Système de détection de défauts sur des planches de bois

Deep Capture, notre logiciel de vision industrielle en deep learning, permet d’identifier la qualité des planches de bois en sortie de raboteuse.

Dans les industries de seconde transformation du bois — menuiseries, scieries, fabricants de panneaux — le contrôle qualité des planches en sortie de raboteuse est une étape déterminante. Chaque planche doit être classée selon sa qualité avant d’entrer dans la chaîne de fabrication, et le moindre défaut non détecté se répercute sur le produit fini. CIM Atlantique a conçu et intégré pour ce besoin un système de vision industrielle capable de qualifier les planches automatiquement, en temps réel, directement sur la ligne.

Le tri visuel des planches réalisé par un opérateur présente des limites bien connues : la cadence de production est difficile à tenir sur la durée, l’appréciation des défauts varie d’un opérateur à l’autre, et la fatigue dégrade la régularité du contrôle au fil de la journée. Surtout, un défaut n’a pas la même gravité selon sa position sur la planche : un nœud ou une fissure toléré en bord de planche peut être rédhibitoire en plein cœur de la pièce. Cette nuance, essentielle pour éviter les déclassements abusifs, est très difficile à appliquer manuellement de façon constante.

Ce projet présentait une difficulté particulière : la très grande typologie de défauts à gérer sur le bois, matière naturelle par essence irrégulière. Le système devait reconnaître et classer un nombre élevé de types et de classes de défauts différents, sans confusion.

La complexité la plus fine résidait dans la distinction des nœuds : il fallait différencier les nœuds classiques des nœuds « moustaches », alors que la disparité géométrique entre les deux est extrêmement ténue. Distinguer de manière fiable deux défauts aussi proches visuellement dépasse les capacités d’un système de vision à règles classiques — c’est précisément ce qui justifiait une approche par deep learning, capable d’apprendre des nuances que des règles figées ne sauraient capturer.

Cette approche a exigé un travail amont conséquent : le modèle étant entraîné sur les classes de défauts, il a fallu constituer une base de données d’exemples exhaustive et finement annotée, couvrant l’ensemble des défauts à reconnaître. La qualité de cette donnée d’entraînement conditionne directement la précision du résultat.

Exemple des classes de défauts détectés

CIM Atlantique a déployé une solution de vision industrielle pilotée par Deep Capture, notre logiciel de vision par deep learning. Plutôt que de s’appuyer sur des règles géométriques figées, le système apprend à reconnaître les différentes classes de défauts à partir d’exemples réels, et s’adapte à la variabilité naturelle du bois. Le système identifie la qualité de chaque planche en sortie de raboteuse et la classe automatiquement, sans intervention humaine, en tenant compte de la localisation du défaut sur la planche.

• Acquisition d’image en temps réel, à une cadence de défilement de 30 cm/seconde
• Logiciel de vision industrielle par deep learning Deep Capture, entraîné sur une base de défauts annotée
• Classification selon la localisation du défaut (un défaut acceptable en bord est distingué d’un défaut central)
• Détection d’une large typologie de défauts du bois : nœuds noirs, nœuds moustaches, fissures, manques de matière…

Le système atteint un taux de détection des vrais défauts de 95 %, pour moins de 3 % de faux positifs (pièces saines signalées à tort) — le tout à pleine cadence, 30 cm/seconde. Il supprime la subjectivité du tri manuel, garantit un contrôle homogène tout au long de la production, et la prise en compte de la localisation des défauts évite les déclassements inutiles, préservant ainsi la valeur de la matière.

Un projet de contrôle qualité ou de localisation par vision industrielle ?

Nos ingénieurs étudient votre besoin et vous proposent la solution adaptée.