La vision industrielle confie à une caméra, un éclairage et un logiciel le contrôle visuel des pièces en production. Le système mesure, compare à une référence et déclenche un tri, à cadence machine et sans fatigue. Sa réussite tient d’abord à la physique de l’image, bien avant l’algorithme qui l’analyse.
Un système de vision artificielle, concrètement
Un système de vision artificielle acquiert l’image d’une pièce, en extrait des grandeurs mesurables et rend un verdict exploitable par l’automate. La caméra ne voit rien au sens humain : elle convertit un flux de photons en matrice de niveaux de gris. Tout le métier consiste à en faire ressortir le défaut recherché.
Deux familles d’usage cohabitent en atelier. Le guidage donne des coordonnées à une machine qui saisit ou positionne. Le contrôle, lui, juge : conforme, non conforme, à recontrôler. C’est ce second usage qui nous occupe, celui où la vision industrielle remplace un poste d’inspection.
Selon le VDMA, fédération allemande de la construction mécanique, le chiffre d’affaires allemand du secteur a doublé entre 2013 et 2023, de 1,6 à 3,2 milliards d’euros, avant deux exercices de repli, moins 10 % en 2024 puis moins 2 % en 2025, avec une reprise de 3 % attendue en 2026. Le domaine se banalise, ce qui déplace le risque du matériel vers la spécification.
Les briques d’un système, dans l’ordre où elles décident
Un poste de contrôle assemble les mêmes éléments, dans un ordre contre-intuitif.
- L’éclairage, qui crée le contraste entre le défaut et son fond.
- L’optique, qui projette la scène sur le capteur avec un champ donné.
- Le capteur et son interface, qui numérisent puis transportent le signal.
- Le logiciel, qui mesure, classe et décide.
- La sortie automate, qui transforme la décision en action mécanique.
Inverser cet ordre reste l’erreur la plus répandue : choisir caméra et logiciel avant d’avoir résolu l’éclairage, c’est découvrir trop tard que le défaut ne ressort pas.
L’éclairage se choisit avant la caméra
Chaque géométrie de défaut appelle une géométrie de lumière. Le rétro-éclairage silhouette la pièce et sert la mesure de contours, de trous et de bavures. La lumière rasante, dite champ sombre, révèle rayures, gravures et reliefs de quelques dizaines de micromètres. Le dôme neutralise les reflets des surfaces bombées, le coaxial traite les surfaces planes et spéculaires.
Deux paramètres comptent autant que le matériel : la stabilité dans la durée, car une LED perd en flux, et l’isolement de la lumière ambiante. Un capot noir mat vaut souvent mieux qu’un capteur deux fois plus cher.
Optique, capteur et règle des trois pixels
La résolution utile se calcule, elle ne se choisit pas dans un catalogue. Divisez la largeur du champ observé par le nombre de pixels du capteur : vous obtenez la taille d’un pixel ramenée à la pièce réelle. La règle admise veut qu’au moins trois pixels couvrent le plus petit détail à détecter, sans quoi le signal se confond avec le bruit.
Un référentiel existe pour comparer objectivement deux caméras. L’EMVA, association européenne de la vision industrielle, publie la norme EMVA 1288, dont la version 4.0 est en vigueur depuis juin 2021 : elle fixe la façon de mesurer le bruit, la sensibilité, la linéarité et la dynamique d’un capteur. Un fournisseur incapable de les produire vous laisse comparer des arguments commerciaux.
De l’image au verdict, en quelques millisecondes
Le cycle se répète à l’identique, déclenché par un signal extérieur.
- Un détecteur de présence ou un codeur lance l’acquisition quand la pièce occupe le champ.
- La caméra expose, numérise et transmet l’image via GigE Vision, USB3 Vision ou CoaXPress, interfaces normalisées portées par l’EMVA.
- Le prétraitement corrige la distorsion optique, égalise l’éclairement et isole la zone d’intérêt.
- Les outils de mesure extraient des grandeurs : contours, surfaces de taches, niveaux de gris, caractères lus.
- La décision confronte ces grandeurs à des tolérances, ou soumet l’image à un modèle appris.
- La sortie pilote un éjecteur, arrête la ligne ou marque la pièce, et alimente la traçabilité.
Le temps de cycle contraint toute la chaîne. Sur une ligne à 60 pièces par minute, la fenêtre complète, de l’acquisition à l’éjection, tient dans une seconde. Ce budget élimine certaines architectures, quelle que soit leur précision. La remontée des verdicts vers la supervision relève de la même logique d’intégration que les autres données d’atelier, sujet développé dans notre analyse de l’industrie 4.0.
Les contrôles réellement confiés à une caméra
Le champ d’application se resserre autour de quelques familles.
- Présence et conformité d’assemblage : vis manquante, joint absent, étiquette de travers.
- Métrologie sans contact : diamètres, entraxes, épaisseurs, planéité, avec des optiques télécentriques au centième de millimètre.
- Lecture et vérification : codes-barres, Data Matrix, caractères imprimés ou gravés, notation de la qualité de marquage.
- Contrôle d’aspect : rayures, porosités, coulures de peinture, inclusions, irrégularités de texture.
- Colorimétrie : dérive de teinte sur un lot de plastique ou de peinture.
- Vision 3D : volume d’un cordon de colle, hauteur de composants, planéité de brasure.
L’Association for Advancing Automation identifiait pour 2025 trois secteurs demandeurs : la logistique, les semi-conducteurs et les sciences de la vie. Leur point commun ? Des cadences élevées et une tolérance au défaut proche de zéro.
La caméra sert aussi d’œil aux machines mobiles : le repérage de pièces en vrac ou le guidage d’un robot collaboratif mobilise les mêmes capteurs pour localiser, non pour juger.
Ce que l’apprentissage profond a réellement changé
Pendant trente ans, un contrôle par vision s’est programmé règle par règle : seuillage, contours, comparaison à un gabarit. Cette approche reste la plus économique et la plus vérifiable dès que le critère se mesure, et un auditeur relit la logique ligne à ligne.
L’apprentissage profond ouvre le champ que ces règles ne couvraient pas : les défauts d’aspect sur pièces naturellement variables. Un grain de fonderie, une veine de bois, une texture de cuir varient d’un exemplaire conforme à l’autre, et aucune règle explicite ne sépare cette variation normale d’une vraie anomalie. Le poids de ces méthodes se lit dans les chiffres de la profession : le VDMA relevait qu’en 2023, 19 % du chiffre d’affaires du secteur portait sur des produits dont l’intelligence artificielle constituait le moteur principal.
Apprendre le normal plutôt que le catalogue des défauts
La difficulté pratique tient à la rareté des exemples : une ligne maîtrisée fabrique très peu de rebuts, donc peu d’images de défauts à montrer à un modèle supervisé. La parade consiste à apprendre l’apparence des pièces conformes, puis à signaler les écarts : c’est la détection d’anomalie, devenue la famille dominante en inspection de surface.
Le jeu de données de référence du domaine mesure le travail restant. Publié en 2019 par l’éditeur allemand MVTec, MVTec AD réunit 5 354 images en 15 catégories, avec plus de 70 types de défauts annotés au pixel près. Sa version suivante, présentée en 2025, ajoute huit scénarios difficiles : objets transparents, pièces qui se chevauchent, contre-jour, défauts minuscules. Les meilleures méthodes atteignaient 92 à 97 % de segmentation correcte sur le jeu d’origine ; elles restent sous 60 % en moyenne sur le nouveau. Un taux annoncé en démonstration ne prédit donc rien de la performance sur vos pièces.
Les faux rejets, ce poste de coût que personne ne budgète
Un contrôle automatique produit deux erreurs symétriques. Le faux négatif laisse passer une pièce défectueuse, le faux rejet écarte une pièce saine. Serrer le seuil réduit les premiers et gonfle les faux rejets, desserrer fait l’inverse. Aucun réglage ne supprime les deux.
L’arithmétique déplaît à la mise en service. Un taux de faux rejets de 1 % sur une ligne à 60 pièces par minute écarte 36 pièces conformes par heure, près de 300 sur un poste de huit heures. Si chacune part au tri manuel, le poste supprimé réapparaît ailleurs.
Cette courbe porte une seconde information, rarement exploitée : la stabilité du procédé amont. Une dérive lente du taux, sans qu’aucune pièce ne sorte des tolérances, signale un outillage qui s’use. Le raisonnement rejoint celui de la maintenance prédictive industrielle : la tendance porte plus d’information que le franchissement de seuil.
Là où la vision se casse la figure en atelier
Les échecs se ressemblent d’un site à l’autre.
- Surfaces brillantes, transparentes ou noires mates, qui renvoient trop ou trop peu de lumière.
- Présentation instable de la pièce : une rotation de quelques degrés suffit à sortir un repère du champ.
- Ambiance hostile : poussière sur l’optique, buée, vibrations, lumière naturelle variable.
- Changements de série fréquents, avec autant de recettes à créer et maintenir.
- Défauts rares jamais catalogués, absents des images d’apprentissage comme du cahier des charges.
- Critère d’acceptation subjectif, que le service qualité ne sait pas formuler en grandeurs mesurables.
Le dernier point mérite un test avant tout investissement. Faites classer trente pièces litigieuses par trois contrôleurs, séparément, puis recommencez une semaine plus tard. Si les humains ne s’accordent ni entre eux ni avec eux-mêmes, aucune caméra ne tranchera.
Combien coûte un poste de contrôle par vision
Le matériel seul reste rarement le poste dominant. Le comparateur professionnel HelloPro, sur des prix relevés en août 2026, situe les caméras et systèmes de vision de contrôle entre 30 et 20 000 euros. Autour du matériel se greffent les vraies dépenses : étude d’éclairage, mécanique de présentation, capotage, intégration automate, développement des recettes, qualification.
La contrepartie se chiffre en coûts évités. L’AFNOR interroge les entreprises françaises sur leurs coûts de non-qualité : dans l’étude publiée en décembre 2023, 80 % d’entre elles situent ce poste entre 0 et 5 % de leur chiffre d’affaires, alors que l’enquête de 2017, auprès de 816 entreprises, relevait que 15 % des répondants capables de le mesurer dépassaient 10 %. Un point de chiffre d’affaires récupéré sur un défaut récurrent finance plusieurs postes de contrôle.
Le climat d’investissement reste tendu : la Fédération internationale de robotique recense, dans World Robotics 2025, 4 900 robots industriels installés en France en 2024, soit 24 % de moins qu’un an plus tôt. Le calcul de rentabilité obéit aux mêmes règles que tout projet de robotisation industrielle : un gain mesuré avant travaux, pas une promesse de plaquette.
Déployer sans rejouer le pilote trois fois
La séquence qui aboutit ressemble à ceci.
- Constituez une collection physique de défauts réels, prélevés en production, avec leur fréquence documentée.
- Écrivez le critère d’acceptation avec le service qualité, en grandeurs mesurables, avant tout contact fournisseur.
- Figez la présentation mécanique : position, orientation, distance de travail, protection contre la lumière ambiante.
- Validez la répétabilité du poste comme un moyen de mesure, par passages répétés sur des pièces limites.
- Exigez les standards ouverts au contrat, GenICam et GigE Vision en tête, pour garder la main sur vos images.
- Nommez qui traite les rejets, sous quel délai, et selon quelle procédure de recontrôle.
La compétence conditionne le reste. Le Cetim, centre technique des industries mécaniques créé en 1965, maintient une formation d’initiation au contrôle par vision industrielle : le sujet ne s’improvise pas. Sur les cellules complexes, simuler l’implantation optique dans un jumeau numérique évite de découvrir un défaut d’accessibilité une fois le châssis soudé.
Prochaine étape concrète : sortez les cinq motifs de rebut et de retour client les plus coûteux des douze derniers mois, et vérifiez pour chacun si le défaut est visible sur une image, sous un éclairage que vous savez décrire. Ce tri prend une demi-journée et désigne le poste par lequel commencer.