La vision par ordinateur a énormément progressé, mais le taux d'échec des projets de vision industrielle n'a pas baissé dans les mêmes proportions — ce qui montre où se situe réellement la difficulté.
Le problème se situe en amont du modèle
Le réflexe, quand un système de vision sous-performe, est d'améliorer l'algorithme. En contexte industriel, ce n'est généralement pas le bon levier.
L'éclairage est la variable principale. Ce que l'on peut voir dépend de la façon dont l'objet est éclairé. Contre-jour, lumière diffuse, éclairage directionnel, lumière structurée, longueurs d'onde spécifiques : chacun révèle des caractéristiques différentes. Un défaut invisible dans une configuration devient évident dans une autre, et l'écart dépasse de loin toute amélioration algorithmique.
L'optique et la géométrie comptent tout autant. Résolution au niveau de la pièce, profondeur de champ, distance de travail, perspective. Si le défaut est plus petit qu'un pixel, aucun modèle ne le trouvera.
La présentation de la pièce. Si l'objet arrive toujours dans la même position et la même orientation, le problème devient bien plus simple. Le montage mécanique coûte souvent moins cher que la modélisation.
Beaucoup de ce que l'on résout avec un réseau de neurones aurait pu l'être avec un autre éclairage et un montage adapté — plus vite, moins cher et de façon plus fiable.
Cela inverse le réflexe de recrutement habituel. La compétence rare n'est pas un ingénieur en machine learning de plus. C'est quelqu'un capable de composer une scène pour que l'information recherchée soit réellement présente dans l'image.
Ce que couvre cette direction
Le périmètre : caméras et traitement d'image, reconnaissance d'objets, perception spatiale et fusion de capteurs.
Quatre domaines.
Les fondamentaux de l'imagerie. Caméras, capteurs, objectifs, éclairage et la physique qui permet d'obtenir une image exploitable. La partie qui conditionne tout le reste.
Le traitement d'image classique. Filtrage, seuillage, analyse de contours et de blobs, mise en correspondance de modèles, calibration. Déterministe, explicable, rapide, et suffisant pour une grande partie des tâches industrielles.
Les méthodes apprises. Détection, segmentation et classification, pour les problèmes qui résistent à une description explicite.
La 3D et la fusion de capteurs. Stéréovision, lumière structurée, temps de vol et lidar, ainsi que la combinaison de la vision avec d'autres capteurs — ce qui alimente ensuite les directions liées à l'autonomie.
Un point à garder en tête pour cadrer un projet : les méthodes classiques restent la bonne réponse pour de nombreuses applications industrielles, parce qu'elles sont déterministes et que leurs modes de défaillance sont prévisibles. Une équipe qui recourt à l'apprentissage pour chaque problème construit quelque chose de plus difficile à valider que nécessaire.
Pourquoi une bonne démo tourne mal en production
Cinq mécanismes précis, tous prévisibles.
L'éclairage dérive. Les lampes vieillissent et s'affaiblissent. La lumière du jour change selon l'heure et la saison. Un système mis en service en hiver se comporte différemment en juillet. Un éclairage contrôlé et confiné est la parade habituelle, et elle est souvent sacrifiée pour des raisons de coût.
La scène s'encrasse. Les objectifs accumulent poussière, huile et brouillard de liquide de refroidissement. La performance se dégrade progressivement, si bien que personne ne le remarque avant que ce soit sérieux.
Le produit change. Un nouveau fournisseur, une finition légèrement différente, une couleur de lot différente. Le système a été réglé sur ce qui existait à l'époque.
Vibrations et dérive de position. Un support de caméra qui bouge légèrement modifie la géométrie sur laquelle reposait la calibration.
Les données d'entraînement n'étaient pas représentatives. Collectées sur une courte période, dans de bonnes conditions, sans la variabilité que produit réellement la ligne.
Ces cinq causes relèvent toutes de la dérive de distribution, le même phénomène décrit dans l'article sur l'IA médicale de cette rubrique. Un système apprend les conditions dans lesquelles il a été construit, et ces conditions évoluent.
Pour les équipes, la conséquence est que la surveillance continue est un besoin de personnel permanent et non une tâche de projet, et que quelqu'un doit rester responsable de la performance après la mise en service.
La place de cette direction dans le domaine
Vision par ordinateur et perception machine est la cinquième des neuf directions du domaine Robotique et systèmes autonomes d'Astra Trainer. Elle sous-tend les véhicules autonomes et les drones, qui dépendent de la perception, et se situe aux côtés de la robotique industrielle, où le picking guidé par vision et l'inspection sont les deux applications les plus courantes.
Pour les partenaires qui abordent ce sujet côté logiciel, le domaine IA, données et informatique couvre l'intelligence artificielle et le machine learning, ainsi que la data science et l'analytique. Le tandem qui fonctionne vraiment associe compétence en imagerie/optique et compétence en machine learning, et les organisations disposent généralement déjà de la seconde. Vous pouvez consulter les neuf directions ici.
L'inspection, et de nouveau le problème du taux de base
L'application industrielle la plus courante, et celle dont les annonces de performance sont le plus souvent mal interprétées.
L'inspection des défauts est un problème d'événement rare. Dans un procédé bien maîtrisé, les défauts sont peu fréquents, ce qui change le sens de n'importe quel chiffre de précision.
Si les défauts sont rares et que le système signale à tort un faible pourcentage de bonnes pièces comme défectueuses, le lot signalé sera composé en majorité de bonnes pièces. Le système peut afficher une excellente précision tout en générant surtout de fausses alertes, ce qui pousse les opérateurs à ne plus lui faire confiance, puis à l'ignorer.
C'est exactement le problème de taux de base évoqué dans l'article sur l'épidémiologie, et il s'applique ici avec la même intensité.
Trois conséquences pratiques.
Exigez la performance au taux de défaut réel, pas sur un jeu de test équilibré. Une démonstration fournisseur sur un jeu de données à parts égales de bonnes et mauvaises pièces ne dit presque rien du comportement réel sur la ligne.
Déterminez quelle erreur est la plus grave et réglez le système en conséquence. Laisser passer un défaut et rejeter une bonne pièce n'ont pas le même coût, et ce choix relève de la décision métier plutôt que de la technique.
La collecte de données est la contrainte limitante. L'inspection apprise a besoin de nombreux exemples de chaque type de défaut, et une usine bien tenue n'en produit pas beaucoup. Les équipes sous-estiment systématiquement le temps nécessaire pour constituer une bibliothèque de défauts exploitable, et c'est la raison la plus fréquente de blocage des projets d'inspection.
Les métiers, nommément
Ingénieurs en vision industrielle. Vision industrielle au sens large : optique, éclairage et application. La combinaison rare.
Intégrateurs de systèmes de vision. Spécification et mise en service des systèmes sur des lignes réelles.
Ingénieurs en vision par ordinateur. Plus orientés logiciel, dans l'autonomie et le développement produit.
Ingénieurs imagerie et optique. Spécialistes de la partie qui détermine le résultat.
Responsables d'annotation de données. Pilotage de l'étiquetage dont dépendent les systèmes appris, un rôle plus déterminant que son statut ne le laisse penser.
Ingénieurs qualité avec compétence vision. Ils relient l'inspection au système qualité.
Ingénieurs perception dans les systèmes autonomes, où ce domaine rejoint les directions véhicules et drones.
Techniciens de maintenance vision. Ils maintiennent la performance des systèmes après la mise en service, un poste presque jamais anticipé.
Qui peut être formé pour ce métier
Les contrôleurs qualité. Le vivier le plus négligé. Ils savent à quoi ressemble un défaut, quels types de défauts comptent, comment ils varient et lesquels sont esthétiques plutôt que fonctionnels. C'est exactement ce que demande un projet de vision et ce qu'un ingénieur en machine learning ne peut pas apporter — et c'est la partie qui prend des années à acquérir.
Ingénieurs automatismes et contrôle-commande. Ils intègrent déjà des capteurs dans les systèmes de production et n'ont plus qu'à acquérir la couche imagerie.
Photographes et techniciens de l'image. Une reconversion inhabituelle mais réellement pertinente, car ils maîtrisent intuitivement l'éclairage et l'optique — la moitié qui manque le plus souvent aux équipes logicielles.
Ingénieurs logiciels. Vers le volet algorithmique, avec à acquérir la couche physique : comprendre qu'une image est une mesure où bruit, géométrie et éclairage sont déjà intégrés.
Techniciens de maintenance. Vers le maintien en condition opérationnelle des systèmes déployés, là où la valeur se perd le plus souvent.
Personnel de métrologie et de mesure. Ils raisonnent déjà en calibration, répétabilité et incertitude de mesure — des notions qui se transposent directement.
Quand la vision engage la sécurité ou la conformité réglementaire. Une vision utilisée comme fonction de sécurité, par exemple pour la détection de présence dans un dispositif de protection de machine, doit respecter les exigences de sécurité fonctionnelle et ne peut pas être assemblée à partir de composants génériques sans satisfaire ces normes. L'inspection par vision dans une production réglementée, y compris pharmaceutique ou de dispositifs médicaux, exige une validation dans le cadre du système qualité applicable. La formation construit une compréhension technique. Elle ne confère ni certification de sécurité fonctionnelle ni autorité de validation.
Ce qu'il faut en retenir
La plupart des problèmes de vision industrielle se règlent au niveau de l'éclairage, de l'objectif et du montage, pas dans le modèle — ce qui inverse le réflexe de recrutement habituel.
Les méthodes classiques sont déterministes et suffisent pour de nombreuses tâches industrielles ; recourir à l'apprentissage pour chaque problème crée une difficulté de validation qui n'était pas nécessaire.
Les systèmes déployés se dégradent sous l'effet de la dérive de l'éclairage, de l'encrassement, des changements de produit, des mouvements de support et de données d'entraînement non représentatives. Ces cinq causes sont prévisibles, et la surveillance est un rôle permanent.
L'inspection des défauts est un problème d'événement rare : exigez la performance au taux de défaut réel, et attendez-vous à ce que la collecte de données soit la contrainte.
Et vos contrôleurs qualité détiennent la connaissance des défauts dont dépend tout le projet. Les photographes, curieusement, détiennent l'autre moitié.
Pourquoi les projets de vision industrielle échouent-ils ?
Généralement en amont de l'algorithme. L'éclairage, l'optique et la présentation de la pièce déterminent si l'information recherchée est réellement présente dans l'image — aucun modèle ne peut récupérer une information qui n'a jamais été captée.
Faut-il toujours utiliser le machine learning ?
Non. Le traitement d'image classique est déterministe, rapide et explicable, et il suffit pour une grande partie des tâches industrielles. Les méthodes apprises sont réservées aux problèmes qui résistent à une description explicite, et elles sont plus difficiles à valider.
Pourquoi une bonne démo échoue-t-elle sur la ligne ?
L'éclairage dérive, les objectifs s'encrassent, les produits changent, les supports bougent, et les données d'entraînement capturent rarement la variabilité réelle. C'est la même dérive de distribution qui affecte tout modèle déployé.
Pourquoi la précision de l'inspection des défauts est-elle trompeuse ?
Parce que les défauts sont rares dans un procédé bien maîtrisé. Un système affichant une précision élevée peut quand même signaler surtout de bonnes pièces, ce qui détruit la confiance des opérateurs. Exigez la performance au taux de défaut réel.
Qui se reconvertit le mieux vers les métiers de la vision ?
Les contrôleurs qualité, qui savent à quoi ressemblent réellement les défauts et lesquels comptent, ainsi que les photographes et techniciens de l'image, qui maîtrisent l'éclairage et l'optique. Le personnel de métrologie transpose directement ses acquis en calibration et incertitude.