Caméras et deep learning pour repérer en temps réel corps étrangers, emballages défectueux et non-conformités.
Sur les lignes de conditionnement, le contrôle qualité repose encore largement sur des opérateurs visuels en bout de ligne. À cadence élevée (plusieurs centaines d'unités par minute), la fatigue visuelle entraîne des taux de détection variables selon l'heure et l'équipe, avec un risque de laisser passer des corps étrangers, des étiquetages erronés ou des emballages non scellés.
Le coût du statu quo se mesure en rappels produits, en réclamations clients et en non-conformités découvertes tardivement par les distributeurs, avec des pénalités contractuelles et un risque réputationnel. Les contrôles par échantillonnage statistique, souvent utilisés en complément, ne couvrent qu'une fraction de la production et retardent la détection des dérives de process.
Le projet démarre par la constitution d'une base d'images labellisées couvrant les défauts les plus fréquents et les plus coûteux, en collaboration avec les opérateurs qualité qui connaissent les typologies de non-conformités. Un modèle de détection d'objets de type YOLOv8 ou Faster R-CNN est entraîné pour localiser et classifier les anomalies sur chaque image capturée, avec une attention particulière à la gestion du déséquilibre des classes, les défauts étant rares par nature.
Pour les défauts subtils difficiles à cadrer par des boîtes englobantes (variations de couleur, textures anormales), un autoencodeur convolutif ou un modèle de détection d'anomalies par distance au score de reconstruction vient compléter le dispositif, en apprenant uniquement sur des images conformes.
Le modèle est déployé en périphérie (edge computing) sur des boîtiers industriels proches des caméras, pour respecter les contraintes de latence de la ligne. Un système de retour humain permet aux opérateurs de valider ou corriger les alertes, ce qui alimente un réentraînement périodique du modèle et limite la dérive.
Si le système permet de détecter en continu ce qui n'était échantillonné qu'à 10 ou 20 % auparavant, une part significative des non-conformités actuellement non détectées pourrait être interceptée avant expédition. En supposant qu'un tiers des réclamations qualité proviennent de défauts visuellement détectables, une réduction notable des rappels et pénalités distributeurs serait envisageable, sous réserve d'un taux de faux positifs maîtrisé pour ne pas pénaliser le débit de la ligne.
Pas toujours. Si les caméras actuelles offrent une résolution et une fréquence d'image suffisantes, elles peuvent être réutilisées. Un audit technique initial permet de le valider avant tout investissement matériel.
Le système peut déclencher une alerte opérateur pour inspection manuelle ou un arrêt automatique de la ligne selon la criticité configurée. Le seuil est défini conjointement avec les équipes production et qualité pour équilibrer sécurité et débit.
Une phase de calibration de quelques semaines est nécessaire, avec double contrôle humain et modèle en parallèle, avant de basculer en autonomie partielle. Cela sécurise la montée en confiance et limite les faux positifs initiaux.
Nous le cadrons, le construisons et le mettons en production. Ou nous formons vos équipes à le faire.
Nous utilisons des cookies de mesure d'audience et de suivi publicitaire pour comprendre la fréquentation du site et l'efficacité de nos annonces. Rien n'est déposé sans votre accord. En savoir plus