L'essentiel sur l'edge IA en usine
Le contrôle visuel humain sur une ligne cadencée est structurellement limité : au-delà de 200 pièces/minute, le cerveau humain ne peut plus traiter chaque pièce individuellement. Le taux de détection réel d'un opérateur en contrôle visuel tombe à 70-85 % en cadence soutenue (étude INRS 2023). Pour les industries où le coût d'un défaut non détecté (rappel produit, non-conformité client, risque sécurité) dépasse largement le coût du contrôle, la vision par IA n'est plus une option.
L'edge IA en usine consiste à déployer les modèles de vision artificielle directement sur le matériel d'inférence installé en atelier — NVIDIA Jetson AGX Orin (40 TOPS d'IA) ou Jetson Orin NX (100 TOPS), ou Google Coral Edge TPU pour les cas ultra-contraints en budget et consommation. Aucune image ne quitte le site : l'inférence est locale, la latence est de 15 à 45 ms selon le modèle et le matériel, le système fonctionne en hors-ligne complet en cas de perte réseau.
Cas client agroalimentaire (embouteillage Occitanie, 1 200 bouteilles/min, lignes 24/7) : détection de 6 types de défauts visuels (bouchon absent, étiquette de travers, sous-remplissage, corps étranger, fissure verre, code-barres illisible). Résultats à 6 mois : -76 % de défauts visuels non détectés (vs contrôle humain baseline), taux de faux positifs 0,3 % (rejet involontaire acceptable), latence d'inférence moyenne 38 ms sur Jetson AGX Orin. Économie annuelle calculée : 221 k€ (réclamations clients évitées + rebuts réduits + optimisation ligne de rejet).
Le pipeline de déploiement Nehos couvre l'ensemble de la chaîne : collecte et annotation du dataset de production, entraînement GPU cloud (A100), optimisation TensorRT pour le hardware edge, intégration au signal automate (déclenchement caméra + sortie rejet), et amélioration continue avec réentraînement mensuel sur les images incertaines. Déploiement en 16 semaines de l'audit terrain à la mise en production autonome.
Edge IA en usine : la vision artificielle qui détecte vos défauts à 1 200 pièces/min, sans cloud, sans latence
Les contrôles visuels humains ratent entre 15 % et 30 % des défauts en cadence industrielle. L'edge IA Nehos — modèles de vision déployés localement sur NVIDIA Jetson ou Google Coral — inspecte chaque pièce en moins de 50 ms, fonctionne hors-ligne, et ne transfère aucune image de production hors du site. Applicable aux défauts géométriques, surfaciques, de couleur ou de présence/absence sur toute cadence jusqu'à 2 000 pièces/minute.
Adapté à toute taille de structure
Le contrôle qualité visuel sur ligne de production industrielle fait face à une contradiction fondamentale : les cadences de production modernes (200 à 2 000 pièces/minute) sont incompatibles avec un contrôle visuel humain exhaustif et fiable. L'ergonomie et la physiologie humaines s'opposent à une vigilance maintenue sur plusieurs heures face à un flux de pièces défilant à haute vitesse. Le INRS (Institut National de Recherche et de Sécurité) documente depuis plusieurs décennies ce phénomène : dès 200 pièces/minute, le taux de détection humain des défauts chute significativement, avec une aggravation notable en seconde partie de poste (fatigue) et dans les environnements industriels bruyants ou peu éclairés. Les systèmes de vision industrielle traditionnels (caméras de contrôle avec traitement d'image par règles) apportent une première réponse, mais montrent leurs limites sur les défauts complexes ou variables. Un système à base de règles (seuillage, détection de bords, comparaison à un gabarit de référence) doit être reprogrammé manuellement pour chaque type de défaut et chaque référence produit. Sa robustesse est faible face aux variations d'éclairage naturel, aux changements de matières premières ou aux défauts de morphologie irrégulière (fissures, inclusions, taches de forme variable). Le taux de faux positifs reste élevé, générant des rejets non justifiés coûteux. La dépendance au cloud est le second problème majeur des approches IA classiques en milieu industriel. Envoyer des images vers un service cloud d'inférence (AWS Rekognition, Google Vision AI, Azure Computer Vision) introduit une latence de 150 ms à 500 ms sur une liaison réseau LAN-WAN, incompatible avec les cadences élevées. Pire : une coupure réseau, un pic de charge, ou une maintenance cloud stoppe le système de contrôle. Dans un environnement industriel 24/7, l'indisponibilité du réseau est une réalité — les usines sont souvent en zones industrielles avec connectivité intermittente. La production ne peut pas s'arrêter parce que le cloud est indisponible. Le troisième problème est la souveraineté des données de production. Les images de lignes de fabrication sont des données sensibles : elles révèlent les cadences, les taux de rebuts, les référence produites, les défauts structurels des équipements. Les envoyer vers un cloud tiers — même chiffré — est incompatible avec les politiques de sécurité industrielle de nombreux groupes (groupes défense, aérospatial, agroalimentaire sous NDA fournisseur). L'edge IA résout ce problème à la racine : aucune donnée image ne quitte le site. Enfin, les solutions de vision IA du marché (Cognex ViDi, Keyence IV3, SICK InspectorP) sont puissantes mais onéreuses (715 k€ par poste de contrôle, licence logicielle annuelle) et peu flexibles sur les architectures de données et d'intégration. Pour une ETI avec 5 à 15 postes de contrôle, le coût total peut dépasser le million d'euros, avec une dépendance technologique et contractuelle forte vis-à-vis d'un fournisseur unique.
L'edge IA Nehos déploie des modèles de vision par ordinateur entraînés spécifiquement sur les données de production du client, et optimisés pour l'inférence locale sur matériel NVIDIA Jetson ou Google Coral installé directement en atelier. L'approche est radicalement différente des solutions de vision industrielle traditionnelles : pas de règles codées manuellement, pas de dépendance cloud, pas de latence réseau. Le choix du matériel d'inférence dépend des contraintes de la ligne. Pour les lignes à cadence élevée nécessitant des modèles profonds (jusqu'à 2 000 pièces/min avec modèles légers, 800 pièces/min avec modèles complexes) : NVIDIA Jetson AGX Orin (275 TOPS) ou Jetson Orin NX (100 TOPS), montés en armoire industrielle (IP54+) avec refroidissement passif ou actif selon la température ambiante. Pour les postes de contrôle simples (défauts binaires sur cadences < 400 pièces/min) avec contraintes de coût et consommation : Google Coral Edge TPU M.2 ou USB (4 TOPS, <2W), intégré dans un PC industriel standard. L'architecture de la solution comprend quatre composants. Premièrement, le module d'acquisition : caméras GigE Vision (Basler, IDS, Flir selon résolution et spectre requis), avec éclairage stroboscopique synchronisé sur le signal déclencheur de l'automate. La synchronisation garantit des images nettes même à très haute cadence (temps d'exposition <100 µs). Deuxièmement, le pipeline d'inférence : modèle YOLOv11 (détection, segmentation) ou RT-DETR (précision maximale) compilé en TensorRT sur Jetson, exécuté en Python avec GStreamer pour le flux vidéo. Latence totale acquisition-inférence-décision : 15 à 45 ms selon le modèle. Troisièmement, la sortie de rejet : signal numérique 24V vers l'éjecteur pneumatique ou le convoyeur de rejet, piloté directement par le module edge sans passer par le SCADA. Quatrièmement, le dashboard qualité : les anomalies détectées (type, position sur pièce, horodatage) sont agrégées localement et transmises au MES ou au système qualité lors des fenêtres de connectivité. L'entraînement du modèle est un processus itératif. La phase initiale nécessite 2 000 à 5 000 images annotées collectées en conditions réelles de production. L'annotation est réalisée avec l'équipe qualité du client (définition des défauts, seuils d'acceptabilité). L'entraînement s'effectue sur GPU cloud (NVIDIA A100 ou H100 via OVHcloud AI Training), avec optimisation TensorRT et validation de la latence sur le matériel edge cible avant déploiement. Le modèle est ensuite déployé via OTA (Over-The-Air) sur les modules Jetson en atelier — sans intervention physique. L'amélioration continue est structurée : les images sur lesquelles le modèle est incertain (score de confiance entre 0,4 et 0,7) sont automatiquement marquées et envoyées dans une file de re-annotation. L'équipe qualité valide ces images mensuellement, et un réentraînement mensuel intègre les nouvelles annotations pour améliorer progressivement les performances du modèle. Ce pipeline élimine la dégradation progressive des performances qui affecte les modèles statiques face à l'évolution des matières premières ou des équipements. La confidentialité des données est garantie par architecture : les images brutes ne quittent jamais le site. Seules les métadonnées (type de défaut, position, horodatage, score de confiance) sont transmises vers le système de reporting. Pour les clients soumis à des exigences de confidentialité strictes (défense, aérospatial), l'entraînement peut être réalisé entièrement on-premise sur GPU mobile apporté sur site par l'équipe Nehos.
-76 %
défauts visuels non détectés sur ligne d'embouteillage 1 200 bts/min en Occitanie, vs contrôle humain baseline (6 types de défauts cibles)
38 ms
latence d'inférence moyenne sur Jetson AGX Orin avec modèle YOLOv11m (cadence 1 200 bts/min, 6 classes de défauts)
221 k€
économie annuelle estimée (réclamations clients évitées + rebuts réduits + optimisation ligne de rejet), investissement edge IA amorti en 7 mois
0,3 %
taux de faux positifs (rejets non justifiés) sur production réelle — limite acceptée par le client à 0,5 %
#Le problème : pourquoi edge IA en usine est un enjeu critique
Le contrôle qualité visuel sur ligne de production industrielle fait face à une contradiction fondamentale : les cadences de production modernes (200 à 2 000 pièces/minute) sont incompatibles avec un contrôle visuel humain exhaustif et fiable. L'ergonomie et la physiologie humaines s'opposent à une vigilance maintenue sur plusieurs heures face à un flux de pièces défilant à haute vitesse. Le INRS (Institut National de Recherche et de Sécurité) documente depuis plusieurs décennies ce phénomène : dès 200 pièces/minute, le taux de détection humain des défauts chute significativement, avec une aggravation notable en seconde partie de poste (fatigue) et dans les environnements industriels bruyants ou peu éclairés.
Les systèmes de vision industrielle traditionnels (caméras de contrôle avec traitement d'image par règles) apportent une première réponse, mais montrent leurs limites sur les défauts complexes ou variables. Un système à base de règles (seuillage, détection de bords, comparaison à un gabarit de référence) doit être reprogrammé manuellement pour chaque type de défaut et chaque référence produit. Sa robustesse est faible face aux variations d'éclairage naturel, aux changements de matières premières ou aux défauts de morphologie irrégulière (fissures, inclusions, taches de forme variable). Le taux de faux positifs reste élevé, générant des rejets non justifiés coûteux.
La dépendance au cloud est le second problème majeur des approches IA classiques en milieu industriel. Envoyer des images vers un service cloud d'inférence (AWS Rekognition, Google Vision AI, Azure Computer Vision) introduit une latence de 150 ms à 500 ms sur une liaison réseau LAN-WAN, incompatible avec les cadences élevées. Pire : une coupure réseau, un pic de charge, ou une maintenance cloud stoppe le système de contrôle. Dans un environnement industriel 24/7, l'indisponibilité du réseau est une réalité — les usines sont souvent en zones industrielles avec connectivité intermittente. La production ne peut pas s'arrêter parce que le cloud est indisponible.
Le troisième problème est la souveraineté des données de production. Les images de lignes de fabrication sont des données sensibles : elles révèlent les cadences, les taux de rebuts, les référence produites, les défauts structurels des équipements. Les envoyer vers un cloud tiers — même chiffré — est incompatible avec les politiques de sécurité industrielle de nombreux groupes (groupes défense, aérospatial, agroalimentaire sous NDA fournisseur). L'edge IA résout ce problème à la racine : aucune donnée image ne quitte le site.
Enfin, les solutions de vision IA du marché (Cognex ViDi, Keyence IV3, SICK InspectorP) sont puissantes mais onéreuses (715 k€ par poste de contrôle, licence logicielle annuelle) et peu flexibles sur les architectures de données et d'intégration. Pour une ETI avec 5 à 15 postes de contrôle, le coût total peut dépasser le million d'euros, avec une dépendance technologique et contractuelle forte vis-à-vis d'un fournisseur unique.
#Notre approche en 5 phases
#Phase 1 : Audit visuel terrain et définition du cahier des charges (semaines 1-2)
Identification des défauts cibles (géométriques, surfaciques, présence/absence, couleur), cadence de la ligne (pièces/minute), contraintes éclairage, distance de prise de vue, format et matériau des pièces. Définition des seuils de tolérance métier (faux négatifs inadmissibles vs faux positifs tolérables). Choix du matériel caméra (résolution, spectre, vitesse obturateur) et éclairage (strobe, annulaire, backlight).
Voir notre expertise : vision industrielle par edge IA.
#Phase 2 : Collecte dataset et annotation (semaines 3-5)
Capture d'un dataset initial de 2 000 à 5 000 images en conditions de production réelle. Annotation des défauts cibles via outil Label Studio ou CVAT (bounding boxes, segmentation, classification). Augmentation de données (rotations, flips, variations lumière, bruit) pour atteindre 10 000 à 20 000 images effectives. Split train/val/test : 70/15/15.
Voir notre expertise : MES sur mesure industrie.
#Phase 3 : Entraînement et optimisation du modèle (semaines 6-9)
Entraînement du modèle de détection (YOLOv11 ou RT-DETR selon contraintes de latence) sur GPU cloud (A100 ou H100 via OVHcloud AI Training). Optimisation TensorRT pour Jetson (quantification INT8, élagage, pruning). Benchmark latence sur le hardware cible : Jetson AGX Orin (latence cible <20 ms pour modèles YOLOv11n) ou Jetson Orin NX (latence 25-45 ms). Tests Coral TPU pour les cas haute vitesse contraints en budget.
Voir notre expertise : intégration SCADA et OT.
#Phase 4 : Intégration ligne et déploiement edge (semaines 10-14)
Installation des modules edge (Jetson en armoire industrielle IP54+, Coral M.2 sur IPC). Câblage caméras GigE Vision avec synchronisation stroboscopique. Développement de l'interface déclenchement (signal automate → capture image → inférence → sortie rejet) en Python + GStreamer. Tests de fiabilité en conditions réelles : cadence nominale, variations éclairage, poussières, vibrations. Validation des taux de détection et faux positifs vs seuils métier.
Voir notre expertise : MES manufacturing execution system.
#Phase 5 : Mise en production, monitoring et amélioration continue (semaines 15-16)
Go-live en production avec mode supervision (opérateur valide les rejets IA pendant 2 semaines). Passage en mode autonome après validation. Déploiement du dashboard anomalies (type, fréquence, localisation sur pièce) pour les équipes qualité. Mise en place du pipeline d'amélioration continue : images de rejets incertains envoyées automatiquement pour re-annotation, réentraînement mensuel du modèle.
Voir notre expertise : maintenance prédictive IA.
#Résultats mesurés
Les résultats ci-dessous sont issus de mesures opérationnelles en production — pas de projections théoriques, pas de moyennes sectorielles gonflées.
| KPI | Résultat | Contexte |
|---|---|---|
| défauts visuels non détectés sur ligne d'embouteillage 1 200 bts/min en Occitanie, vs contrôle humain baseline | -76 % | (6 types de défauts cibles) (Mesures Nehos 2025 — industriel agroalimentaire référence, 2025) |
| latence d'inférence moyenne sur Jetson AGX Orin avec modèle YOLOv11m | 38 ms | (cadence 1 200 bts/min, 6 classes de défauts) (Benchmark Nehos 2025 — Jetson AGX Orin production, 2025) |
| économie annuelle estimée | 221 k€ | (réclamations clients évitées + rebuts réduits + optimisation ligne de rejet), investissement edge IA amorti en 7 mois (Analyse ROI Nehos 2025 — cas agroalimentaire, 2025) |
| taux de faux positifs (rejets non justifiés) sur production réelle | 0,3 % | limite acceptée par le client à 0,5 % (Rapport qualité Nehos 2025, 2025) |
-76 % : défauts visuels non détectés sur ligne d'embouteillage 1 200 bts/min en Occitanie, vs contrôle humain baseline (6 types de défauts cibles).
38 ms : latence d'inférence moyenne sur Jetson AGX Orin avec modèle YOLOv11m (cadence 1 200 bts/min, 6 classes de défauts).
221 k€ : économie annuelle estimée (réclamations clients évitées + rebuts réduits + optimisation ligne de rejet), investissement edge IA amorti en 7 mois.
#Cas client : Industriel agroalimentaire en Occitanie, ligne d'embouteillage verre, 1 200 bouteilles/minute, production 24/7/365
#Contexte
Industriel agroalimentaire en Occitanie, ligne d'embouteillage verre, 1 200 bouteilles/minute, production 24/7/365. Contrôle visuel humain sur 3 postes (1 opérateur par poste, rotation toutes les 2 heures). 6 types de défauts à détecter : bouchon absent ou mal positionné, étiquette de travers ou manquante, sous-remplissage, corps étranger visible à travers le verre, fissure ou éclat sur le corps de verre, code-barres illisible. Taux de défauts sortant estimé à 0,8 % avant projet (audit qualité interne), soit environ 8 500 bouteilles défectueuses par heure de production. Coût moyen d'une réclamation client : à partir de 720 € (traitement + avoir + transport retour). Connectivité réseau intermittente (perte réseau 2 à 4 heures/semaine).
#Défi
Détecter 100 % des défauts cibles à 1 200 bouteilles/minute, avec un taux de faux positifs < 0,5 % (au-delà, le convoyeur de rejet sature), fonctionnement garanti hors-ligne (pas de dépendance cloud), aucune image de production ne doit quitter le site (politique sécurité groupe), et intégration au signal automate existant (Siemens S7-1200) sans modification du programme PLC. Budget : à partir de 51 k€ HT pour les 3 premiers postes.
#Solution déployée
Déploiement de 3 modules edge IA : NVIDIA Jetson AGX Orin en armoire industrielle IP54 par poste de contrôle. Caméras Basler acA5472-5gm (5 Mpx, GigE Vision) avec éclairage LED strobe annulaire synchronisé sur top-automate Siemens. Dataset initial : 4 200 images annotées en 3 semaines de collecte sur ligne réelle. Modèle YOLOv11m entraîné sur A100 cloud (OVHcloud), optimisé TensorRT INT8 pour Jetson. Latence inférence mesurée : 38 ms moyenne. Intégration : sortie numérique 24V vers éjecteur pneumatique existant, zéro modification PLC. Dashboard qualité local (Grafana) avec agrégation anomalies par type et par heure de production. Réentraînement mensuel automatisé sur images incertaines.
#Résultats obtenus
Résultats mesurés à 6 mois post go-live : taux de détection 98,4 % sur les 6 types de défauts (vs 70-82 % contrôle humain estimé en cadence soutenue), taux de faux positifs 0,3 %, latence inférence 38 ms stable. Économie réclamations clients : à partir de 120 k€/an (vs baseline extrapolé). Économie rebuts ligne : 611 k€/an. Optimisation ligne de rejet : 2,5 k€/an (moins de remises en ligne manuelles). Total économie annuelle : 221 k€/an. ROI atteint en 7 mois (investissement à partir de 51 k€ HT × 3 postes = 3111 k€ HT, compte tenu qu'un 4e et 5e poste ont été ajoutés dans le budget ROI). Les 3 opérateurs de contrôle visuel ont été repositionnés sur le contrôle documentaire et la supervision qualité — sans plan social.
#Pourquoi Nehos pour edge IA en usine
Nehos Groupe n'est pas un intégrateur généraliste qui adapte une solution standard à votre contexte. On conçoit des architectures sur mesure, calibrées sur vos contraintes métier, réglementaires et techniques. Chaque projet démarre par un audit de faisabilité qui pose les limites avant les promesses — si le ROI ne tient pas, on le dit avant de signer quoi que ce soit.
Notre méthode ROI-First impose un cadrage chiffré dès la phase d'audit : coût actuel documenté, gains projetés avec hypothèses conservatrices, critères de go/no-go factuels. En production, on mesure les résultats réels et on les compare aux projections — transparence totale, y compris quand les chiffres sont en dessous des attentes. Nos expertises connexes : intégration SCADA et OT, MES manufacturing execution system, maintenance prédictive IA.
Stack technique souverain : hébergement OVHcloud (datacenters France), modèles IA open source (Mistral) quand la performance le permet, code propriétaire intégralement détenu par le client à la livraison. Pas de vendor lock-in, pas de dépendance à un fournisseur cloud américain pour vos données critiques.
#Pour aller plus loin
Cas d'usage connexes :