Des images 2D aux formes 3D : une nouvelle approche de détection des défauts en inspection industrielle

Dans l’inspection industrielle, « voir » ne signifie pas toujours comprendre.

Depuis des décennies, la vision industrielle 2D constitue la base de l’automatisation en usine. Mais à mesure que les géométries des pièces deviennent plus complexes et que les tolérances se resserrent jusqu’au micron, ses limites deviennent de plus en plus difficiles à ignorer. Plusieurs défauts ne sont pas des problèmes de visibilité, mais plutôt des problèmes d’interprétation.

Prenons un exemple simple : inspecter un joint d’étanchéité en caoutchouc foncé sur un convoyeur tout aussi foncé dans des conditions d’éclairage variables, ou encore évaluer une soudure dans un vaste environnement manufacturier. Dans un système 2D, tout repose sur le contraste. Les variations de texture, de couleur ou d’éclairage peuvent facilement masquer le signal recherché. Le défaut est bien présent, mais il est noyé dans le bruit.

L’inspection 3D aborde le problème sous un autre angle. Au lieu d’analyser l’apparence d’une pièce, elle mesure ce qu’est réellement la pièce.

Comment l’inspection 3D mesure la géométrie plutôt que l’apparence de surface

La différence commence avec les données elles-mêmes. Une image 2D capture la lumière réfléchie, soit des valeurs de luminance réparties sur une grille. Un profil 3D, lui, capture la structure spatiale en représentant la surface à l’aide de coordonnées (x,y,z).

Ce changement apporte plusieurs avantages concrets :

Moins de dépendance à l’éclairage :
Comme les systèmes 3D reposent sur un éclairage structuré et une reconstruction géométrique, ils sont beaucoup moins sensibles à la lumière ambiante. Que l’environnement soit sombre, très lumineux ou variable, la mesure demeure stable.

Mesure directe de la forme :
La profondeur, la hauteur et le volume ne sont pas déduits : ils sont mesurés. Cela permet de détecter de manière fiable les bosses, les déformations, les surplus de matière ou les légères variations de surface difficiles à quantifier en 2D.

Indépendance face au contraste visuel :
Les surfaces très réfléchissantes ou à faible contraste réduisent souvent la performance des systèmes 2D. Dans une représentation 3D, ces propriétés ont beaucoup moins d’impact : la surface est définie par sa forme, et non par son apparence.

Défauts fréquemment manqués par les systèmes de vision industrielle 2D

Les systèmes de vision industrielle 2D peinent souvent à détecter des défauts subtils mais critiques, puisqu’ils dépendent du contraste, de l’éclairage et de l’apparence des surfaces. Lorsque ces conditions ne sont pas optimales, des problèmes de qualité importants peuvent complètement passer inaperçus.

Voici quelques défauts typiquement difficiles, voire impossibles, à détecter de manière fiable avec des systèmes 2D :

• Microfissures sur des surfaces réfléchissantes ou à faible contraste
• Légères déformations ou gauchissements de surface
• Excès de matière ou sous-remplissage dans des pièces moulées
• Variations subtiles de hauteur qui n’affectent pas l’apparence visuelle
• Qualité de soudure inconsistante avec peu de contraste visuel

Ces défauts peuvent être invisibles dans des images standards, tout en ayant des impacts importants sur la fonctionnalité ou la sécurité dans des environnements de production.

Comment les systèmes hybrides 2D et 3D propulsés par l’IA améliorent la détection des défauts

Même si les données 3D sont puissantes, elles introduisent un nouveau défi : les traiter efficacement en temps réel. Les nuages de points bruts sont extrêmement riches en information, mais aussi très exigeants sur le plan computationnel. Les traiter directement peut rapidement devenir impraticable sur des lignes de production à haute vitesse.

Plutôt que d’abandonner les méthodes 2D éprouvées, une approche plus efficace consiste à les réinterpréter à travers une perspective 3D.

Un pipeline hybride permet cela :

Cartographie de profondeur :
Les données de surface 3D sont projetées en cartes de hauteur haute résolution, créant des représentations structurées en 2D.

La géométrie comme intensité :
Dans ces « images de profondeur », l’intensité des pixels encode la hauteur plutôt que la luminosité. Les pics et les creux deviennent alors des caractéristiques directement analysables.

Détection propulsée par l’IA :
Ces représentations peuvent être traitées à l’aide de modèles éprouvés de vision par ordinateur, comme les architectures CNN ou YOLO, optimisées pour la rapidité et le déploiement.

Cette approche combine les forces des deux mondes : la robustesse et l’indépendance à l’éclairage de la détection 3D, ainsi que la maturité et l’efficacité de l’IA appliquée aux systèmes 2D. Elle permet de détecter de façon fiable des défauts subtils, comme les microfissures ou les légères variations de surface, souvent ignorés par les inspections traditionnelles basées sur l’intensité.

Pourquoi l’inspection 3D est limitée par la vitesse de traitement et le débit — et comment surmonter ces contraintes

À des vitesses d’inspection élevées, le facteur limitant n’est plus la précision, mais le débit.

Contrairement à la structure régulière M×N d’une image 2D, les données 3D manquent souvent de localité spatiale. Des points physiquement adjacents peuvent être très éloignés en mémoire, transformant des opérations simples en accès aux données coûteux.

À des cadences dépassant 100 pièces par minute, le défi devient évident : comment traiter et transférer ces données assez rapidement pour suivre le rythme?

Plusieurs stratégies permettent de répondre à cet enjeu :

Calcul vectorisé (SIMD) :
Appliquer la même opération sur plusieurs points est beaucoup plus efficace lorsqu’elle est exécutée en parallèle à l’intérieur d’un même cœur. Les instructions SIMD (comme AVX-512 ou ARM NEON) accélèrent considérablement les calculs géométriques courants.

Organisation des données et efficacité du cache :
La performance est souvent limitée par l’accès mémoire plutôt que par le calcul lui-même. Structurer les données afin d’améliorer la localité — en regroupant les valeurs liées — réduit les défauts de cache et augmente le débit.

Parallélisme et répartition des charges de travail :
Les données d’inspection arrivent naturellement sous forme de blocs indépendants (profils, images, régions). Les distribuer sur plusieurs cœurs permet de superposer l’acquisition et le traitement, à condition que la synchronisation et l’équilibrage des charges soient bien gérés.

Pourquoi l’inspection 3D transforme ce qu’il est possible de détecter en fabrication

L’inspection 3D n’est pas seulement une amélioration incrémentale : elle transforme ce qu’il est possible de mesurer.

Certains défauts ne se révèlent tout simplement pas en 2D. La géométrie ajoute une couche de vérité que l’apparence seule ne peut offrir. Mais cette capacité n’a de valeur que si elle peut fonctionner à la vitesse de production.

En combinant mesure 3D, approches hybrides propulsées par l’IA et optimisation au niveau matériel, il devient possible de construire des systèmes d’inspection à la fois précis et réalistes pour l’industrie.

Quand les microns comptent, le « suffisamment bon » est souvent là où les problèmes commencent.

La vraie question devient donc : quels types de défauts votre système 2D actuel peine-t-il à détecter? Nous serons heureux d’en discuter.