Détection de défauts de surface
Fissures, porosités, inclusions, rayures, manques de matière. Segmentation sémantique ou classification multi-classes sur flux temps réel.
CNN · UNet · YOLOv8 · TensorRT
Domaine d'expertise
De la caméra à la décision qualité : systèmes de vision embarquée ou déportée pour le contrôle en ligne, intégrés à l'automate ou au MES. Inférence < 200 ms, déploiement edge (Jetson, Hailo) ou serveur industriel, connexion OPC-UA / Profinet.
Capacités
Fissures, porosités, inclusions, rayures, manques de matière. Segmentation sémantique ou classification multi-classes sur flux temps réel.
CNN · UNet · YOLOv8 · TensorRT
Mesure de cotes critiques par vision sub-pixel. Comparaison au nominal CAO ou à des masters, alerte hors tolérance configurable.
Calibration stéréo · Profilométrie · OpenCV
Présence / absence de composants, orientation, positionnement, lisibilité de marquage (DataMatrix, QR, gravure laser).
Template matching · OCR · Object detection
Profilométrie laser, nuages de points, mesure de volumes et géométries complexes. Pour les défauts non détectables en 2D.
Lumière structurée · LiDAR · Reconstruction 3D
Signal numérique vers automate pour éjection immédiate. Logs horodatés pièce par pièce pour traçabilité audit (IATF, ISO 9001, BPF).
OPC-UA · Profinet · GPIO · REST → MES
Pour les cas sans données de défauts labellisées : apprentissage de la distribution normale et détection d'écarts. Utile au démarrage ou pour les défauts rares.
PatchCore · FastFlow · Autoencoders
Architecture
Acquisition → traitement → inférence → décision. Chaque brique dimensionnée selon la cadence, la résolution et les contraintes d'intégration du site.
Caméra + éclairage
GigE Vision, USB3 Vision, SWIR selon le type de défaut. LED coaxial, rasant, rétroéclairage ou multispectral.
Inférence embarquée ou déportée
NVIDIA Jetson Orin / AGX, Hailo-8, serveur industriel. ONNX / TensorRT pour optimisation latence.
Logique métier + seuils
Seuils de confiance configurables par classe de défaut. Calibrés avec le responsable qualité pour maîtriser FP / FN.
Connexion automate & SI
OPC-UA, Profinet, Modbus, REST. Logs vers MES / ERP. Interface opérateur temps réel avec heatmap de défauts.
Secteurs
Conçus pour fonctionner dans des conditions réelles : vibrations, éclairage ambiant variable, huile, poussières, cycles < 1 s.
Résultats
Constatés sur des déploiements comparables. Dépendent du type de défaut, de la cadence et de la qualité des données initiales — présentés ici comme repères, non comme garanties.
> 95 %
taux de détection sur défauts ciblés après validation
20 – 40 %
réduction du taux de rebut observée sur lignes instrumentées
< 2 %
faux positifs après calibration seuils avec le responsable qualité
30 – 150 ms
latence d'inférence selon complexité modèle et résolution
Démarche
01
Analyse pièces, défauts, cadence, contraintes mécaniques et éclairage. Choix de l'architecture d'acquisition. 1 semaine.
02
Constitution du dataset : 300+ images par classe de défaut. Labellisation avec le responsable qualité. 2 à 4 semaines.
03
Entraînement du modèle, calibration des seuils, mesure des taux de détection / faux positifs. Validation sur banc test. 3 à 5 semaines.
04
Câblage automate, triggers, interface opérateur, tests de charge. Mise en ligne sur la ligne cible. 2 à 4 semaines.
05
Monitoring drift, dashboard qualité temps réel, réentraînement planifié sur nouvelles données de production.
Démarrer
Décrivez-nous le contexte — type de pièce, cadence, nature des défauts — et nous vous répondons avec une première analyse de faisabilité sous 48h.