{"id":3964,"date":"2024-10-23T16:02:18","date_gmt":"2024-10-23T14:02:18","guid":{"rendered":"https:\/\/cim-atlantique.com\/?page_id=3964"},"modified":"2026-06-13T10:38:04","modified_gmt":"2026-06-13T08:38:04","slug":"systeme-de-controle-dailes-et-manchons-de-poulets","status":"publish","type":"page","link":"https:\/\/www.cim-atlantique.com\/fr\/systeme-de-controle-dailes-et-manchons-de-poulets\/","title":{"rendered":"Syst\u00e8me de contr\u00f4le d\u2019ailes et manchons de poulets"},"content":{"rendered":"

Vision industrielle en deep learning pour l’agroalimentaire<\/h2><\/div>
<\/div><\/div>

Deep Capture<\/a>, notre logiciel de vision industrielle<\/a> en deep learning, assure le contr\u00f4le qualit\u00e9 de manchons de poulet en temps r\u00e9el, \u00e0 une cadence d’environ 5 000 pi\u00e8ces\/heure.<\/p>\n<\/div>

Contexte & secteur<\/h2><\/div>

Dans l’industrie agroalimentaire, et particuli\u00e8rement en transformation de volaille, le contr\u00f4le qualit\u00e9 des pi\u00e8ces avant conditionnement est un enjeu \u00e0 la fois de qualit\u00e9 produit et de s\u00e9curit\u00e9 alimentaire. Les cadences de ligne sont \u00e9lev\u00e9es et le contr\u00f4le visuel humain, r\u00e9p\u00e9titif et fatigant, atteint vite ses limites en r\u00e9gularit\u00e9. CIM Atlantique a int\u00e9gr\u00e9 un syst\u00e8me de vision industrielle sur un convoyeur, en sortie d’un syst\u00e8me de d\u00e9coupe et de retrousseuse a\u00e9riens, pour identifier automatiquement les manchons d\u00e9fectueux \u00e0 pleine cadence.<\/p>\n<\/div>

La probl\u00e9matique<\/h2><\/div>

Le syst\u00e8me devait d\u00e9tecter et classer plusieurs familles de d\u00e9fauts sur des manchons de poulet : h\u00e9matomes et h\u00e9morragies, pr\u00e9sence de marque de fouet, pr\u00e9sence de plume(s), os cass\u00e9s ou apparents, et manchons mal retrouss\u00e9s. Le tout en temps r\u00e9el, \u00e0 environ 5 000 pi\u00e8ces\/heure, sur un produit biologique par nature irr\u00e9gulier.<\/p>\n<\/div>

Le d\u00e9fi technique<\/h2><\/div>

La premi\u00e8re difficult\u00e9 tenait \u00e0 la variabilit\u00e9 g\u00e9om\u00e9trique<\/b> des manchons : deux pi\u00e8ces ne se ressemblent jamais tout \u00e0 fait, en forme comme en aspect. Un syst\u00e8me de vision \u00e0 r\u00e8gles fixes ne peut pas absorber une telle disparit\u00e9.<\/p>\n

La seconde difficult\u00e9, plus subtile encore, \u00e9tait la finesse de certains d\u00e9fauts<\/b> : la diff\u00e9rence entre une pi\u00e8ce saine et une pi\u00e8ce pr\u00e9sentant une h\u00e9morragie se joue parfois sur une simple nuance de rouge<\/b>. Distinguer ces variations, tout en tol\u00e9rant la variabilit\u00e9 naturelle du produit, exige bien plus qu’un seuillage colorim\u00e9trique classique.<\/p>\n

C’est pourquoi nous avons opt\u00e9 pour une approche par classification en deep learning<\/b>, entra\u00een\u00e9e sur les diff\u00e9rentes classes de d\u00e9fauts. Cela a n\u00e9cessit\u00e9 une importante campagne de prise de donn\u00e9es en amont<\/b> : la robustesse du mod\u00e8le d\u00e9pend directement de la richesse et de la qualit\u00e9 de la base d’exemples annot\u00e9s couvrant chaque type de d\u00e9faut.<\/p>\n<\/div>

Exemple des classes de d\u00e9fauts d\u00e9tect\u00e9s<\/b><\/p>\n<\/div>

H\u00e9matomes & h\u00e9morragies<\/span><\/a><\/div><\/div><\/div>
Pr\u00e9sence de marque de fouet<\/span><\/a><\/div><\/div><\/div>
Pr\u00e9sence de Plume(s)<\/span><\/a><\/div><\/div><\/div>
identification d’Os cass\u00e9s<\/span><\/a><\/div><\/div><\/div>
Manchons mal retrouss\u00e9s<\/span><\/a><\/div><\/div><\/div><\/div>

Le d\u00e9fi mat\u00e9riel<\/h2><\/div>

Au-del\u00e0 de la vision elle-m\u00eame, ce projet a \u00e9t\u00e9 particuli\u00e8rement exigeant sur le plan hardware<\/b>. Les mod\u00e8les de deep learning mis en \u0153uvre \u00e9taient volumineux, et devaient produire leurs r\u00e9sultats en acquisition continue, quasi en streaming<\/b>, pour suivre la cadence de la ligne. Concilier des mod\u00e8les aussi lourds avec une inf\u00e9rence en temps r\u00e9el imposait une architecture mat\u00e9rielle puissante<\/b>, articul\u00e9e autour d’un GPU<\/b> dimensionn\u00e9 en cons\u00e9quence, ainsi qu’un travail pouss\u00e9 d’optimisation des mod\u00e8les<\/b> pour maximiser le d\u00e9bit sans d\u00e9grader la pr\u00e9cision.<\/p>\n<\/div>

La solution CIM<\/h2><\/div>

CIM Atlantique a d\u00e9ploy\u00e9 une solution de vision industrielle<\/a> par deep learning, pilot\u00e9e par notre logiciel Deep Capture<\/a>. Int\u00e9gr\u00e9 directement sur le convoyeur de production, le syst\u00e8me classe chaque manchon en temps r\u00e9el et signale les pi\u00e8ces d\u00e9fectueuses, sans intervention humaine et sans ralentir la ligne.<\/p>\n<\/div>

Les technologies mises en \u0153uvre<\/h2><\/div>