Pourquoi les projets de vision industrielle échouent (et les 7 éléments qui les font réussir)

La vision industrielle existe depuis plus de 50 ans. Des millions de systèmes sont déployés dans le monde entier. La technologie est éprouvée, les composants sont fiables et les logiciels sont plus performants que jamais.

Alors pourquoi certains projets échouent-ils malgré tout ?

Après 18 ans à fournir des systèmes de vision industrielle et à aider des ingénieurs à les spécifier, les construire et les dépanner, nous avons vu les mêmes schémas revenir encore et encore. La bonne nouvelle, c'est que la plupart des échecs sont entièrement évitables. Ils se résument à sept éléments. Nous les appelons les 7 pièces du puzzle de la vision industrielle. Il suffit qu'il en manque une pour que toute l'image se brise.

1. La connaissance : l'élément qui influence tout le reste

C'est la cause profonde la plus courante des dysfonctionnements des projets de vision industrielle, et elle se retrouve dans les six autres éléments. Ce n'est pas une critique. Tout le monde a un premier projet. Mais lorsqu'un ingénieur spécifie un système de vision pour la première fois, le nombre de décisions à prendre correctement est considérable : type de caméra, taille du capteur, choix de l'objectif, géométrie de l'éclairage, bande passante de l'interface, plateforme logicielle, montage, déclenchement, protection environnementale. Une erreur sur l'un de ces points peut suffire à faire sous-performer le système, voire à le faire échouer complètement.

Le défi est que la vision industrielle se situe à la croisée de l'optique, de l'électronique, du logiciel et de la mécanique. Très peu d'ingénieurs possèdent une expertise approfondie dans ces quatre domaines. Un ingénieur brillant en programmation d'automates n'a peut-être jamais choisi d'objectif. Un responsable qualité qui comprend parfaitement ses exigences de contrôle peut ne pas savoir quelle bande passante d'interface est nécessaire.

C'est là que travailler avec un fournisseur expérimenté fait une différence mesurable. Non pas parce que vous ne pourriez pas le faire vous-même, mais parce que la courbe d'apprentissage est raide et que le coût d'une erreur sur un système de production est bien réel. Le programme de formation KnowHow de Clearview existe précisément pour cette raison, et notre équipe d'ingénierie peut vous accompagner dans le processus de spécification via ClearviewFormula afin que vous ne preniez pas ces décisions seul.

2. Commencez par l'image, pas par le logiciel

C'est le principe technique le plus important en vision industrielle, et celui qui est le plus souvent ignoré. Si vous partez d'une bonne image, le travail logiciel devient nettement plus simple.

Qu'entend-on par une bonne image ? Cela signifie la bonne caméra avec le bon capteur pour vos exigences de résolution et de vitesse. Cela signifie le bon objectif pour votre champ de vision et votre distance de travail. Et surtout, cela signifie le bon éclairage. L'éclairage est le composant le plus sous-estimé en vision industrielle. Les ingénieurs surinvestissent régulièrement dans les caméras et sous-investissent dans l'éclairage. Le résultat est une image qu'aucun logiciel ne peut corriger.

Avec de bonnes optiques et un bon éclairage, il est souvent possible d'utiliser des algorithmes simples et fiables : reconnaissance de motifs, détection de contours, analyse de blobs, seuillage de base. Ce sont des outils bien maîtrisés, rapides et produisant des résultats constants. Lorsque l'image est de mauvaise qualité, les ingénieurs sont contraints de recourir à des approches de plus en plus complexes et fragiles pour compenser ce qui aurait dû être résolu au stade optique.

Le principe est simple : réussissez d'abord l'image, et le reste du système devient plus facile. Ratez-la, et vous vous battrez avec le logiciel pendant toute la durée de vie du système.

3. L'IA n'est pas toujours la solution

L'IA et le deep learning suscitent aujourd'hui beaucoup d'enthousiasme dans le domaine de la vision industrielle, et ce n'est pas sans raison. Pour certaines applications, en particulier la classification de défauts sur des surfaces variables ou complexes, le deep learning obtient des résultats que les algorithmes classiques ne peuvent égaler.

Mais l'IA n'est pas une solution universelle. Les modèles de deep learning nécessitent des données d'entraînement, de la puissance de calcul et une maintenance continue à mesure que les conditions de production évoluent. Pour de nombreuses tâches de contrôle, un système de vision classique bien conçu, avec un bon éclairage et des algorithmes standards, surpassera une approche par IA en termes de vitesse, de fiabilité et de coût.

La question à poser n'est pas « faut-il utiliser l'IA ? » mais « à quoi ressemble l'image lorsque l'éclairage et l'optique sont corrects ? » Si le défaut est clairement visible et constant, les algorithmes classiques feront presque certainement l'affaire. Si le défaut est variable, subjectif ou difficile à définir par des règles, c'est là que le deep learning trouve sa place.

4. La complexité tue : simplifiez l'interface opérateur

Un système de vision qui fonctionne parfaitement en laboratoire échouera sur la ligne de production si les personnes qui l'utilisent ne le comprennent pas. Il ne s'agit pas d'intelligence. Il s'agit de concevoir en fonction de l'environnement. Les opérateurs de production sont occupés, ils gèrent plusieurs tâches à la fois, et ils ont besoin d'un système qui leur donne un résultat clair de type conforme/non conforme, avec un retour visuel évident lorsque quelque chose ne va pas.

Les meilleures interfaces opérateur affichent l'image de référence à côté de l'image testée, mettent en évidence l'élément en défaut à l'aide d'un indicateur visuel clair, et présentent le résultat d'une manière qui ne nécessite aucune interprétation. Si un opérateur doit lire un manuel pour comprendre ce que le système lui indique, c'est que l'interface a échoué.

Cela s'applique également au changement de série et au réglage. Si le passage d'une variante de produit à une autre nécessite l'intervention d'un spécialiste pour reprogrammer le système, vous créez un goulot d'étranglement qui vous coûtera du temps de production chaque semaine. Des plateformes logicielles comme Design Assistant de Zebra permettent à des ingénieurs non spécialisés en logiciel de configurer et de maintenir des applications à l'aide d'une programmation par organigramme. Cela signifie que les personnes les plus proches de la ligne de production peuvent assurer le maintien du système sans attendre une aide extérieure à chaque changement.

5. Flexibilité : ne vous enfermez pas

Certaines plateformes de vision industrielle vous enferment dans l'écosystème d'un seul fournisseur. La caméra ne fonctionne qu'avec leur logiciel. Le logiciel ne tourne que sur leur matériel. Dès que vous devez changer quelque chose, vous devez de nouveau passer par ce fournisseur. Si leur support est bon, cela peut fonctionner. S'il ne l'est pas, vous êtes coincé.

L'alternative consiste à s'appuyer sur des normes ouvertes. Les caméras conformes GeniCam fonctionnent avec n'importe quel logiciel compatible GeniCam. Des interfaces standards comme GigE Vision et CoaXPress sont prises en charge par de nombreux fabricants. Cela vous donne la liberté de remplacer des composants, d'ajouter des caméras d'autres fournisseurs et de maintenir votre système de manière autonome.

Nous constatons ce phénomène régulièrement. Un client dispose d'un système fonctionnel utilisant des caméras GeniCam mais souhaite réduire le coût unitaire en passant à des capteurs MIPI. La différence de prix semble intéressante sur le papier. En pratique, les caméras MIPI nécessitent des pilotes différents, des approches d'intégration différentes et une expertise différente. Nous avons vu des entreprises passer de nombreux mois en R&D pour tenter de faire fonctionner des caméras bon marché, pour finalement constater que le coût total de développement dépassait largement les économies réalisées sur le matériel. Tout ce temps de R&D est un coût irrécupérable. Les économies sur les caméras ne se sont jamais concrétisées, car l'effort d'ingénierie les a englouties plusieurs fois.

Avant de prendre une décision de plateforme, demandez-vous : si je dois changer quelque chose dans 18 mois, puis-je le faire moi-même ? Si la réponse est non, réfléchissez bien si l'économie à court terme vaut la dépendance à long terme.

6. Installation et environnement : la ligne de production n'est pas le laboratoire

Un système de vision qui fonctionne parfaitement sur le banc d'essai peut tomber en panne quelques heures après son installation sur une ligne de production. Les causes sont presque toujours environnementales : les fluctuations de température qui affectent le bruit du capteur et la mise au point de l'objectif, les vibrations qui déplacent l'alignement de la caméra, la lumière ambiante qui interfère avec l'éclairage structuré, la poussière et l'humidité qui dégradent les surfaces optiques au fil du temps.

Il en va de même pour le matériel de traitement. Nous voyons régulièrement des clients utiliser des PC grand public qui n'ont jamais été conçus pour des environnements industriels. Ils surchauffent, ne disposent d'aucune capacité d'E/S en temps réel et ne sont pas conçus pour un fonctionnement continu. Un PC industriel avec des E/S en temps réel, un refroidissement passif et un indice de protection adapté n'est pas un luxe. C'est une exigence de base pour tout système devant fonctionner de manière fiable sur un site de production.

L'architecture de déclenchement et d'E/S compte plus qu'on ne le pense généralement. La différence entre une E/S par scrutation et une E/S en temps réel peut faire la différence entre un système qui détecte chaque pièce et un système qui en manque certaines de façon intermittente. Si votre ligne fonctionne à grande vitesse et que vos tolérances sont serrées, ce n'est pas un point sur lequel transiger.

7. Le coût : le système le moins cher est rarement le moins coûteux au final

L'instinct de minimiser le coût initial est compréhensible. Mais en vision industrielle, faire des économies sur les composants coûte presque toujours plus cher à long terme. Un objectif bon marché qui introduit de la distorsion signifie un étalonnage plus complexe. Une caméra d'entrée de gamme avec un mauvais rapport signal/bruit signifie un traitement d'image plus poussé. Un éclairage inadéquat signifie que le logiciel doit travailler davantage, ce qui signifie plus de temps de développement, ce qui signifie plus de coûts.

Vient ensuite la question des logiciels open source. Des outils gratuits comme OpenCV sont puissants, et pour certaines applications, ils constituent le bon choix. Mais lorsque quelque chose tombe en panne à 2 heures du matin sur une ligne de production, qui vous vient en aide ? Lorsque vous avez besoin d'une nouvelle fonctionnalité, qui la développe ? Le coût total de possession d'un logiciel « gratuit » dépasse souvent celui d'une plateforme commerciale avec support, une fois pris en compte le temps d'ingénierie consacré à sa maintenance, son débogage et son extension.

L'argument est simple : investissez dans la qualité de l'image (caméra, objectif, éclairage) et vous ferez des économies côté logiciel. Nous avons rédigé une analyse détaillée du coût réel des systèmes de vision industrielle sur notre page de tarification.

Le puzzle est résoluble

Aucune de ces sept pièces ne constitue un problème insoluble. Ce sont des défis prévisibles et bien connus, auxquels le secteur est confronté depuis des décennies. La différence entre les projets qui réussissent et ceux qui peinent tient presque toujours à la préparation : prendre le temps de bien spécifier, de tester en profondeur, et de choisir des composants et des plateformes qui serviront l'application pendant des années, et pas seulement le temps de la démonstration initiale.

Si vous démarrez un nouveau projet de vision industrielle, ou si vous cherchez à résoudre un problème sur un système qui ne fonctionne pas comme prévu, l'équipe d'ingénierie de Clearview peut vous aider. Nos laboratoires d'essai Insights sont conçus précisément pour cela : évaluer vos échantillons dans des conditions contrôlées, tester différentes combinaisons de caméras, d'objectifs et d'éclairages, et valider que le système fonctionnera dans votre environnement de production avant que vous ne vous engagiez dans l'achat.

Contactez-nous : info@clearview-imaging.com | +44 (0)1844 217270