Contrôle par vision industrielle : éclairage, caméras, algorithmes
Un projet de contrôle par vision commence presque toujours par le choix d'une caméra. C'est le mauvais bout. L'éclairage décide de ce que l'image montre ; l'algorithme ne fait qu'exploiter ce qu'on lui donne.
Un projet de contrôle par vision industrielle commence presque toujours par le même réflexe : choisir une caméra, souvent la plus résolue que le budget permet. Quelques semaines plus tard, l’équipe découvre que la rayure à détecter n’apparaît pas sur les images, ou qu’elle apparaît sur une pièce et pas sur la suivante. Le problème n’était pas la caméra. Il était dans la lumière.
Ce guide suit l’ordre qui évite ces détours : rendre le défaut visible, le capter avec la bonne résolution, choisir l’algorithme qui convient, puis valider et intégrer le système à la ligne.
Partir du défaut, pas du matériel
Avant tout choix technique, il faut une description écrite de ce que le système doit voir, et un lot de pièces réelles. Les deux sont indispensables : la description fixe les critères, les pièces montrent la variabilité que la description oublie.
- Décrire chaque défautNature (rayure, manque, bavure, tache, erreur de marquage), taille minimale à détecter, zone de la pièce, gravité. Une rayure de 0,1 mm sur une face visible n’a pas la même importance que sur une face cachée.
- Fixer les conditions de ligneCadence, vitesse de défilement, position et orientation des pièces, distance disponible, vibrations, poussières, lumière ambiante. Ces contraintes éliminent d’emblée certaines solutions.
- Constituer un lot de référenceDes pièces bonnes, des pièces avec chaque type de défaut, et des cas limites sur lesquels les contrôleurs humains hésitent eux-mêmes. Ce lot servira aux essais d’éclairage, puis à la validation.
- Définir ce qu’est un résultat acceptableQuel taux de défauts manqués est tolérable, quel taux de faux rejets la production peut absorber. Ces deux chiffres, fixés avant les essais, arbitreront tous les réglages.
L’éclairage décide de ce que l’image montre
Une caméra ne voit pas un défaut : elle voit un contraste. Le rôle de l’éclairage est de créer un contraste fort sur le défaut et faible partout ailleurs. Quatre géométries couvrent l’essentiel des besoins.
Le rétroéclairage place la pièce entre la source et la caméra : il donne une silhouette nette, idéale pour mesurer des contours ou vérifier la présence de trous. L’éclairage direct, souvent annulaire autour de l’objectif, convient aux marquages et aux contrôles de couleur sur des surfaces mates. L’éclairage rasant, presque parallèle à la surface, fait ressortir le relief : rayures, gravures, bosses, caractères frappés. Le dôme diffus enveloppe la pièce d’une lumière uniforme et supprime les reflets sur les surfaces brillantes ou bombées, au prix d’une perte du relief. D’autres montages existent (éclairage coaxial pour les surfaces planes réfléchissantes, lumière structurée ou laser pour mesurer en trois dimensions), mais ces quatre-là règlent la majorité des cas.
Deux réglages complètent la géométrie. La couleur de la lumière renforce ou atténue certains contrastes : une lumière de la même couleur qu’un marquage l’efface, une lumière complémentaire le fait ressortir. Les filtres, polarisants ou colorés, réduisent les reflets et l’influence de la lumière ambiante, souvent sous-estimée dans un atelier vitré.
La seule méthode fiable reste l’essai. Une demi-journée avec le lot de référence et trois ou quatre éclairages différents en dit plus que n’importe quelle fiche technique.
Caméra et optique : un calcul, pas un pari
La résolution se déduit de deux grandeurs : le champ à couvrir et le plus petit détail à voir. Une règle empirique courante veut que le plus petit défaut à détecter couvre au moins trois à quatre pixels. Pour un champ de 100 mm et un défaut de 0,2 mm, il faut donc environ 1 500 à 2 000 pixels sur cet axe. Pour une mesure dimensionnelle, l’exigence est plus forte : la taille d’un pixel doit être nettement inférieure à la tolérance à vérifier.
Plusieurs choix suivent. Une caméra matricielle prend une image entière à chaque déclenchement ; elle convient aux pièces discrètes. Une caméra linéaire capte une ligne à la fois et reconstitue l’image au défilement ; elle s’impose pour les produits continus (bandes, films, textiles, papier) ou les objets cylindriques que l’on fait tourner. Pour des pièces en mouvement, un capteur à obturation globale évite les déformations. Et pour mesurer sans erreur de perspective, un objectif télécentrique garde la même taille apparente quelle que soit la distance de la pièce, dans sa plage de travail.
L’optique mérite autant d’attention que le capteur. Un objectif médiocre devant un capteur très résolu donne une image floue sur beaucoup de pixels, et des fichiers lourds pour rien.
Trois familles d’algorithmes
Le choix de l’algorithme dépend de la nature du défaut et des exemples disponibles. Aucune famille n’est supérieure en général.
| Règles classiques | Apprentissage supervisé | Détection d’anomalies | |
|---|---|---|---|
| Principe | Seuillage, mesure de contours, recherche de modèle, lecture de codes | Un réseau apprend à reconnaître des défauts à partir d’exemples étiquetés | Un modèle apprend l’aspect des pièces bonnes et signale tout écart |
| Convient à | Dimensions, présence, position, codes, caractères nets | Défauts d’aspect variables mais connus et classables | Défauts rares, imprévus ou très divers |
| Données nécessaires | Quelques images pour régler | Beaucoup d’exemples de chaque défaut, étiquetés de façon cohérente | Surtout des pièces bonnes, quelques défauts pour vérifier |
| Validation | Simple : chaque règle s’explique | Exige un jeu de test indépendant et suivi | Seuil délicat à régler ; l’écart signalé n’est pas toujours qualifié |
| Point de vigilance | Fragile face aux variations d’aspect | Le coût d’étiquetage, souvent sous-estimé | Faux rejets si la production varie normalement |
Les systèmes robustes combinent souvent les trois : des règles pour localiser la pièce et mesurer, un modèle appris pour juger l’aspect, et parfois une détection d’anomalies en garde-fou. L’étiquetage mérite un soin particulier : si deux contrôleurs ne classent pas les mêmes images de la même façon, aucun modèle ne fera mieux qu’eux.
Valider sur la ligne, puis tenir dans la durée
Un contrôle par vision commet deux types d’erreur. Le faux rejet écarte une pièce bonne : il coûte de la matière, du temps de reprise, et finit par user la confiance des équipes. Le défaut manqué laisse passer une pièce mauvaise : il coûte un client mécontent, un rappel, parfois un accident. Les deux se règlent l’un contre l’autre ; c’est pourquoi les seuils acceptables doivent avoir été fixés au départ.
Un taux de réussite global affiché sur une démonstration ne dit rien de ces deux erreurs prises séparément. Sur une production où les défauts sont rares, un système qui déclarerait toutes les pièces bonnes afficherait un excellent taux de réussite. Exigez toujours les deux chiffres, mesurés sur vos pièces.
La validation reprend les méthodes d’analyse des systèmes de mesure : passer plusieurs fois le lot de référence, dans des positions et à des moments différents, comparer les verdicts du système à ceux des contrôleurs, vérifier la répétabilité. Elle se refait à chaque changement de produit, de fournisseur de matière, d’éclairage ou de version du modèle.
En production, l’intégration avec l’automate de la ligne compte autant que l’image : déclenchement synchronisé sur la position de la pièce, transmission du verdict par entrées-sorties ou par réseau industriel, éjection fiable, conservation des images des pièces rejetées pour l’analyse. Ces images, revues régulièrement, sont le meilleur indicateur de dérive : un éclairage qui vieillit, une optique encrassée, une matière qui change.
Ces questions de raccordement relèvent de notre expertise industrie et automates ; notre dossier sur les automates programmables et le système d’information détaille les protocoles et l’architecture qui permettent de faire remonter verdicts et images vers les outils qualité.
Pour approfondir : IA d’entreprise
Questions fréquentes
Faut-il de l'intelligence artificielle pour un contrôle par vision ?
Pas toujours. Les mesures de dimensions, la vérification de présence, la lecture de codes ou de caractères bien imprimés relèvent très bien d'algorithmes classiques, plus simples à valider. L'apprentissage profond se justifie pour des défauts d'aspect variables, difficiles à décrire par des règles : rayures, taches, défauts de texture, produits naturels.
Combien d'images faut-il pour entraîner un modèle de détection de défauts ?
Il n'y a pas de nombre universel. Un modèle supervisé a besoin d'exemples de chaque type de défaut, en quantité suffisante et étiquetés de façon cohérente ; c'est souvent le point bloquant, car les défauts sont rares. Les méthodes de détection d'anomalies, entraînées surtout sur des pièces bonnes, réduisent ce besoin mais signalent un écart sans toujours le qualifier.
Un contrôle par vision peut-il remplacer entièrement le contrôle humain ?
Sur des critères bien définis et stables, il peut contrôler toutes les pièces à cadence, ce qu'un opérateur ne peut pas faire. Il reste prudent de garder un contrôle humain sur les pièces rejetées, de suivre les dérives et de revalider le système à chaque changement de produit, de matière ou d'éclairage ambiant.