{"id":3969,"date":"2024-10-23T16:10:32","date_gmt":"2024-10-23T14:10:32","guid":{"rendered":"https:\/\/cim-atlantique.com\/?page_id=3969"},"modified":"2026-06-13T16:52:53","modified_gmt":"2026-06-13T14:52:53","slug":"systeme-de-detection-de-defauts-sur-des-planches-de-bois","status":"publish","type":"page","link":"https:\/\/www.cim-atlantique.com\/fr\/systeme-de-detection-de-defauts-sur-des-planches-de-bois\/","title":{"rendered":"Syst\u00e8me de d\u00e9tection de d\u00e9fauts sur des planches de bois"},"content":{"rendered":"

Vision industrielle en deep learning pour la menuiserie<\/h2><\/div>
<\/div><\/div>

Deep Capture<\/a>, notre logiciel de vision industrielle<\/a> en deep learning, permet d’identifier la qualit\u00e9 des planches de bois en sortie de raboteuse.<\/p>\n<\/div>

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

Dans les industries de seconde transformation du bois — menuiseries, scieries, fabricants de panneaux — le contr\u00f4le qualit\u00e9 des planches en sortie de raboteuse est une \u00e9tape d\u00e9terminante. Chaque planche doit \u00eatre class\u00e9e selon sa qualit\u00e9 avant d’entrer dans la cha\u00eene de fabrication, et le moindre d\u00e9faut non d\u00e9tect\u00e9 se r\u00e9percute sur le produit fini. CIM Atlantique a con\u00e7u et int\u00e9gr\u00e9 pour ce besoin un syst\u00e8me de vision industrielle capable de qualifier les planches automatiquement, en temps r\u00e9el, directement sur la ligne.<\/p>\n<\/div>

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

Le tri visuel des planches r\u00e9alis\u00e9 par un op\u00e9rateur pr\u00e9sente des limites bien connues : la cadence de production est difficile \u00e0 tenir sur la dur\u00e9e, l’appr\u00e9ciation des d\u00e9fauts varie d’un op\u00e9rateur \u00e0 l’autre, et la fatigue d\u00e9grade la r\u00e9gularit\u00e9 du contr\u00f4le au fil de la journ\u00e9e. Surtout, un d\u00e9faut n’a pas la m\u00eame gravit\u00e9 selon sa position sur la planche : un n\u0153ud ou une fissure tol\u00e9r\u00e9 en bord de planche peut \u00eatre r\u00e9dhibitoire en plein c\u0153ur de la pi\u00e8ce. Cette nuance, essentielle pour \u00e9viter les d\u00e9classements abusifs, est tr\u00e8s difficile \u00e0 appliquer manuellement de fa\u00e7on constante.<\/p>\n<\/div>

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

Ce projet pr\u00e9sentait une difficult\u00e9 particuli\u00e8re : la tr\u00e8s grande typologie de d\u00e9fauts \u00e0 g\u00e9rer sur le bois, mati\u00e8re naturelle par essence irr\u00e9guli\u00e8re. Le syst\u00e8me devait reconna\u00eetre et classer un nombre \u00e9lev\u00e9 de types et de classes de d\u00e9fauts diff\u00e9rents, sans confusion.<\/p>\n

La complexit\u00e9 la plus fine r\u00e9sidait dans la distinction des n\u0153uds : il fallait diff\u00e9rencier les n\u0153uds classiques des n\u0153uds « moustaches », alors que la disparit\u00e9 g\u00e9om\u00e9trique entre les deux est extr\u00eamement t\u00e9nue. Distinguer de mani\u00e8re fiable deux d\u00e9fauts aussi proches visuellement d\u00e9passe les capacit\u00e9s d’un syst\u00e8me de vision \u00e0 r\u00e8gles classiques — c’est pr\u00e9cis\u00e9ment ce qui justifiait une approche par deep learning, capable d’apprendre des nuances que des r\u00e8gles fig\u00e9es ne sauraient capturer.<\/p>\n

Cette approche a exig\u00e9 un travail amont cons\u00e9quent : le mod\u00e8le \u00e9tant entra\u00een\u00e9 sur les classes de d\u00e9fauts, il a fallu constituer une base de donn\u00e9es d’exemples exhaustive et finement annot\u00e9e, couvrant l’ensemble des d\u00e9fauts \u00e0 reconna\u00eetre. La qualit\u00e9 de cette donn\u00e9e d’entra\u00eenement conditionne directement la pr\u00e9cision du r\u00e9sultat.<\/p>\n<\/div>

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

Noeuds noirs<\/span><\/a><\/div><\/div><\/div>
fissures<\/span><\/a><\/div><\/div><\/div>
manque de mati\u00e8res<\/span><\/a><\/div><\/div><\/div><\/div>

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

CIM Atlantique a d\u00e9ploy\u00e9 une solution de vision industrielle pilot\u00e9e par Deep Capture<\/a>, notre logiciel de vision par deep learning. Plut\u00f4t que de s’appuyer sur des r\u00e8gles g\u00e9om\u00e9triques fig\u00e9es, le syst\u00e8me apprend \u00e0 reconna\u00eetre les diff\u00e9rentes classes de d\u00e9fauts \u00e0 partir d’exemples r\u00e9els, et s’adapte \u00e0 la variabilit\u00e9 naturelle du bois. Le syst\u00e8me identifie la qualit\u00e9 de chaque planche en sortie de raboteuse et la classe automatiquement, sans intervention humaine, en tenant compte de la localisation du d\u00e9faut sur la planche.<\/p>\n<\/div>

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