RapiD Vision, un système de vision prêt à l’emploi reposant sur les modèles Ultralytics YOLO, détecte en temps réel les défauts et les déformations, transmet directement les informations obtenues aux systèmes ERP des clients et réduit d’une semaine le temps consacré à l’ingénierie.
Alors que les entreprises de transformation alimentaire subissent une pression croissante pour garantir une qualité constante à grande échelle, la vision par ordinateur transforme le fonctionnement du secteur. RapiD Engineering, une entreprise d’ingénierie basée aux Pays-Bas et installée dans le village de pêcheurs d’Urk, est à l’avant-garde de cette évolution. Elle développe RapiD Vision, une plateforme de vision prête à l’emploi conçue pour l’industrie des produits de la mer et d’autres secteurs.
En intégrant les modèles Ultralytics YOLO à ses systèmes de contrôle qualité, RapiD Engineering aide les transformateurs de saumon à automatiser le contrôle qualité et la détection des défauts et des déformations — l’une des étapes les plus laborieuses et subjectives de leur processus — avec une traçabilité complète, de l’élevage au client.
Mettre l’IA visuelle prête à l’emploi au service de la production industrielle#
RapiD Engineering développe des simulations d’ingénierie, des applications logicielles et des solutions de vision par ordinateur pour les environnements industriels. Avec sa plateforme RapiD Vision, l’entreprise conçoit des systèmes de bout en bout reposant sur trois fonctionnalités principales : les applications de prise et de dépose pour la manipulation robotisée des produits, le contrôle qualité pour la détection des défauts en temps réel et RapiD Vision Explorer, une couche cloud de rapports et d’analyses qui s’intègre directement aux systèmes ERP.
La plateforme est conçue pour les conditions complexes du monde réel. Elle peut gérer des produits qui se chevauchent à l’aide de la vision et de caméras 3D, distinguer différents types de produits et coordonner plusieurs robots ou machines à partir d’un seul système de vision. Parmi ses gammes de produits, l’offre de contrôle qualité est devenue celle qui connaît la croissance la plus rapide, avec une forte demande de la part des transformateurs de saumon dans toute l’Europe.
Fig. 1. Exemple de détection précise de poissons qui se chevauchent par Ultralytics YOLO.
Les défis du contrôle qualité dans la transformation du saumon#
La transformation du saumon est une industrie à haut volume qui exige une grande précision, où les problèmes de qualité peuvent avoir un impact important sur la satisfaction des clients et les prix. Les défauts tels que les taches de sang, les marques de mélanine et d’autres déformations sont subtils et visuellement proches de la couleur naturelle de la chair du saumon, ce qui les rend difficiles à repérer de manière cohérente à l’œil nu.
L’inspection manuelle traditionnelle est lente, fatigante et irrégulière d’un opérateur ou d’une équipe à l’autre. Même lorsque la vision par ordinateur est devenue plus accessible, son déploiement dans les environnements de transformation alimentaire a posé ses propres défis. Les modèles devaient être assez petits pour fonctionner en temps réel sur du matériel périphérique, assez précis pour détecter des défauts subtils et assez flexibles pour être rapidement réentraînés en cas de changement de caméra, d’éclairage ou d’environnement.
Avant d’adopter Ultralytics, RapiD Engineering s’appuyait sur Detectron, une bibliothèque open source de Meta. Bien que puissante, elle était difficile à configurer, les modèles étaient difficiles à exporter et elle n’était plus activement maintenue, ce qui la rendait inadaptée à une utilisation à long terme en production.
Détection des défauts en temps réel avec Ultralytics YOLO#
Après être passée à Ultralytics, RapiD Engineering a reconstruit son pipeline de contrôle qualité autour de modèles YOLO exécutés sur du matériel périphérique NVIDIA Jetson. Chaque système de transformation du saumon exécute simultanément quatre modèles Ultralytics YOLO, tandis qu’une caméra montée au-dessus et une autre en dessous capturent les deux côtés de chaque poisson lorsqu’il passe sur la ligne.
Pour chaque côté, le système exécute deux modèles à la suite : un modèle nano Ultralytics YOLO11 pour segmenter le saumon et le séparer du convoyeur, puis un grand modèle YOLO11 pour détecter des déformations fines comme les taches de sang et les marques de mélanine, dont la couleur peut être extrêmement proche de celle de la chair environnante. En utilisant un modèle plus petit pour la segmentation à haut débit et un modèle plus grand pour la détection de haute précision, RapiD Engineering obtient le juste équilibre entre vitesse et précision sur le matériel Jetson.
Pour entraîner ses modèles, RapiD Engineering a annoté manuellement plus de 20 000 images de saumon, constituant ainsi un jeu de données de haute qualité qui prend en compte les nuances visuelles des conditions réelles de transformation. L’équipe réentraîne les modèles lors du déploiement de nouveaux systèmes ou lorsque des facteurs environnementaux, comme les caméras ou les arrière-plans, changent.
Pourquoi choisir les modèles Ultralytics YOLO ?#
Pour RapiD Engineering, Ultralytics YOLO offrait la combinaison idéale de simplicité, de performances et de flexibilité pour prendre en charge un système de production utilisé dans de nombreux déploiements.
Par rapport au framework précédent, l’équipe a pu réduire considérablement le temps consacré à l’entraînement, à l’exportation et à la maintenance des modèles, économisant environ une semaine de travail d’ingénierie par an rien que sur le processus d’exportation. À chaque nouvelle version d’Ultralytics, les modèles peuvent être réentraînés, exportés vers TensorRT pour être déployés sur Jetson, puis remis en production avec un minimum de contraintes.
Fig. 2. Exemple de détection de défauts sur un filet de saumon avec Ultralytics YOLO.
Ultralytics YOLO a également donné à RapiD Engineering la flexibilité nécessaire pour utiliser plusieurs types de tâches — notamment la segmentation d’instances, la détection d’objets et l’estimation de pose — au sein d’un même framework unifié, répondant ainsi aux fonctionnalités actuelles et futures à mesure que l’entreprise développe son portefeuille d’IA visuelle.
De la détection brute aux informations exploitables#
Au-delà de la détection, le système de contrôle qualité de RapiD Engineering est entièrement intégré aux systèmes ERP de ses clients grâce à RapiD Vision Explorer, la couche de reporting et d’analyse de la plateforme hébergée dans le cloud. Chaque saumon analysé est enregistré dans le cloud avec les données de son fournisseur, de son élevage, de son lieu d’origine et de sa commande, offrant aux clients une vue détaillée de la qualité par source.
Ces données servent à générer des rapports qualité pour chaque lot, aidant les transformateurs à suivre les éleveurs et les fournisseurs qui livrent régulièrement le poisson de la meilleure qualité, et à prendre des décisions d’approvisionnement éclairées au fil du temps. Grâce à des analyses avancées, RapiD Vision Explorer peut même prédire les meilleures sources actuelles de produits de haute qualité. Le système contrôle également les convoyeurs en aval et achemine automatiquement le saumon de moindre qualité vers d’autres circuits de transformation, afin que les clients reçoivent toujours du poisson conforme à leurs spécifications de qualité.
Le logiciel frontal permet aux opérateurs d’ajuster les seuils de détection, notamment la taille minimale des taches, les scores de confiance et la superficie totale affectée, afin d’adapter le système aux critères de qualité propres à chaque transformateur.
Déployer l’IA visuelle à grande échelle dans l’industrie des produits de la mer#
Forte de la demande pour ses systèmes de contrôle qualité et d’une clientèle qui s’élargit dans toute l’Europe, RapiD Engineering est bien placée pour continuer à étendre le rôle de l’IA visuelle dans la transformation des produits de la mer et au-delà. L’entreprise prévoit également de migrer ses processus d’entraînement et d’annotation vers Ultralytics Platform, afin de rationaliser davantage son pipeline à mesure qu’elle multiplie les déploiements.
En associant des décennies d’expertise en ingénierie à une vision par ordinateur de pointe, RapiD Engineering aide les transformateurs de saumon à bâtir une chaîne d’approvisionnement plus transparente, pilotée par les données et efficace, lot après lot.
Tu souhaites créer tes propres solutions d’IA visuelle ? Découvre les modèles Ultralytics YOLO, apprends comment YOLO stimule l’innovation dans différents secteurs et consulte nos options de licence pour te lancer.
