Dans la vision industrielle, les faux rejets représentent un défi considérable pour les industriels. Un produit conforme classé à tort comme défectueux, c'est une pièce bonne perdue ou à recontrôler, une ligne qui ralentit et des opérateurs qui finissent par ne plus croire la machine.

Dans cet article, nous revenons sur les causes de ces erreurs, sur leurs conséquences et sur les solutions pour les réduire, en particulier avec Deeper, notre logiciel de contrôle qualité par deep learning.

Qu'est-ce qu'un faux rejet ?

Un faux rejet est une détection erronée : le système de vision signale un défaut sur une pièce qui n'en a pas. Il ne faut pas le confondre avec le défaut non détecté, qui laisse au contraire passer une pièce mauvaise. Tout le réglage d'un poste de contrôle consiste à réduire les deux à la fois.

Les causes des faux rejets

Ce que coûtent les faux rejets

• Des coûts de production en hausse : les pièces bonnes rejetées sont recontrôlées à la main, retouchées ou mises au rebut.
• Une productivité en baisse : la ligne ralentit, des goulots se forment et les délais de livraison s'allongent.
• Une perte de confiance : quand la machine se trompe souvent, les opérateurs contournent le contrôle ou le désactivent.

4 solutions pour réduire les faux rejets

1. Recalibrer les seuils sur des pièces réellesConstituer un lot de référence de pièces bonnes et mauvaises, puis régler les tolérances sur ce lot plutôt que sur une valeur théorique.
2. Stabiliser l'éclairageÉclairage dédié, capotage contre la lumière ambiante, et pour les surfaces brillantes un éclairage multi-angles comme Deep Lighting, qui supprime les reflets.
3. Passer au deep learning pour les défauts d'aspectUn modèle entraîné sur vos images distingue un défaut d'une variation acceptable, là où une règle échoue.
4. Faire apprendre le modèle en continuLes images douteuses sont revues, annotées et réinjectées : le modèle s'améliore au fil de la production.

Le deep learning appliqué au contrôle qualité

Le deep learning est une branche de l'intelligence artificielle fondée sur des réseaux de neurones entraînés sur de grands volumes d'images. En vision industrielle, il apprend à reconnaître ce qui distingue une pièce bonne d'une pièce défectueuse, sans qu'il soit nécessaire de décrire chaque défaut par une règle.

Les avantages de Deeper

• Une précision accrue : Deeper tolère les variations naturelles des produits et de l'éclairage, et réduit les faux rejets.
• Un apprentissage continu : chaque nouvelle image validée améliore la fiabilité du modèle.
• De la flexibilité : un même modèle reconnaît de nombreux types de défauts et de variantes produits.
• Sans code : vos équipes qualité annotent et entraînent elles-mêmes, depuis l'interface.

Mettre en œuvre Deeper en trois étapes

1. Collecter les images : un jeu d'images de pièces conformes et défectueuses, pris sur la ligne.
2. Entraîner le modèle : annotation assistée, entraînement et validation sur un lot test.
3. Intégrer en production : inspection en temps réel, dialogue avec votre automate et suivi des résultats.

Conclusion

Les faux rejets sont un problème à plusieurs dimensions : calibration, éclairage, algorithme et variabilité des produits. On les réduit en agissant sur chacun de ces leviers, et le deep learning apporte la réponse la plus durable pour les défauts d'aspect. Contactez-nous pour évaluer ce que Deeper peut apporter à votre ligne.

Questions fréquentes