La variable critique que la plupart des projets sous-estiment : l'éclairage
Le choix du modèle CNN est moins déterminant que le choix du dispositif d'éclairage. Un défaut de retassure sur une pièce noire en PP est invisible en éclairage frontal diffus, et parfaitement discernable en éclairage rasant à 15°. Ce n'est pas un détail de réglage — c'est une décision d'architecture que vous devez prendre avant de collecter le premier pixel d'image.
Les types d'éclairage à connaître pour la plasturgie :
- Coaxial : révèle les variations de réflectivité de surface (taches, inclusions). Aveugle aux reliefs.
- Rasant (angle < 20°) : révèle les défauts topographiques (retassures, bavures, manques de matière). Crée des ombres qui amplifient les creux.
- Rétroéclairage : silhouette nette pour le contrôle dimensionnel et la détection de bavures en bord de pièce.
- Multispectral (NIR, UV) : pour les défauts non visibles dans le spectre visible — contaminations, certaines inclusions.
La règle pratique : testez au moins 3 configurations d'éclairage sur un lot de pièces défectueuses représentatif avant de figer l'architecture. Ce test prend 2 jours et peut éviter 6 semaines de labellisation sur le mauvais dispositif.
Architecture d'acquisition : les choix qui structurent le projet
Nombre de caméras et points de vue
Identifiez d'abord les zones critiques de la pièce et les défauts à détecter par zone. En injection, les zones à risque sont connues : points d'injection, points de liaison (lignes de soudure), zones à parois minces, nervures profondes. Chaque zone critique non couverte par une caméra est une zone de contrôle aveugle — à documenter et assumer explicitement.
La couverture à 100 % des faces est rarement nécessaire — et coûteuse. Définir avec le responsable qualité quelles zones sont critiques (rebut si défaut) et quelles zones sont cosmétiques (retouche ou acceptation) permet de dimensionner le dispositif au juste nécessaire.
Synchronisation avec l'automate
Le trigger de déclenchement doit être synchronisé sur un signal déterministe de l'automate (signal éjection, fin de course, signal de présence pièce). Un trigger logiciel ou temporel introduit une gigue qui détériore la reproductibilité des acquisitions et, in fine, les performances du modèle. C'est une connexion câblée hardware — prévoir le câblage dès la conception.
Choix du modèle : classification vs. segmentation vs. détection d'anomalies
Classification binaire (conforme / non conforme)
Le cas le plus simple. Adapté quand les critères d'acceptation sont globaux (la pièce est acceptée ou rejetée dans son ensemble) et quand vous disposez d'un dataset équilibré de pièces conformes et non conformes. Performances élevées, inférence rapide (< 30 ms sur Jetson).
Limitation : ne localise pas le défaut. Le retour opérateur est binaire — pas d'information sur la zone ni le type de défaut.
Détection d'objets (YOLO, EfficientDet)
Localise et classe les défauts avec une bounding box. Adapté pour les défauts discrets (bavures localisées, inclusions ponctuelles). Nécessite une labellisation par bounding box — plus rapide que la segmentation pixel.
Segmentation sémantique (UNet, Mask R-CNN)
Localisation pixel par pixel. Adapté pour les défauts diffus (retassures, zones de décarburisation) ou quand la position précise du défaut conditionne l'acceptation. Dataset de labellisation plus lourd, inférence plus lente. Justifié quand le responsable qualité a besoin de la localisation pour décider.
Détection d'anomalies non supervisée (PatchCore, FastFlow)
Si vous n'avez pas de pièces défectueuses labellisées au démarrage — cas fréquent en démarrage de série ou pour les défauts rares. Le modèle apprend la distribution des pièces conformes et signale les écarts. Moins précis sur la classification des défauts, mais opérationnel rapidement. Utile comme première couche de détection, combiné avec un modèle supervisé sur les défauts les plus critiques.
L'arbitrage faux positifs / faux négatifs : le vrai travail du projet
C'est l'étape que les équipes techniques ont tendance à traiter comme un paramètre de réglage, alors que c'est une décision métier. Le compromis :
- Seuil bas (sensible) : peu de défauts passent. Mais le taux de faux positifs augmente — des pièces conformes sont rejetées. Coût : rebut injustifié, révision manuelle des rejetés, baisse de cadence.
- Seuil haut (spécifique) : peu de faux positifs. Mais des défauts réels passent. Coût : défauts chez le client, non-conformité IATF, pénalités.
La calibration du seuil doit être faite avec le responsable qualité sur la base du coût réel de chaque type d'erreur. Différencier les seuils par type de défaut (fissure critique vs. défaut cosmétique) est presque toujours justifié. Prévoir 2 à 3 semaines de production réelle pour stabiliser les seuils.
Intégration automate et traçabilité
La décision de conformité doit être communiquée à l'automate en temps réel (signal numérique pour éjection) et loggée de façon horodatée pour la traçabilité audit.
Pour les exigences IATF 16949 : chaque pièce doit avoir un enregistrement de contrôle consultable, avec horodatage, décision, score de confiance, et idéalement identifiant de la cavité de moule (si le moule est multi-empreintes). Un log vers le MES via REST est le moyen le plus fiable — ne pas dépendre d'un export fichier.
La gestion des changements de référence
Un système de vision sur ligne multi-références doit gérer les changements de moule sans re-paramétrage complet. L'architecture doit prévoir dès le départ un système de profils par référence — configuration d'acquisition (éclairage, trigger), modèle ou seuils associés. Le changement de profil doit être déclenché automatiquement depuis le MES ou manuellement depuis l'interface opérateur.
Sous-estimer cet aspect en conception force des modifications coûteuses en cours de projet ou après livraison.
Studio23
Vous évaluez un projet de vision industrielle ?
Décrivez-nous le type de pièce, les défauts à détecter et la cadence de la ligne. Nous analysons la faisabilité et proposons une architecture sous 48h.