Former votre système d’inspection par vision pour de nouvelles gammes de produits.

Permettez-moi de commencer par une remarque franche : le lancement d’une nouvelle ligne de produits constitue certes une belle étape, mais il peut aussi s’accompagner de sérieux désagréments. Votre système d’inspection visuelle ne connaît pas les nouveaux composants, et ignore tout autant ce qui caractérise une pièce conforme ou non conforme. Vous devez donc lui apprendre. Si vous procédez de façon inadéquate, vous risquez d’obtenir des rejets injustifiés, de manquer des défauts et de voir vos opérateurs fortement frustrés. La bonne nouvelle est que la formation d’un système d’inspection visuelle peut être rapide et sans complication, à condition de suivre les bonnes étapes.

La préparation commence par la collecte des échantillons

Avant même de toucher au système, vous devez rassembler vos échantillons. Il s'agit de l'étape la plus importante, et pourtant celle que les gens bâclent le plus souvent. Ne soyez pas cette personne.

Vous avez besoin de plusieurs types d'échantillons. Tout d'abord, collectez des pièces conformes. Vous aurez besoin de bien plus que quelques images de produits répondant à vos critères de qualité. Vous pourriez en avoir besoin de dizaines, voire de centaines. Plus vous disposez d'images, mieux le système comprendra ce à quoi ressemble une pièce acceptable. Ces pièces conformes doivent également couvrir les variations normales auxquelles vous vous attendez, telles que de légères différences de couleur, de petits décalages de position ou des changements mineurs de texture. Si votre jeu d'apprentissage ne comporte que des pièces parfaites, le système d'inspection visuelle rejettera tout ce qui présente la moindre différence, même si la pièce est tout à fait conforme.

Deuxièmement, rassemblez les pièces défectueuses. Établissez une liste exhaustive pour chaque type de défaut qui vous importe. Cette liste peut inclure des rayures, des fissures, des composants manquants, des couleurs erronées ou des étiquettes mal alignées. Plus la variété d’exemples de défauts est grande, mieux le système apprendra à identifier ce qu’il doit rechercher. Une étude a montré qu’un modèle pré-entraîné de détection de défauts pouvait s’adapter à de nouveaux produits après avoir reçu un nombre modéré d’échantillons nouveaux et une faible quantité d’ajustement fin. Toutefois, « modéré » ne signifie pas « minimal ». Un jeu de données de mauvaise qualité produira encore des résultats médiocres ; veillez donc à préparer des échantillons bien définis.

Utilisez la fonction Quick Teach pour un démarrage rapide

Une fois que votre jeu d’échantillons prêt, il est temps d’enseigner le système. Vous avez de la chance, car presque tous les systèmes modernes d’inspection visuelle disposent d’une fonction intégrée appelée Quick Teach ou « enseignement en un clic », ce qui simplifie grandement votre travail lors de l’ajout d’une nouvelle gamme de produits.

La fonctionnalité « Enseignement rapide » fonctionne en prenant une image de référence d'une pièce exempte de défauts et en réglant automatiquement les paramètres du système à partir de cette image. Le système analyse l'image de référence, mesure les caractéristiques clés et applique des tolérances. Vous n'avez pas besoin de saisir manuellement des valeurs numériques ni d'estimer l'emplacement des seuils. Le système effectue le travail le plus complexe à votre place.

Cette méthode convient bien pour inspecter rapidement un lot de pièces présentant toutes la même apparence. Par exemple, si vous inspectez des pièces métalliques embouties identiques ou des composants plastiques moulés, l'« Enseignement rapide » permet d'accomplir la tâche en quelques minutes au lieu de plusieurs heures. Certaines caméras modernes réduisent le temps de configuration, passant de plusieurs heures à seulement quelques minutes, en apprenant automatiquement à partir de quelques images échantillons. L'essentiel est de veiller à ce que votre image de référence soit une bonne représentation de l'apparence des pièces que vous vous attendez à voir dans le lot.

Passez à l'« Enseignement standard » lorsque les pièces varient

La fonctionnalité Quick Teach présente un inconvénient. Si vos pièces présentent une variabilité importante sur le plan visuel, Quick Teach aura tendance à rejeter un plus grand nombre de pièces conformes. Dans ce cas, le système doit apprendre à partir de plusieurs itérations de pièces.

La fonctionnalité Standard Teach fonctionne différemment. Au lieu d’utiliser une seule image de référence, vous faites passer un lot complet de pièces conformes dans le système. Le système d’inspection par vision analyse l’ensemble de ces pièces, mesure la variation naturelle et définit ses tolérances de manière à inclure toute cette plage de résultats acceptables. Ainsi, le système apprend ce à quoi ressemble une pièce conforme dans vos conditions réelles de production, et non pas uniquement dans un environnement de laboratoire idéal.

Il n’y a aucune limite au nombre d’échantillons que vous pouvez utiliser pendant le processus d’apprentissage (Teach). Plus vous montrez de pièces conformes au système, mieux il comprend ce qui est acceptable. Voici un conseil professionnel : n’utilisez que des pièces conformes lors d’un apprentissage standard. Si vous incluez par erreur une pièce non conforme, le système apprendra que ce défaut est acceptable, et vous vous retrouverez avec un véritable désordre.

Ajuster manuellement en cas de besoin

Parfois, l’apprentissage automatique ne suffit pas. Vos pièces peuvent présenter des caractéristiques complexes que le système peine à interpréter. Dans ces cas, vous devez ajuster manuellement les paramètres.

La plupart des systèmes d’inspection par vision permettent d’accéder aux outils et d’ajuster manuellement les paramètres. Vous pouvez modifier la zone d’intérêt, modifier les seuils de tolérance et affiner la logique de validation ou de rejet. Cette méthode prend plus de temps et requiert une certaine expérience, mais elle vous offre le contrôle le plus précis. Pour les applications haute précision, où même les erreurs les plus minimes comptent, l’ajustement manuel justifie pleinement cet effort supplémentaire.

Si vous travaillez sur un nouveau produit similaire à un ancien, vous pouvez parfois gagner beaucoup de temps en utilisant une inspection existante comme point de départ. Une étude sur l’apprentissage par transfert a montré qu’un modèle entraîné sur des produits anciens pouvait être adapté à de nouveaux produits avec seulement une quantité modérée de nouvelles données d’entraînement, tout en conservant une précision supérieure à 98 %. Cela signifie que vous n’êtes pas toujours obligé de repartir de zéro. Vous pouvez plutôt construire sur la base de modèles existants.

Mettre l’intelligence artificielle au service des inspections complexes

Les systèmes traditionnels d’inspection par vision reposent sur des règles fixes : la rayure mesure-t-elle plus de X millimètres ? La couleur se situe-t-elle en dehors de la plage Y ? Cela fonctionne bien pour les inspections simples. Toutefois, lorsque les défauts sont irréguliers, inconstants ou difficiles à décrire à l’aide de règles fixes, les systèmes conventionnels ont tendance à éprouver des difficultés.

L’inspection visuelle pilotée par l’IA révolutionne la donne. Plutôt que de suivre un ensemble prédéfini de règles, le système apprend à partir d’exemples. Vous lui montrez des centaines, voire des milliers, d’images représentant des pièces conformes et non conformes, et il identifie lui-même les motifs correspondants. L’inspection visuelle pilotée par l’IA est particulièrement avantageuse pour les fabricants souhaitant préserver la qualité de leurs produits et réduire au minimum les déchets. Elle s’adapte également très rapidement aux modifications apportées aux produits. Certaines plateformes combinent l’apprentissage supervisé et non supervisé par l’IA avec des outils fondés sur des règles afin de réduire le nombre de faux positifs et d’empêcher que des produits défectueux n’atteignent les clients.

Le grand avantage des systèmes actuels est qu’ils sont conviviaux. Certaines caméras intègrent désormais une intelligence artificielle embarquée qui apprend automatiquement à partir de quelques images d’exemple, éliminant ainsi la nécessité d’une configuration manuelle longue et fastidieuse. Des interfaces conviviales guident les opérateurs à chaque étape du processus de configuration, depuis le réglage de l’éclairage jusqu’à l’enregistrement des images de référence. Même les opérateurs disposant d’une expérience limitée en inspection visuelle peuvent créer des procédés d’inspection robustes.

Les essais et la validation sont essentiels

C’est ici que la plupart des personnes commettent des erreurs critiques. Elles entraînent le système, effectuent un test rapide, puis le mettent directement en production. C’est une erreur considérable.

Avant de laisser fonctionner sans surveillance votre système d’inspection visuelle, vous devez le valider correctement. Faites passer un lot de pièces connues comme bonnes et un lot de pièces connues comme défectueuses à travers le système. Vérifiez s’il détecte tous les défauts. Vérifiez s’il rejette des pièces conformes. Si votre taux de faux rejets est trop élevé, revenez sur vos tolérances et ajustez-les. Si votre taux de non-détection est trop élevé, ajoutez davantage d’échantillons défectueux à votre jeu d’apprentissage.

Une approche « preuve de concept » fonctionne bien dans ce cas. Commencez par un point d’inspection critique sur votre nouvelle ligne, plutôt que de tenter d’automatiser l’ensemble en une seule fois. Rassemblez votre jeu de données de référence composé d’échantillons bons et mauvais, évaluez la faisabilité, puis passez uniquement à l’échelle une fois cette étape validée. Réaliser correctement cette étape vous permettra, à terme, d’économiser beaucoup d’argent.

Prévoir une amélioration continue

L’entraînement d’un système d’inspection visuelle n’est pas un événement ponctuel. Vos produits évolueront. Vos fournisseurs changeront. Vos conditions de production varieront. Votre système d’inspection doit évoluer en conséquence.

Mettez en place un processus de formation continue. Chaque fois que vous identifiez un nouveau type de défaut que votre système a manqué, ajoutez ces images à votre jeu d’entraînement et réentraînez-le. Chaque fois que vous modifiez la conception d’un produit, mettez à jour vos images de référence. Certains systèmes avancés offrent des fonctionnalités d’apprentissage continu qui s’adaptent aux variations des produits au fil du temps. Plus vous entraînez votre système, plus il devient intelligent.

Les fabricants qui maîtrisent cette approche obtiennent des résultats tangibles. L’inspection visuelle assistée par IA permet une détection précoce des défauts, une analyse plus rapide des causes profondes et des informations exploitables en temps réel, ce qui améliore l’efficacité et réduit les pertes. YIHUI conçoit des équipements d’inspection visuelle en intégrant ces principes de formation, aidant ainsi les fabricants des secteurs de la mécanique, de l’électronique, de l’aérospatiale et de l’automobile à mettre en service plus rapidement de nouvelles lignes de production. Après tout, un système d’inspection visuelle n’est aussi performant que la qualité de la formation qu’on lui dispense. Faites-le correctement, et il protégera votre marque pendant de nombreuses années.