Cas industrie : qualité, logistique, maintenance

Pourquoi ce chapitre clôt la formation

Les chapitres précédents ont posé les briques : pipeline image, classification, détection, OCR, multimodalitémultimodalIAQualifie un modèle capable de traiter et de générer plusieurs types de données simultanément : texte, images, audio, vidéo. Les modèles multimodaux comme GPT-4o combinent la compréhension visuelle et linguistique.Voir dans le glossaire, qualité des donnéesdonnéesIAEnsemble d'informations structurées ou non utilisées pour entraîner, évaluer ou alimenter un modèle. La qualité, la quantité et la représentativité des données sont les facteurs décisifs pour les performances en apprentissage automatique.Voir dans le glossaire. Ce chapitre ne présente pas de nouvelle technique. Il montre comment ces briques s'assemblent dans trois familles de cas réels — qualité, logistique, maintenance — et surtout ce qui distingue un prototype qui fonctionne en démonstration d'un système qui tient en production, avec des pièces qui bougent, des opérateurs qui changent, et un coût réel attaché à chaque erreur.

C'est aussi le chapitre le plus utile pour arbitrer un projet : avant de choisir un modèle ou un fournisseur, il faut savoir dans quelle famille de cas on se trouve, car les exigences de fiabilité, de latence et de traçabilité en découlent directement.

Un taux de précisionprécisionIAProportion des alertes émises par un modèle qui sont justifiées. Elle s'oppose au rappel : améliorer l'une dégrade l'autre.Voir dans le glossaire de 98 % en laboratoire ne dit rien de la performance en production. Le système inclut l'éclairage, la mécanique de convoyage, la variabilité des pièces, l'intégration avec l'automate, et la procédure de traitement des cas incertains. La majorité des échecs de déploiement industriel viennent de cet environnement, pas du modèle.

Contrôle qualité : l'inspection visuelle automatisée

Le contrôle qualité par vision remplace ou complète l'inspection humaine sur des lignes de production à cadence élevée : rayures sur une pièce métallique, soudures défectueuses, étiquettes mal positionnées, défauts d'impression, présence ou absence d'un composant sur une carte électronique.

Les familles de défauts

On distingue généralement trois familles de défauts, qui appellent des approches différentes :

• Défauts géométriques — pièce manquante, mal orientée, dimension hors tolérance. Une détection d'objets ou une mesure par contour suffit souvent.
• Défauts de texture — rayure, tache, porosité, variation de teinte. Ces défauts n'ont pas de forme fixe : on utilise plutôt des modèles de détection d'anomalie entraînés uniquement sur des pièces conformes, qui signalent tout ce qui s'écarte de la norme apprise.
• Défauts sémantiques — étiquetteétiquetageIATravail consistant à associer à chaque exemple la réponse attendue. C'est presque toujours le poste le plus coûteux d'un projet d'apprentissage supervisé.Voir dans le glossaire illisible, référence incorrecte, code-barres endommagé. Ils relèvent de l'OCR et de la lecture de codes vus au chapitre dédié.

Le coût asymétrique des erreurs

En contrôle qualité, un faux négatif (défaut non détecté, pièce envoyée en aval ou au client) et un faux positif (pièce conforme rejetée à tort) n'ont presque jamais le même coût. Sur une ligne automobile ou aéronautique, laisser passer une pièce défectueuse peut déclencher un rappelrappelIAProportion des cas positifs réels effectivement détectés par un modèle. Sur un jeu déséquilibré, c'est un indicateur bien plus parlant que l'exactitude globale.Voir dans le glossaire produit ou un incident de sécurité ; le coût d'un faux positif se limite à une pièce réexaminée manuellement.

Cette asymétrie doit se traduire dans le réglage du seuil de décision, pas seulement dans le discours. Un seuil trop permissif optimise un taux de précision moyen flatteur tout en laissant passer les défauts les plus coûteux.

Une accuracy de 99 % sur un défaut qui n'apparaît que dans 1 % des pièces peut masquer un rappel systématique du défaut le plus grave. Il faut mesurer le rappel (recall) par catégorie de défaut, en priorité sur les défauts critiques, et non une moyenne agrégée qui dilue le signal.

Où placer la décision

Trois régimes de décision coexistent souvent sur une même ligne :

1. Rejet automatique — confiance élevée, défaut sans ambiguïté, coût d'un faux positif faible.
2. Mise à l'écart pour contrôle humain — zone d'incertitude, image transmise à un opérateur avec la zone suspecte surlignée.
3. Passage accepté — confiance élevée de conformité.

Ce triage réduit la charge humaine tout en conservant un filet de sécurité sur les cas ambigus, plutôt que de forcer le modèle à trancher seul sur des cas qu'il n'a pas les moyens de trancher.

Logistique : tri, comptage, traçabilité

En logistique, la vision par ordinateur intervient à plusieurs étapes : lecture de codes-barres ou QR codes sur convoyeur, OCR d'adresses ou de références, comptage de colis, détection de colis endommagés, vérification de palettisation, contrôle de conformité entre bon de commande et contenu réel d'un carton.

Lecture en mouvement

Contrairement à un scanner de caisse tenu par un opérateur, un système de tri lit des codes sur des objets en mouvement, sous des angles variables, parfois partiellement masqués. Les architectures robustes combinent :

• plusieurs caméras positionnées à des angles différents autour du convoyeur, pour couvrir les faces cachées ;
• une détection préalable de la zone d'intérêt (le code ou l'étiquette) avant la lecture proprement dite, plutôt qu'une lecture sur l'image entière ;
• une procédure de reprise ("no-read") qui dévie l'objet vers une voie de traitement manuel plutôt que de bloquer la ligne.

Sur un flux à fort volume, un taux de "no-read" de 1 à 3 % est réaliste même avec un système bien réglé. La question n'est pas de l'éliminer mais de prévoir une voie de traitement dédiée qui ne ralentit pas le flux principal. Un système qui n'a pas de plan pour ses propres échecs finit par s'arrêter entièrement dès le premier cas imprévu.

Comptage et vérification de contenu

Le comptage visuel de colis ou d'unités dans un carton ouvert combine détection d'objets et suivi (tracking) pour éviter les doubles comptages lorsque des objets se chevauchent ou ressortent puis rentrent dans le champ de la caméra. La vérification de conformité (comparer le contenu détecté à un bon de commande) ajoute une couche de règles métier au-dessus de la détection brute — le modèle vision fournit une liste d'objets identifiés, un moteur de règles compare cette liste à l'attendu.

Traçabilité

Un système logistique vision doit produire un enregistrement exploitable : horodatage, identifiant de colis, image source, décision prise. En cas de litige avec un transporteur ou un client sur un colis manquant ou endommagé, cet enregistrement est la seule preuve disponible. Un système qui ne conserve pas ces traces n'a pas de valeur probante, même s'il fonctionne bien au quotidien.

Maintenance : l'œil qui ne dort jamais

La maintenance visuelle utilise des caméras fixes, mobiles ou embarquées sur drone pour repérer des signes de dégradation avant qu'ils ne deviennent des pannes : corrosion sur une structure métallique, fissure sur une pale d'éolienne, fuite sur une canalisation, point chaud anormal sur une installation électrique, usure d'une courroie.

Deux logiques de capture

• Inspection périodique — un drone ou un opérateur parcourt une installation selon un calendrier fixe (trimestriel, annuel) et capture des images comparées à une inspection précédente pour détecter une évolution.
• Surveillance continue — une caméra fixe (souvent thermique) observe en permanence un équipement critique et déclenche une alerte dès qu'un seuil est dépassé.

La surveillance continue détecte plus tôt mais coûte plus cher en infrastructure ; l'inspection périodique convient aux installations dispersées ou difficiles d'accès (lignes haute tension, toitures, structures offshore).

Un modèle de détection d'anomalie entraîné sur des images de structures saines identifie les zones dont la texture s'écarte de la norme apprise, sans qu'il soit nécessaire de collecter des milliers d'exemples de corrosion réelle — rare et coûteuse à documenter en quantité suffisante. Un opérateur valide ensuite les zones signalées avant toute intervention, car un changement de peinture ou une salissure peut produire un signal similaire.

La difficulté propre à la maintenance

Contrairement au contrôle qualité, où les défauts sont fréquents et donc bien représentés dans les données d'entraînement, les événements de maintenance grave (fissure structurelle, défaillance imminente) sont rares. Un modèle entraîné classiquement en classification manque cruellement d'exemples positifs. C'est pourquoi la détection d'anomalie — apprendre la normalité, signaler l'écart — domine ce domaine plutôt que la classification supervisée classique vue au chapitre 4.

Une architecture technique commune

Malgré leurs finalités différentes, ces trois familles de cas partagent la même structure : capture, modèle, décision, retour terrain. Le schéma ci-dessous illustre le cycle de vie complet d'un système vision industriel, de la collecte initiale jusqu'au réentraînement.

Ce cycle a une implication opérationnelle directe : un projet vision industriel qui ne budgète pas la boucle de retour (supervision, ré-annotationannotationIAProcessus d'étiquetage manuel des données d'entraînement par des experts humains. La qualité de l'annotation conditionne directement les performances du modèle d'apprentissage supervisé.Voir dans le glossaire, réentraînement périodique) traite le déploiement comme une fin, alors que c'est un point de départ. La performance d'un modèle se dégrade avec le temps si rien ne referme la boucle.

Pièges récurrents

La dérive de données

Un modèle entraîné sur des images capturées en été, avec un éclairage naturel donné, peut voir sa performance chuter en hiver sous éclairage artificiel. De même, un changement de fournisseur de pièces, une nouvelle référence produit, ou un simple remplacement de caméra suffisent à faire dériver la distribution des données par rapport à celle de l'entraînement. Ce phénomène, la dérivedériveIADégradation progressive des performances d'un modèle après son déploiement, causée par l'évolution des comportements ou du contexte. Elle impose surveillance et réentraînement.Voir dans le glossaire de données, est la cause la plus fréquente de dégradation silencieuse d'un système en production — silencieuse, car rien ne plante : le système continue de répondre, juste moins bien.

Contrairement à une panne matérielle, une dérive de données ne déclenche aucune alerte système. Seul un suivi actif des métriques de performance en production (taux de rejet manuel, taux de désaccord entre modèle et opérateur) permet de la détecter avant qu'elle ne devienne coûteuse.

La sur-généralisation à partir d'un jeu de test trop propre

Un jeu de validation constitué uniquement de pièces bien éclairées, bien positionnées, sans salissure, donne une performance qui ne se reproduira jamais en atelier. Le jeu de testjeu de testIAPartie des données réservée à l'évaluation finale, à n'utiliser qu'une seule fois. Ajuster le modèle d'après ses résultats sur ce jeu lui ôte toute valeur de mesure indépendante.Voir dans le glossaire doit inclure délibérément les conditions dégradées — poussière, reflets, angles limites — que la ligne produira réellement.

L'intégration sous-estimée

Le modèle vision n'est qu'un composant. Le temps de développement réel se répartit souvent ainsi :

Les projets qui échouent sont rarement ceux où le modèle est faible ; ce sont ceux où l'intégration a été traitée comme un détail final plutôt que comme une part structurante du budget et du calendrier.

Checklist avant déploiement industriel

• Le coût d'un faux négatif et d'un faux positif a été chiffré et documenté, pas seulement discuté.
• Le seuil de décision est réglé sur cette asymétrie, pas sur l'accuracy globale.
• Une voie de traitement existe pour les cas incertains (rejet vers contrôle humain, "no-read", alerte à valider).
• Le jeu de validation inclut des conditions dégradées représentatives du terrain, pas uniquement des cas propres.
• Un suivi de performance en production est en place, avec une métrique de dérive suivie dans le temps.
• Une procédure de réentraînement périodique est budgétée, pas laissée à une décision ad hoc.
• Chaque décision automatisée qui déclenche une action physique ou commerciale est tracée et horodatée.

Gouvernance : qui répond de la décision ?

Dès qu'un système vision déclenche une action sans validation humaine — rejet d'une pièce, blocage d'un colis, arrêt d'une ligne — la question de la responsabilité se pose concrètement, pas en théorie. Trois éléments minimaux doivent être en place avant une mise en production sans supervision humaine systématique :

1. Traçabilité — chaque décision automatisée conserve l'image source, la confiance du modèle et l'horodatage.
2. Seuil de repli — en dessous d'un niveau de confiance défini, la décision bascule vers un opérateur plutôt que d'être prise seule.
3. Audit périodique — un échantillon des décisions automatisées est revu régulièrement par un humain, indépendamment de toute alerte, pour détecter une dérive que le système lui-même ne signale pas.

Ces exigences ne sont pas propres à un secteur réglementé : elles s'appliquent dès qu'une erreur du système a un coût réel, ce qui est le cas dans les trois familles vues dans ce chapitre.

Ce qu'il faut retenir en sortant de ce module

La vision par ordinateur appliquée à l'industrie ne se résume pas au choix d'un modèle de détection ou de classification. La différence entre un prototype et un système en production tient à la gestion du coût d'erreur, à la robustesse face aux conditions réelles du terrain, et à une boucle de retour qui maintient la performance dans le temps. Ces principes valent pour le contrôle qualité comme pour la logistique et la maintenance — seuls les enjeux et le coût de chaque type d'erreur changent d'un cas à l'autre.