Le contexte : des défauts coûteux qui passent entre les mailles
Plastiform Industries* est une PME de 85 salariés spécialisée dans l'injection plastique pour l'automobile. Chaque jour, 50 000 pièces sortent de ses 12 presses. Le contrôle qualité était assuré par des opérateurs effectuant des inspections visuelles par échantillonnage.
* Nom modifié pour préserver la confidentialité
Malgré l'expérience des opérateurs, certains défauts passaient inaperçus :
- Micro-fissures : Inférieures à 0,5mm, invisibles sans loupe
- Variations de teinte : Imperceptibles sous l'éclairage de l'atelier
- Déformations subtiles : Écarts de quelques dixièmes de mm sur les cotes
"On contrôlait 5% des pièces. Statistiquement, des défauts passaient. Et quand le client automobile trouve un défaut, les pénalités sont lourdes : tri chez eux, arrêt de ligne potentiel..."
La solution : vision par ordinateur sur chaque pièce
Le système déployé repose sur des caméras haute résolution positionnées en sortie de presse, couplées à un algorithme de deep learning entraîné à reconnaître les défauts :
- Acquisition : Chaque pièce est photographiée sous 4 angles avec un éclairage contrôlé (LED + diffuseur)
- Analyse : L'algorithme CNN (Convolutional Neural Network) analyse l'image en 50ms
- Classification : La pièce est classée OK, NOK, ou "à vérifier" avec le type de défaut détecté
- Éjection : Les pièces NOK sont éjectées automatiquement vers un bac dédié
Ce que l'IA voit que l'humain ne voit pas
Capacités uniques de la vision IA
- Résolution sub-millimétrique : Détection de défauts de 0,1mm impossibles à voir à l'œil nu
- Constance absolue : Même performance à 6h du matin qu'à 22h, pas de fatigue
- Contrôle 100% : Chaque pièce est inspectée, pas d'échantillonnage
- Apprentissage continu : Le modèle s'améliore avec chaque nouveau type de défaut identifié
- Traçabilité : Chaque pièce est horodatée avec son résultat de contrôle
L'algorithme a été entraîné sur 50 000 images de pièces OK et 8 000 images de défauts (fissures, bulles, bavures, décolorations, etc.). Il continue d'apprendre avec les nouveaux cas.
Exemple concret : le défaut "invisible"
Trois mois après le déploiement, l'IA a commencé à rejeter des pièces apparemment parfaites. L'analyse a révélé des micro-cristallisations internes — un défaut de matière première invisible en surface mais détectable par une légère variation de réflexion lumineuse.
Ce défaut aurait causé des ruptures en conditions d'utilisation. L'IA l'a détecté avant même que l'équipe ne sache qu'il existait.
Les résultats après 12 mois
Le retour sur investissement a été atteint en 14 mois. Au-delà des économies directes, l'entreprise a gagné en crédibilité auprès de ses clients automobiles, qui exigent des certifications qualité strictes.
Les facteurs clés de succès
- Qualité des images d'entraînement : 6 semaines de collecte minutieuse avec annotation manuelle par les experts qualité
- Éclairage maîtrisé : L'installation lumineuse représente 30% du budget — c'est ce qui fait la différence
- Seuil ajustable : On peut régler la "sensibilité" selon le client (automobile = tolérance zéro, autres secteurs = plus souple)
- Feedback loop : Les pièces "à vérifier" sont analysées par un opérateur qui valide ou corrige, améliorant le modèle
Les limites à connaître
- Investissement initial : 80-150K€ selon la complexité (caméras, éclairage, intégration, formation du modèle)
- Temps de déploiement : 4-6 mois entre le projet et la mise en production
- Nouveaux produits : Chaque nouvelle référence nécessite une phase d'apprentissage
- Maintenance : Nettoyage régulier des optiques, recalibration périodique
"Ce n'est pas de la magie. C'est un outil qui nécessite une mise en place rigoureuse. Mais une fois opérationnel, il voit ce qu'on ne pouvait pas voir."
Vous avez des enjeux de contrôle qualité ?
Nous analysons votre process de production pour identifier si la vision IA est pertinente et estimer le ROI potentiel.
Demander un diagnostic Offert si projet lancé
