Vision industrielle
Des systèmes de vision industrielle sur mesure pour automatiser le contrôle qualité de vos lignes de production — du capteur à l'intelligence artificielle, conçus et intégrés par CIM Atlantique.
- Intégrateur depuis 1992
- Deep learning maison
- Solutions sur mesure
Qu'est-ce que la vision industrielle ?
La vision industrielle applique le contrôle informatique aux domaines de l'industrie de production et de recherche. Elle repose sur une combinaison de matériel et de logiciel, fournissant aux outils de détection des directives opérationnelles précises. À l'ère de l'automatisation moderne, ces technologies sont devenues indispensables pour relever les défis de l'Industrie 4.0. Ces dernières sont basées sur l'acquisition et le traitement d'images pour exécuter leurs fonctions et garantir la réussite de vos processus de fabrication.
Quelles sont les utilisations de cette solution ? Qu'en est-il de ses composants ? Quels sont les différents types de ce produit ?
Comment fonctionne un système de vision industrielle ?
Un système de vision industrielle se compose d'une synergie entre des équipements de pointe et des algorithmes. Ce fonctionnement suit généralement trois étapes clés :
Acquisition de l'image
Les caméras et capteurs enregistrent visuellement la pièce sous un éclairage spécifique.
Analyse et traitement
La vision par ordinateur utilise des algorithmes de traitement d'image pour extraire les caractéristiques, mesurer les dimensions ou identifier les anomalies.
Prise de décision
Le système compare l'image avec le cahier des charges et valide la pièce ou active un mécanisme de rejet.
Les applications de cet outil
La vision industrielle localise l'objet ou vérifie la caractéristique de la matière première dans le champ du capteur grâce à la reconnaissance géométrique. Si la localisation échoue, le système ne peut ni guider, ni identifier, inspecter, compter ou mesurer l'objet, compromettant ainsi la réussite de l'action.
Localisation des pièces
La localisation de la matière en environnement de production est complexe, du fait des variations d'apparence. Le système reconnaît les pièces selon leur forme et leur dimension, malgré ces altérations.
Le guidage
La vision industrielle détermine la position et l'orientation d'une pièce et valide l'angle pour assurer un assemblage correct. Le guidage spatial, en 2D ou 3D, permet au robot de localiser et d'aligner l'objet.
Identification
Marquage et traçabilité grâce à l'OCR : codes-barres (1D), Data Matrix (2D), codes DPM et caractères imprimés. L'OCR lit les caractères, l'OCV vérifie la qualité d'impression et la conformité des codes.
La mesure
Cette détection mesure la distance entre des points ou emplacements géométriques sur un objet et vérifie la conformité aux spécifications. En cas de non-conformité, elle déclenche un mécanisme de rejet.
Que retrouve-t-on dans ces systèmes ?
Ce système de détection comprend plusieurs éléments clés, de la mise en lumière de la pièce jusqu'au traitement automatisé des données visuelles.
L'éclairage
L'éclairage joue un rôle crucial dans la performance des solutions. Il permet d'obtenir des images en analysant la lumière réfléchie par un objet, plutôt que l'objet lui-même. La source doit être soigneusement positionnée pour optimiser la qualité des images capturées.
L'optique
L'optique capture l'image et la transmet au capteur de la caméra. La qualité et le prix varient, influençant directement la résolution obtenue. On distingue deux types : interchangeables (montures C ou CS) et fixes.
La caméra
La sélection repose sur plusieurs critères techniques : la résolution en mégapixels, la sensibilité de l'image, l'interface de communication (USB 3.0, GigE ou Camera Link) et le type de spectre requis (2D, 3D ou thermique).
Le traitement
Extraire des informations sources à partir d'une image numérique, incluant l'OCR. Via un PC externe ou un logiciel autonome : acquisition, localisation des caractéristiques, mesures, comparaison aux spécifications et prise de décision.
Nos systèmes de vision en action — voir la playlist
Les différents types de cet outil
Il existe trois principales catégories de solutions de détection.
Les process de vision 1D
L'outil 1D analyse un signal numérique ligne par ligne, plutôt que l'image complète. Il compare, par exemple, les différences entre dix lignes récemment acquises et un groupe antérieur. Cette méthode identifie la présence et classe les défauts sur la matière traitée en continu : papier, métal, plastique et rouleaux non tissés.
Les systèmes matriciels et linéaires
Les systèmes linéaires présentent des avantages pour l'inspection de produits cylindriques. Au lieu d'utiliser plusieurs caméras matricielles, la rotation de la pièce devant un seul capteur linéaire permet d'acquérir toute la surface. Ils s'adaptent aussi aux espaces restreints.
Les process de vision 3D
Les contrôles 3D utilisent plusieurs caméras ou capteurs laser de déplacement. En guidage robotique, l'outil 3D informe le robot de l'orientation exacte du produit. Des capteurs placés à différents points permettent une triangulation précise pour localiser les objets dans un espace 3D.
Les avantages de la vision industrielle pour votre production
L'intégration d'un système de détection visuelle transforme la chaîne de fabrication en apportant des bénéfices mesurables.
Optimisation de la qualité
Le système permet d'automatiser les processus, garantissant une qualité constante et de très hautes performances.
Sécurisation de la production
En détectant les moindres anomalies, la machine active immédiatement les mécanismes de rejet, assurant ainsi le « zéro défaut ».
Flexibilité opérationnelle
Associée à des logiciels performants, la vision apporte une flexibilité accrue, un gain de temps significatif et une adaptation rapide aux variations de production.
Simulateur de ROI — Vision industrielle
Estimez vos économies en automatisant votre contrôle qualité.
Renseignez vos coûts mensuels puis lancez le calcul pour découvrir votre économie potentielle.
— € économisés par mois
Deep Capture, logiciel de vision industrielle
L'évolution des technologies d'inspection permet aujourd'hui de distinguer deux approches distinctes. D'une part, la vision industrielle par ordinateur (classique) s'appuie sur des règles mathématiques, géométriques et des paramètres « si-alors » strictement prédéfinis par des ingénieurs pour analyser des données visuelles. D'autre part, la vision industrielle par IA (via le deep learning) s'affranchit de ces règles fixes : le système apprend et s'adapte de manière autonome aux différents scénarios à partir d'une base de données d'exemples.
Intelligence artificielle
Le deep learning, via Deep Capture, œuvre pour une détection généralisée grâce à un apprentissage supervisé, reconnaissant divers modèles et anomalies pour optimiser l'inspection automatisée.
Analyse en temps réel
Une détection en quasi-temps réel, avec une performance d'environ 60 images par seconde (fps) par caméra — idéale pour les environnements exigeant précision et réactivité.
Meilleure performance
Le meilleur équilibre entre taux de vrais positifs (défauts à identifier) et taux de faux positifs (rejets erronés) : une inspection précise qui maximise la productivité.
Simple et intuitif
Les temps de changement de campagne, mécaniques ou logiciels, sont quasi inexistants : flexibilité accrue, gain de temps et adaptation rapide sans interruption prolongée.
Clés en main
Nos ingénieurs prennent en charge toutes les phases, de la conception à la mise en service, pour une intégration optimale, performante et adaptée à vos besoins.
Nos réalisations en vision industrielle
Des projets concrets, des résultats mesurés. Voici comment notre logiciel Deep Capture résout, par le deep learning, des problèmes de contrôle qualité et de guidage robot que la vision conventionnelle ne sait pas traiter.
01Détection de défauts sur planches de bois
En sortie de raboteuse, Deep Capture qualifie chaque planche en temps réel et distingue les nœuds « moustaches » des nœuds classiques — une nuance hors de portée de la vision à règles. La localisation du défaut est prise en compte pour éviter les déclassements abusifs.
02Détection de positions de gobs en verre (dynamique)
Localiser en temps réel la position (X, Y) de gobs en verre sur un convoyeur métallique — matière peu contrastée, sans éclairage dédié — pour guider un robot de préhension là où la vision classique échouait.
Voir le détail technique
Contexte & problématique
Dans l'industrie du verre, la manipulation automatisée en sortie de production exige de localiser précisément chaque pièce avant de la confier à un robot. L'objectif : déterminer en temps réel la position (X, Y) de chaque gob en mouvement, puis transmettre ces coordonnées à un robot chargé de les saisir.
Le défi technique
Le verre est une matière très peu contrastée et de faible opacité. D'un gob à l'autre, les reflets font varier l'aspect perçu : deux pièces identiques peuvent apparaître très différemment. Le convoyeur métallique n'offrait quasiment aucun contraste, et il était impossible d'intégrer un éclairage dédié — alors que l'éclairage est habituellement le premier levier d'un système de vision. Une approche classique par seuillage ou règles géométriques était vouée à l'échec.
La solution CIM
Un outil de vision reposant sur l'apprentissage supervisé (machine learning) : le modèle a été entraîné directement sur les gobs en verre pour les localiser de façon fiable, indépendamment des reflets et du manque de contraste. Au-delà de la détection, c'est un système de tracking — les positions des gobs en mouvement sont renvoyées en continu au robot. Un ordonnancement des prises priorise les positions à saisir pour réduire les déplacements inutiles et accélérer la cadence.
Technologies mises en œuvre
- Vision par apprentissage supervisé, entraînée sur les gobs en verre
- Détection de position (X, Y) en dynamique sur convoyeur (tracking)
- Guidage d'un robot de préhension à partir des positions fournies
- Ordonnancement des prises pour optimiser les trajectoires du robot
- Fonctionnement sans éclairage dédié, sur fond métallique très peu contrasté
Voir la vidéo en action
03Contrôle d'ailes & manchons de poulets
Sur convoyeur, en sortie de découpe et de retrousseuse aériens, Deep Capture classe chaque manchon en temps réel et signale les défauts — jusqu'à la simple nuance de rouge d'une hémorragie — sans ralentir la ligne.
Voir le détail technique
Contexte & problématique
En transformation de volaille, le contrôle qualité avant conditionnement est un enjeu de qualité produit et de sécurité alimentaire. Les cadences sont élevées et le contrôle visuel humain atteint vite ses limites en régularité. Le système devait détecter et classer plusieurs familles de défauts — hématomes et hémorragies, marque de fouet, plumes, os cassés ou apparents, manchons mal retroussés — en temps réel, à ~5 000 pièces/heure, sur un produit biologique irrégulier.
Le défi technique
D'abord la variabilité géométrique : deux manchons ne se ressemblent jamais tout à fait. Ensuite, la finesse de certains défauts — la différence entre une pièce saine et une hémorragie se joue parfois sur une simple nuance de rouge. D'où une approche par classification en deep learning, entraînée sur les différentes classes de défauts, qui a nécessité une importante campagne de prise de données annotées.
Le défi matériel
Les modèles de deep learning étaient volumineux et devaient produire leurs résultats en acquisition continue, quasi en streaming, pour suivre la cadence. Concilier des modèles lourds avec une inférence en temps réel imposait une architecture matérielle puissante, articulée autour d'un GPU dimensionné en conséquence, et un travail poussé d'optimisation des modèles pour maximiser le débit sans dégrader la précision.
Technologies mises en œuvre
- Classification multi-défauts en deep learning (Deep Capture)
- Acquisition en temps réel à ~5 000 pièces/heure
- Détection de défauts fins, jusqu'à la nuance de couleur
- Intégration sur convoyeur, en sortie de découpe et de retrousseuse aériens
- Architecture GPU et modèles optimisés pour l'inférence en flux continu
Voir la vidéo en action
04Détection de positions de flacons (dynamique)
Pour un dépackeur robotisé, Deep Capture détecte position et orientation (X, Y, θ) de flacons en verre malgré reflets, ombres de croisillons et éclairage non homogène — là où les outils de blob du marché échouaient.
Voir le détail technique
Contexte & problématique
En parfumerie-cosmétique, l'alimentation des lignes de remplissage commence souvent par un dépacking : extraire les flacons de leurs contenants pour les déposer sur les convoyeurs. CIM a développé le logiciel de vision d'un dépackeur robotisé : des robots saisissent les flacons dans des cartons à croisillons ou des barquettes thermoformées. L'enjeu : localiser en temps réel chaque flacon (X, Y, θ) pour transmettre les coordonnées de prise au robot, avec une cinquantaine de références et des changements de format ultra-rapides.
Le défi technique
Les solutions classiques basées sur la détection de formes (blob) et des règles fixes échouaient. Le verre génère de forts reflets variables d'un flacon à l'autre ; l'éclairage n'était pas homogène ; les cartons à croisillons projetaient des ombres. Pour un même flacon, l'image pouvait varier fortement — il fallait une approche capable d'apprendre la variabilité d'aspect plutôt que de s'appuyer sur des règles figées.
La solution CIM
Un outil reposant sur l'apprentissage supervisé via Deep Capture. Entraîné sur les flacons, le système les localise malgré reflets, ombres et variations d'éclairage. Atout majeur : une seule configuration d'éclairages et de caméras suffit à gérer l'ensemble des références, et la création de nouveaux formats reste simple et rapide. Le système fonctionne en tracking et un algorithme ordonne les positions de prise avant de les transmettre au robot.
Technologies mises en œuvre
- Vision par apprentissage supervisé (Deep Capture), entraînée sur les flacons
- Détection de position et orientation (X, Y, θ) en dynamique (tracking)
- Gestion d'une cinquantaine de références avec une seule configuration
- Contenants variés : cartons à croisillons et barquettes thermoformées
- Ordonnancement des positions de prise transmises au robot de dépacking
Voir la vidéo en action
05Inspection d'incisés sur fonds de flacons
Une machine dédiée détecte incisés, bouillons et calcinés sur toute la périphérie du fond — des défauts qu'aucun système conventionnel ne savait détecter — en maîtrisant les faux positifs par filtrage temporel.
Voir le détail technique
Contexte & problématique
Dans la verrerie pour parfumerie et spiritueux, le moindre défaut sur un flacon est rédhibitoire, et le fond est une zone particulièrement critique et difficile à inspecter. Il fallait détecter des incisés (petites cassures dans le fond), des bouillons et des calcinés, sur toute la périphérie. Trois contraintes : une cadence de ~120 flacons/minute, des centaines de références avec changements de campagne fréquents, et surtout le fait qu'un incisé n'est visible que sous un angle bien particulier.
Le défi technique
Comme l'incisé n'apparaît que sous un certain angle, il fallait une acquisition temps réel couvrant toute la périphérie sans angle mort : 8 caméras en flux vidéo à 25 i/s chacune. Le piège majeur, les faux positifs : sous certains angles, les joints de moule ressemblent à s'y méprendre à des incisés. Enfin, gérer des centaines de références imposait un entraînement sur un très grand nombre de flacons et un changement de campagne simple et rapide.
La solution CIM
Une solution de vision par deep learning (Deep Capture), entraînée sur un large panel de références. Filtrage temporel des faux positifs : un défaut n'est validé que s'il apparaît sur un nombre suffisant de frames consécutives — les vrais incisés persistent davantage que les joints de moule, ce qui les discrimine. Auto-calibration par référence : à chaque changement de campagne, le passage d'une trentaine de flacons suffit à calibrer les seuils de chaque caméra.
Technologies mises en œuvre
- 8 caméras en flux vidéo, 25 i/s, couvrant toute la périphérie du fond
- Vision par deep learning Deep Capture, entraînée sur des centaines de références
- Filtrage temporel : validation sur N frames consécutives (incisé / joint de moule)
- Auto-calibration des seuils par référence (~30 flacons par campagne)
- Convoyeur à coincement réglable & éjection par soufflage
Voir la vidéo en action
Un projet de contrôle qualité ou de guidage par vision ?
Nos ingénieurs étudient votre besoin — même sur des contrôles que la vision conventionnelle ne sait pas traiter — et vous proposent la solution adaptée.
En savoir plus sur les utilisations de la vision
Inspection complexe en vision industrielle
La vision industrielle face aux contrôles les plus exigeants : OCR, vérification d'assemblages et détection de défauts complexes grâce au deep learning.
Lire l'articleRobots de contrôle par vision industrielle
La conception de robots de contrôle par vision industrielle illustre notre expertise en robotique industrielle et en systèmes automatisés avancés. Nous repoussons sans cesse les limites de l'innovation.
Lire l'article
Les dernières tendances en matière de contrôle par vision industrielle
Le contrôle par vision industrielle est une technologie en constante évolution qui permet de contrôler la qualité des produits manufacturés avec une grande précision et efficacité.
Lire l'articleFAQ — Vision industrielle
Quelle est la constitution d'une approche de vision industrielle ?
Quels sont les avantages de la vision industrielle ?
Qui utilise la vision industrielle ?
Quelles sont les applications possibles avec les solutions de vision ?
Qu'apporte le deep learning par rapport à la vision classique ?
Automatisez votre contrôle qualité avec la vision industrielle
Parlons de votre ligne de production : nos ingénieurs conçoivent la solution de vision adaptée à vos pièces, vos cadences et vos défauts à détecter.
