparaissent dans des conditions réelles de production.

Les clés du succès : intégration, itération et maîtrise complète

La réussite de ce système repose sur une conception intégrée du début à la fin. Chaque étape, de la capture d’images à la classification finale, a été pensée en fonction des besoins précis du projet.

• Un seul pipeline, deux modèles : les images passent à la fois par YOLOv9 et EfficientNet pour une analyse complète des défauts.
  
  
• Collecte de données sur mesure : plutôt que d’utiliser des ensembles de données publics, nous avons créé nos propres défauts sur des panneaux d’essai et capturé des milliers d’images en environnement contrôlé.
  
  
• Décisions d’entraînement réfléchies : le découpage d’images et la variation des éclairages ont été intégrés dès le départ dans notre stratégie de formation et d’optimisation.
  

En conclusion : aller au-delà de l’IA spécialisée

Créer une solution d’IA efficace ne consiste pas à brancher le dernier modèle à la mode et espérer le meilleur. Cela exige une compréhension approfondie du problème, la conception d’outils adaptés et une amélioration continue à partir des données et des essais réels.

C’est ainsi que nous allons au-delà de l’IA spécialisée, en concevant des systèmes capables de répondre aux exigences concrètes du contrôle de qualité moderne.

Vous souhaitez découvrir comment une solution d’IA sur mesure pourrait transformer votre processus d’inspection? Parlons-en.