Détection de défauts de surface sur pièces forgées

Contrôle de surface post-grenaillage sur pièces forgées de transmission. Segmentation sémantique des défauts, heatmap pour l'opérateur, réduction de 80 % du temps de contrôle manuel.

> 94 %

taux de détection sur 8 types de défauts

1,5 %

taux de faux positifs calibré

– 80 %

de temps de contrôle manuel

Contexte

Le problème

8 types de défauts de surface

Cratères, pliures, zones de décarburisation, inclusions, fissures superficielles. Chaque type a ses critères d'acceptation propres selon la position sur la pièce.

Pièces à 40–80 °C en sortie de grenaillage

La température modifie légèrement les propriétés optiques de la surface. Les modèles entraînés à froid échouent à chaud — problème ignoré lors du premier prototype.

Géométries complexes et variées

4 familles de pièces de transmission, géométries 3D complexes. La vision 2D couvre 95 % des zones critiques identifiées avec le métallurgiste.

Contrôle 100 % impossible manuellement

Cadence de 180 pièces / heure par poste. Les opérateurs contrôlent de manière statistique, avec une fatigue visuelle documentée en fin de poste.

Solution

Architecture déployée

Acquisition

Caméra couleur haute résolution + éclairage rasant

Caméra 12 MP, éclairage LED rasant multi-directionnel pour révéler les défauts de surface. 4 acquisitions par pièce (rotation par indexeur). Résolution effective : 0,08 mm / pixel.

Modèle

UNet segmentation sémantique

Segmentation pixel par pixel, 8 classes de défauts + fond. Entraîné sur 3 800 images annotées au niveau pixel. Précision de localisation ± 2 mm.

Runtime

Serveur industriel IPC local

GPU NVIDIA RTX industriel, inférence ONNX Runtime. Latence 120 ms pour les 4 acquisitions. Pas de cloud — données sensibles client.

Interface

Écran opérateur avec heatmap

Affichage de la pièce avec superposition des zones défectueuses colorées par type. Décision automatique + possibilité de révision opérateur sur pièces borderline.

Résultats

Résultats observés

Mesurés sur 6 mois de production post-déploiement.

> 94 %

Taux de détection global

Sur les 8 types de défauts ciblés. 97 % sur les défauts critiques (fissures, inclusions), 91 % sur les défauts mineurs (cratères isolés).

1,5 %

Taux de faux positifs

Après 3 semaines de calibration des seuils par type de défaut et par zone critique / non critique sur la pièce.

– 80 %

Réduction du contrôle manuel

Les opérateurs interviennent uniquement sur les pièces borderline (score de confiance entre 0,65 et 0,85), soit < 5 % du flux.

100 %

Couverture des zones critiques

Les 4 zones critiques identifiées par le métallurgiste sont contrôlées sur 100 % des pièces produites.

Retour d'expérience

Ce qu'on en retient

Les pièces à température élevée nécessitent un dataset spécifique — les images à froid ne sont pas représentatives. Toujours collecter les données dans les conditions réelles de production.
La segmentation pixel par pixel (UNet) apporte plus de valeur qu'une classification binaire pour ce type de défaut : la position sur la pièce conditionne l'acceptation.
L'indexeur motorisé pour les 4 acquisitions par pièce a été un investissement décisif — il garantit la reproductibilité du point de vue et réduit la variance du dataset.
La revue hebdomadaire des pièces borderline avec le métallurgiste pendant les 2 premiers mois a permis d'améliorer les seuils sans réentraînement complet.

Démarrer

Un contrôle de surface à automatiser ?

Pièces forgées, usinées, traitées thermiquement — décrivez les défauts à détecter et les contraintes de cadence. Analyse de faisabilité sous 48h.