Contrôle qualité dans l’industrie manufacturière : méthodes traditionnelles et méthodes d’apprentissage profond

Le contrôle qualité est une étape essentielle de la fabrication, qui garantit que les produits respectent les normes de qualité requises. Cependant, évaluer la qualité à l’aide de méthodes d’inspection traditionnelles peut coûter cher à mesure que la complexité des produits augmente.

Les fabricants se tournent vers des techniques d’inspection fondées sur l’apprentissage profond, comme la détection d’objets et la segmentation sémantique, pour réduire les coûts d’inspection. L’apprentissage profond est un sous-domaine de l’intelligence artificielle (AI) qui utilise des algorithmes informatiques appelés réseaux de neurones pour identifier des motifs complexes dans les données. Ces techniques contribuent à automatiser le processus d’inspection et à réduire la dépendance aux inspecteurs humains en analysant de vastes jeux de données, notamment des images et des vidéos.

Grâce à sa polyvalence et à son rapport coût-efficacité, l’assurance qualité basée sur l’IA améliore considérablement la rentabilité des entreprises. Selon des rapports, l’industrie manufacturière pourrait tirer plus de 3 000 milliards de dollars de l’IA d’ici 2035.

Cet article explique comment les méthodes d’apprentissage profond peuvent améliorer le contrôle qualité et comment Ultralytics YOLO11 peut renforcer l’inspection dans plusieurs secteurs.

Qu’est-ce que le contrôle qualité dans l’industrie manufacturière ?#

Le contrôle qualité consiste à vérifier si un produit présente des défauts, des anomalies ou des irrégularités avant d’arriver chez le consommateur.

Le contrôle peut avoir lieu pendant la production, lorsque le produit avance sur une chaîne de montage, ou après la production, mais avant que les articles ne passent sur la ligne de distribution.

Souvent, des experts réalisent des évaluations visuelles pour déterminer si le produit s’écarte des normes de conception souhaitées ou ne les respecte pas.

Cependant, à mesure que les exigences de qualité augmentent, les fabricants adoptent des approches automatisées basées sur l’apprentissage profond afin de gagner en agilité et en évolutivité.

Que sont les approches d’apprentissage profond ?#

Les approches d’apprentissage profond utilisent des réseaux de neurones artificiels qui fonctionnent selon les principes du cerveau humain. Ces réseaux sont constitués de couches de neurones interconnectées. Chaque neurone effectue un calcul mathématique pour analyser les données, identifier des motifs et produire une prédiction.

Fig. 1. Réseau neuronal artificiel.

Pour le contrôle qualité, les modèles d’apprentissage profond comprennent des cadres de vision par ordinateur qui apprennent et extraient automatiquement des caractéristiques à partir d’images de produits.

La création de modèles de vision par ordinateur nécessite que des experts entraînent un réseau neuronal sur des ensembles de données pertinents, puis effectuent des validations sur un nouvel ensemble de données pour vérifier ses performances.

Après validation, les experts peuvent déployer ces modèles sur des caméras et des capteurs à l’aide de différents outils de déploiement, comme TorchScript, ONNX et OpenVINO.

Approches d’apprentissage profond pour le contrôle qualité#

Le contrôle qualité basé sur la vision utilise plusieurs méthodes pour détecter et localiser les dommages, les fissures et les éléments manquants. La liste ci-dessous présente quatre approches modernes d’apprentissage profond.

Classification binaire#

La classification binaire consiste à répartir des images entre deux classes, par exemple pour déterminer si un objet présente ou non un défaut.

À partir de données visuelles, un modèle de classification renvoie une décision binaire par oui ou non. Ces modèles aident à détecter les éléments manquants. Par exemple, un modèle de classification peut déterminer si un élément manque dans un produit.

Fig. 2. Classification binaire d’une pièce automobile.

Classification multiclasse#

La classification multiclasse consiste à répartir des images entre plus de deux classes. Elle attribue chaque image à l’une de plusieurs catégories prédéfinies.

Par exemple, un modèle de classification multiclasse peut analyser l’image d’un produit et renvoyer des probabilités pour plusieurs types de dommages ou de fissures, en indiquant le type le plus susceptible d’être présent.

Fig. 3. Classification multiclasse détectant la forme et la couleur.

Cette méthode est utile dans l’industrie manufacturière, où différents défauts, comme les rayures, les bosses ou les fissures, peuvent nécessiter des procédures de traitement distinctes.

Localisation#

La localisation consiste à identifier l’emplacement précis d’un objet ou d’une caractéristique dans une image. Elle utilise des modèles de détection d’objets pour prédire des boîtes englobantes ou des coordonnées qui délimitent la zone endommagée.

Cette approche est utile pour des tâches comme la détection de fissures dans des bâtiments ou des pièces industrielles, où l’emplacement précis d’un défaut est nécessaire pour effectuer des réparations ciblées.

Fig. 4. Modèle localisant un trou de poinçonnage.

Par exemple, dans le cadre de la maintenance des infrastructures, les modèles de localisation peuvent analyser des images d’une structure en béton et marquer l’emplacement exact d’une fissure.

Localisation multiclasse#

La localisation multiclasse identifie et localise plusieurs défauts dans une image, tout en classant chacun d’entre eux dans l’une de plusieurs catégories prédéfinies.

Cette méthode utilise des modèles de détection d’objets plus avancés pour déterminer le type et l’emplacement d’un défaut et fournir des informations plus détaillées.

Fig. 5. Modèle localisant plusieurs types de défauts.

Par exemple, un modèle de localisation multiclasse peut analyser l’image d’un article endommagé et indiquer le type de défaut, comme une rayure ou une fissure, ainsi que ses coordonnées exactes sur l’objet.

Approches traditionnelles et approches d’apprentissage profond#

Les méthodes d’inspection traditionnelles sont plus rigides et suivent des règles et des normes définies par l’utilisateur, comme des seuils, des listes de contrôle prédéfinies et des critères de réussite ou d’échec.

Par exemple, dans les techniques de vision basées sur des règles, des experts définissent la couleur, la forme et la taille idéales d’un produit donné. Le système avertit les experts si une caméra ou un autre dispositif de capture d’images détecte des écarts par rapport à ces normes.

Les approches d’apprentissage profond offrent une plus grande flexibilité pour créer des systèmes de détection plus complexes. Elles consistent à recueillir et à annoter de vastes jeux de données d’images d’objets défectueux. Les experts utilisent les données annotées pour entraîner des modèles de détection d’objets comme Ultralytics YOLO11. Une fois le modèle entraîné, ils peuvent le déployer sur des caméras ou des capteurs afin de capturer des images et de détecter les défauts en temps réel.

Dans la section suivante, nous allons voir comment utiliser Ultralytics YOLO11 pour le contrôle qualité.

Utiliser la vision par ordinateur pour le contrôle qualité#

You-Only-Look-Once (YOLO) est un modèle de détection d’objets en temps réel à la pointe de la technologie, réputé pour sa grande précision, sa capacité d’adaptation et sa rapidité. Au moment de la rédaction, sa dernière version était Ultralytics YOLO11 (depuis remplacé par Ultralytics YOLO26), qui améliore les versions précédentes en matière d’extraction de caractéristiques, de vitesse, de précision et de capacité d’adaptation.

Il possède une architecture améliorée qui permet une extraction plus précise des caractéristiques et comprend des pipelines d’entraînement optimisés pour accélérer le traitement. Il est également plus économe en calcul : YOLO11m utilise 22 % de paramètres en moins que YOLOv8m tout en offrant une meilleure précision.

Grâce à sa polyvalence, Ultralytics YOLO11 peut contribuer à améliorer les processus de contrôle qualité dans de nombreux domaines. Il peut détecter les anomalies, les dommages, les fissures, les éléments manquants et les erreurs d’emballage en réalisant des tâches comme la détection d’objets et la segmentation.

Voyons quelques façons d’utiliser les modèles de vision par ordinateur dans l’industrie manufacturière.

Détection des éléments manquants et des pièces mal positionnées dans le secteur de l’électronique#

Les modèles de vision par ordinateur peuvent vérifier qu’un produit contient tous les éléments nécessaires. Ils détectent les composants manquants dans les produits assemblés afin d’en garantir l’intégrité.

Dans la fabrication de produits électroniques, il est essentiel d’identifier les composants manquants, les pièces mal alignées ou les problèmes de soudure pour garantir la fiabilité et le bon fonctionnement du produit final.

Les modèles de détection d’objets comme YOLO11 peuvent être entraînés à détecter les composants manquants ou mal placés sur les cartes électroniques. Ils peuvent analyser les images des cartes en temps réel et repérer des défauts comme des résistances ou des condensateurs manquants. Les jeux de données publics comme PCB Component Detection constituent un bon point de départ pour entraîner un tel modèle. Cela permet de vérifier le bon assemblage de chaque unité avant son expédition.

Détection des fissures dans les pièces automobiles#

La détection de fissures est une autre tâche de détection qui analyse des images ou des données de capteurs pour déterminer l’emplacement, la taille et la gravité d’une fissure.

L’industrie automobile en est un exemple : il est nécessaire d’y détecter les fissures sur différents composants, comme les engrenages et les systèmes de freinage, afin de garantir le respect des normes de sécurité.

Des modèles comme Ultralytics YOLO11 peuvent être entraînés à détecter rapidement des défauts tels que des rayures de surface ou des fissures sur des composants automobiles complexes.

Détection des dommages dans le textile#

La vision par ordinateur peut détecter différents types de dommages à la surface d’un produit, comme des rayures, des bosses et des déformations, à l’aide de tâches de vision par ordinateur.

L’industrie textile peut tirer de grands avantages de la détection des dommages basée sur l’IA en utilisant des modèles de détection d’objets et de segmentation comme Ultralytics YOLO11. Ces modèles peuvent repérer les défauts tels que les déchirures, les trous, les taches ou les irrégularités du tissu pendant la production.

Détection des anomalies dans la fabrication pharmaceutique#

La détection des anomalies consiste à analyser la conception, la structure, l’apparence et la taille d’un produit pour déterminer si ces caractéristiques s’écartent des normes souhaitées.

Dans la fabrication pharmaceutique, la détection des anomalies est essentielle pour garantir la qualité et la sécurité des médicaments. Les fabricants peuvent utiliser Ultralytics YOLO11 pour détecter des irrégularités comme des formes ou des tailles de comprimés incohérentes, des décolorations ou la présence de particules étrangères.

Précision de l’emballage et de l’étiquetage#

L’emballage et l’étiquetage dans différents secteurs constituent un autre exemple d’utilisation des modèles de vision par ordinateur dans l’industrie manufacturière. Par exemple, le secteur agroalimentaire doit respecter des normes strictes en matière de sécurité des consommateurs et de conformité.

Des modèles comme Ultralytics YOLO11 peuvent aider à détecter les erreurs d’emballage, telles qu’un étiquetage incorrect, un emballage endommagé ou des scellés de sécurité manquants. Ils peuvent également vérifier le bon positionnement des étiquettes et la lisibilité des codes-barres et des dates de péremption.

Cela garantit que les produits respectent la réglementation du secteur et sont prêts à être distribués aux consommateurs.

Défis et orientations futures du contrôle qualité basé sur l’IA#

Les cadres de contrôle qualité basé sur l’IA continuent d’évoluer et font face à de nombreux défis. Voici quelques limites et pistes de recherche futures à prendre en compte pour ces technologies.

• Apprentissage en monde ouvert et vision active : créer des modèles de détection d’objets capables de détecter de nouveaux objets est difficile, car les données annotées sont peu disponibles. Les modèles d’entraînement non supervisé et d’apprentissage par transfert peuvent aider les experts à adapter rapidement les cadres de détection à de nouveaux ensembles de données.
• Détection au niveau du pixel : la segmentation d’images permet aux modèles de comprendre la différence entre l’arrière-plan et l’objet principal d’une image. L’intégration de la détection d’objets et de la segmentation est un domaine de recherche en plein développement, qui vise à garantir un contrôle qualité de grande qualité.
• Apprentissage multimodal : les modèles multimodaux peuvent intégrer et analyser simultanément plusieurs types de données. Pour la détection d’objets, l’apprentissage multimodal peut contribuer à améliorer la précision des inspections en s’appuyant sur différents types de données, comme les données thermiques, les images en deux dimensions et de courtes séquences vidéo.

Points clés à retenir#

Le contrôle qualité fondé sur l’apprentissage profond progresse rapidement grâce au développement continu de différents modèles de détection d’objets. Grâce au contrôle qualité basé sur l’IA, les fabricants peuvent obtenir une évolutivité et une flexibilité supérieures à celles des approches traditionnelles.

Les entreprises peuvent utiliser des modèles comme Ultralytics YOLO11 pour automatiser le processus d’inspection, en tirant parti de son architecture améliorée et de ses capacités d’extraction de caractéristiques pour obtenir une meilleure précision et des résultats plus rapides.

Tu peux en apprendre davantage sur YOLO11 et d’autres modèles de détection d’objets en consultant notre dépôt GitHub et en échangeant avec notre communauté dynamique. Découvre comment Ultralytics soutient le secteur manufacturier grâce à la vision par ordinateur.