Chaque ligne de production a le même problème : les inspecteurs humains laissent passer des choses. Non pas parce qu'ils sont inattentifs, mais parce que la tâche est fondamentalement inhumaine — fixer des milliers de pièces identiques par heure, en cherchant des déviations sub-millimétriques.

Nous avons construit un système qui ne cligne pas des yeux.

Le Problème

Un fournisseur automobile européen effectuait des inspections manuelles sur trois équipes dans la ligne d'emboutissage. Le taux de défauts non détectés tournait autour de 2,3%, ce qui semble peu jusqu'à ce qu'on calcule le coût d'un rappel. Chaque défaut non détecté atteignant l'OEM déclenchait des pénalités, des coûts de reprise et des dommages relationnels qui s'accumulaient trimestre après trimestre.

Ils avaient déjà essayé des systèmes de vision basés sur des règles. Les résultats étaient décevants — trop de faux positifs faisaient que les opérateurs ignoraient complètement les alarmes.

Notre Approche

Nous avons implémenté un pipeline de computer vision multi-étapes utilisant le moteur d'inférence de Cognity :

  • Phase 1 : Screening à haute vitesse — Un modèle léger exécuté sur du matériel edge classifie les pièces comme passe/révision/rebut à la vitesse de la ligne (1 200 pièces/heure). Latence sous les 15ms.
  • Phase 2 : Analyse détaillée — Les pièces signalées pour révision sont acheminées vers une station secondaire où un modèle à résolution supérieure examine la géométrie de surface, l'uniformité du revêtement et les tolérances dimensionnelles.
  • Phase 3 : Apprentissage continu — Chaque override de l'opérateur alimente le pipeline d'entraînement. Le système s'améliore chaque semaine.

L'Architecture

Les nœuds edge exécutent des modèles quantifiés sur du matériel NVIDIA Jetson. Les données brutes d'images sont transmises à l'instance Cognity on-premise pour l'entraînement et l'analytics, mais l'inférence se fait entièrement en edge — aucune dépendance au cloud, aucun pic de latence.

Réseau de Caméras → Nœud Edge (inférence) → Intégration PLC → Contrôle de Ligne
                        ↓
                  Cognity Hub (entraînement, analytics, mises à jour des modèles)

Nous nous sommes intégrés directement à l'infrastructure PLC existante via OPC-UA, ce qui a signifié zéro modification de la logique de contrôle de la ligne. Le système de vision agit comme un conseiller — il signale, mais le PLC prend la décision arrêt/marche en fonction de seuils configurables.

Résultats

Après 90 jours en production :

  • Taux de défauts non détectés : 2,3% → 0,14%
  • Taux de faux positifs : Sous les 0,5% (en baisse par rapport aux 12% avec le précédent système basé sur des règles)
  • Débit d'inspection : Augmentation 3x — un opérateur couvre désormais trois lignes
  • Retour sur investissement : 4,2 mois

La métrique la plus significative n'était pas dans le tableau de bord. C'était le changement de comportement des opérateurs. Au lieu d'ignorer les alarmes, ils ont commencé à faire confiance au système. Quand il signalait quelque chose, ils enquêtaient. Ce cycle de confiance est ce qui fait la différence entre une démo technologique et un système en production.

Ce Que Nous Avons Appris

Trois choses nous ont surpris :

  1. L'éclairage compte plus que l'architecture du modèle. Nous avons consacré plus de temps au design du réseau LED et au positionnement des diffuseurs qu'au tuning du réseau de neurones. Un éclairage constant a éliminé 60% des faux positifs avant même de toucher au modèle.

  2. Les opérateurs sont les meilleurs annotateurs. Leur expertise de domaine a produit des données d'entraînement d'ordres de grandeur supérieures à l'annotation participative. Nous avons construit une interface d'étiquetage simple directement dans la station d'inspection.

  3. La partie difficile est l'intégration, pas l'IA. Faire communiquer le système de vision avec un PLC de 15 ans via OPC-UA avec des exigences de timing déterministe a été le vrai défi d'ingénierie. L'entraînement du modèle a été la partie facile.

Perspectives

Nous étendons maintenant ce système pour couvrir l'inspection des soudures et la détection des défauts de peinture. L'architecture est la même — inférence edge, entraînement centralisé, intégration PLC. Les modèles sont différents, mais le pipeline est éprouvé.

Si votre ligne de production repose encore sur l'inspection visuelle humaine pour le contrôle qualité, la technologie pour changer cela est mature et déployable. La question n'est pas si la vision IA fonctionne dans la production. Elle fonctionne. La question est à quelle vitesse vous pouvez l'intégrer dans votre infrastructure existante sans interrompre la production.

C'est le problème que nous résolvons.