#Chapitre 1 — Computer vision industrie 2026 : enjeux et marché

La computer vision industrielle n'est pas neuve. Les premiers systèmes de vision par caméra linéaire et caméra matricielle existent depuis les années 1980 dans l'agroalimentaire, le verre, l'imprimerie. Ce qui change en 2024-2026, c'est la combinaison de trois ruptures simultanées qui font basculer la technologie d'un statut d'outil de niche vers un statut d'infrastructure standard de l'usine connectée.

#Rupture 1 — Maturité des modèles open source

Jusqu'en 2020, le déploiement d'une solution computer vision industrielle impliquait l'achat d'une suite logicielle propriétaire (Cognex VisionPro, Keyence CV-X, MVTec Halcon, Stemmer Common Vision Blox) avec une licence par caméra à plusieurs milliers d'euros et un coût d'intégration élevé. Le savoir-faire restait verrouillé chez l'éditeur.

En 2024-2026, les modèles open source ont rattrapé puis dépassé les solutions propriétaires sur la majorité des cas standard. YOLOv8 et YOLOv9 (Ultralytics, licence AGPL-3.0 ou commerciale Ultralytics Enterprise) atteignent 92-97 % de précision sur des cas réels de détection de défauts industriels avec un fine-tuning sur 800 à 5 000 images annotées. Detectron2 (Meta AI Research, licence Apache 2.0) couvre les cas de segmentation d'instance. Vision Transformer (ViT de Google Research, Swin Transformer de Microsoft Research, DINOv2 de Meta) offrent un saut qualitatif sur les cas de classification fine et de représentation de référence en few-shot.

Conséquence économique : le coût licence logiciel chute de plusieurs milliers d'euros par caméra à quasi nul. L'investissement se concentre sur le hardware, l'annotation dataset et l'intégration métier.

#Rupture 2 — Edge computing économique

Le deuxième basculement est matériel. Les SoC Nvidia Jetson ont multiplié leur ratio TOPS/euro par un facteur 8 entre 2018 et 2026. Le Jetson Orin Nano 8 Go (40 TOPS, environ 500-800 euros par boîtier) supporte sans difficulté 4 à 8 flux caméras 1080p à 30 fps avec un modèle YOLOv8 medium en parallèle. Le Jetson Orin NX 16 Go (100 TOPS, 1 200-1 800 euros) pousse à 12-16 caméras simultanées ou à des modèles plus lourds (ViT large, modèle multi-tâches détection + classification + segmentation).

L'edge devient le déploiement par défaut pour trois raisons : latence sub-80 ms exigée pour les actions temps réel sur ligne (éjection produit défectueux, alerte port EPI), résilience face aux pertes de connectivité WAN sur sites industriels isolés, souveraineté des images (les flux caméras restent en local, jamais expédiés vers un cloud externe — point critique pour la conformité RGPD sur les cas EPI et heatmap).

#Rupture 3 — Pression qualité, sécurité et marges

La troisième rupture est métier. Trois pressions s'additionnent. Pression qualité : les exigences de traçabilité agroalimentaire (règlement (UE) 178/2002, normes IFS et BRCGS), pharma (Annexe 11 EU GMP, sérialisation et anti-contrefaçon), automotive (IATF 16949, PPAP, AIAG VDA) se durcissent et imposent des contrôles 100 % systématiques que seul le contrôle automatique permet à coût acceptable. Pression sécurité travailleurs : les contrôles SEVESO sur le port effectif des EPI (Équipements de Protection Individuelle — casque, gilet, gants, chaussures, lunettes) sont devenus systématiques en 2024-2025 après la jurisprudence sur la responsabilité pénale du dirigeant. Pression marges retail : sous pression d'Amazon et des hard-discounters, la distribution alimentaire et non-alimentaire généralise les caisses autonomes (Amazon Go, Carrefour Flash, Auchan Go, Monoprix Mini), portées par la computer vision pour la reconnaissance produits et l'anti-fraude.

#Le marché français en chiffres 2026

Les données disponibles convergent. Le marché français de la computer vision industrielle est estimé entre 380 et 520 millions d'euros en 2026, en croissance de 28 % par an depuis 2022 (croisement Xerfi, Idate Digiworld, retours terrain Nehos). Les segments leaders : qualité ligne manufacturing (42 %), sécurité travailleurs et EPI (18 %), retail et logistique (16 %), agroalimentaire (12 %), pharma (7 %), autres (5 %).

La pénurie d'ingénieurs computer vision est forte. France Industrie et le Syntec Numérique estiment à 12 000 le nombre de postes d'ingénieurs vision et data scientists spécialisés non pourvus en 2026 sur le marché français, avec une tension particulière sur Lyon, Toulouse, Grenoble (proximité écoles INSA, Grenoble INP).

Voir le secteur Énergie & Industrie Nehos pour le contexte sectoriel manufacturing, et le secteur Retail & Distribution Nehos pour les cas magasin et caisse autonome.

#Chapitre 2 — Cas d'usage : qualité ligne, EPI SEVESO, heatmap retail, caisse autonome

Quatre cas d'usage concentrent en 2026 environ 80 % du ROI mesuré sur le terrain Nehos. Cette section les détaille avec contraintes, stack adapté, KPI attendus et fourchettes d'investissement.

#Cas d'usage 1 — Contrôle qualité automatisé sur ligne de production

C'est le cas le plus mature et le plus rentable. Il couvre trois familles de tâches. Détection de défauts : rayure, fissure, déformation, contamination, défaut d'assemblage, défaut de soudure, manque de pièce. Mesure dimensionnelle : contrôle de cotes, parallélisme, planéité, jeux. Lecture OCR : codes-barres 1D et 2D (Data Matrix, QR), numéros de lot, dates, sérialisation pharma.

Contraintes spécifiques : éclairage maîtrisé impératif (LED stroboscopique synchronisée pour figer le mouvement, dôme pour les surfaces réfléchissantes, backlight pour la mesure dimensionnelle), optique télécentrique pour la métrologie de précision, vitesse ligne compatible (typiquement 30-200 fps selon cadence). Stack typique : caméra Basler ace 2 ou IDS uEye Warp 10, optique fixe télécentrique ou liquide-lens variable, éclairage LED contrôlé, Jetson Orin Nano avec modèle YOLOv8 medium ou Detectron2 selon la précision recherchée, intégration MES via OPC-UA ou MQTT.

KPI attendus sur cas concret ETI manufacturing : précision modèle 94-97 %, rappel 91-95 %, latence inférence 35-65 ms, taux de rebuts -35 à -50 %, taux de réclamations client -25 à -45 %. Investissement typique 1 800-3 500 euros par point caméra installé tout compris, ROI cible 10-14 mois.

#Cas d'usage 2 — Détection des EPI sur sites SEVESO et industriels

C'est le cas qui a explosé depuis 2024 sous l'effet de la jurisprudence sur la responsabilité pénale du dirigeant en cas d'accident du travail. La computer vision détecte en temps réel le port effectif des EPI obligatoires : casque de sécurité, gilet haute visibilité, gants adaptés au poste, chaussures de sécurité, lunettes de protection, masque selon zone.

Contraintes spécifiques : couverture grand angle des zones d'accès et postes de travail, robustesse face aux variations d'éclairage (intérieur sombre, lumière naturelle, contre-jour), respect strict RGPD et CNIL (anonymisation faciale obligatoire, droit d'opposition CSE consulté, durée de rétention images justifiée, finalité strictement limitée à la sécurité). Stack typique : caméra Axis P3245 ou IP industrielle équivalente, traitement edge sur Jetson Orin NX, modèle YOLOv8 large ou modèle multi-classes custom (5-7 classes EPI), intégration avec système d'alarme HSE et tableau de bord HSE.

Classification AI Act : ce cas relève systématiquement du régime haut risque AI Act au sens de l'Annexe III point 4 (emploi et gestion des travailleurs, surveillance de la performance et du comportement). Régime de conformité complet exigé (gestion des risques, gouvernance données, journalisation, supervision humaine, audit biais Aequitas sur sous-populations sensibles, déclaration européenne, marquage CE).

KPI attendus : précision modèle 92-96 %, rappel 88-94 %, latence sub-150 ms, baisse mesurée des accidents avec défaut EPI -30 à -50 %, conformité audit Inspection du Travail. Investissement 2 200-4 800 euros par point caméra (le surcoût vient de la conformité AI Act et de la robustesse outdoor).

Voir notre guide AI Act conformité ETI checklist 12 étapes pour le détail des obligations.

#Cas d'usage 3 — Heatmap de circulation retail et entrepôt logistique

La heatmap analyse les flux de personnes (clients en magasin, opérateurs en entrepôt) pour optimiser l'agencement, dimensionner les effectifs, mesurer l'attractivité des linéaires, identifier les goulots d'étranglement logistiques. Deux variantes principales. Retail B2C : agencement magasin, performance des têtes de gondole, mesure des temps d'attente caisse, optimisation des horaires de personnel. Logistique entrepôt : circulation chariots et caristes, identification des hotspots de congestion, optimisation des chemins de picking, dimensionnement de la flotte AGV.

Contraintes spécifiques : couverture grand angle et plafond (caméras fisheye ou caméras 360°), anonymisation totale (aucune donnée biométrique conservée, comptage et trajectoire uniquement), agrégation des données par zone et par tranche horaire, conformité RGPD stricte et information visible des clients. Stack typique : caméra Axis M3057-PLVE fisheye ou Bosch FlexiDome IP panoramic, traitement edge ou Server, modèle MOT (Multi-Object Tracking) type ByteTrack ou OC-SORT sur top de YOLOv8, dashboard Grafana ou Power BI pour les directions.

Classification AI Act : sortie du régime haut risque si l'anonymisation est garantie dès la collecte (pas de reconnaissance faciale, pas de re-identification individuelle). Régime risque limité avec obligation d'information utilisateurs et transparence.

KPI attendus : précision comptage flux 96-99 %, identification des hotspots actionnables, gains opérationnels mesurés sur les KPI métier (conversion linéaire +8 à +15 %, productivité picking +12 à +22 %). Investissement 1 400-2 600 euros par point caméra. ROI typique 8-12 mois sur entrepôt logistique, 14-20 mois sur retail (le gain dépend fortement de la qualité d'exécution des actions correctives suite à l'analyse).

#Cas d'usage 4 — Caisses autonomes en distribution

La caisse autonome combine plusieurs techniques computer vision : reconnaissance des produits placés sur le tapis ou dans le panier, détection des comportements anormaux (anti-fraude), validation du sac client, intégration paiement. Deux architectures : caisse libre-service assistée par vision (le client scanne, la vision valide en background) et caisse pure walk-out (Amazon Go style, le client prend et part, la vision tracke l'ensemble du parcours).

Contraintes spécifiques : robustesse face aux variations d'éclairage, gestion du catalogue produits évolutif (2 000 à 50 000 SKU selon enseigne), latence temps réel, intégration TPV et SI magasin, conformité PCI-DSS sur le volet paiement, conformité RGPD sur le volet vidéo. Stack typique : caméras multi-angles (top down + frontales + balance), modèle multi-classes très large entraîné en continu, edge GPU dédié par caisse, intégration TPV via API du fournisseur (NCR, Toshiba, Diebold Nixdorf).

Classification AI Act : risque limité pour la reconnaissance produits, plus complexe pour les modules anti-fraude qui peuvent flirter avec la qualification haut risque selon leur usage (impact contractuel ou disciplinaire client). Analyse à mener au cas par cas.

KPI attendus : précision reconnaissance produits 97-99,5 %, taux d'erreur < 1 %, gain productivité caisse +35 à +55 %, baisse de la fraude mesurée -20 à -40 %. Investissement 18 000-45 000 euros par caisse autonome complète (le coût intègre caméras, edge GPU, hardware caisse, intégration TPV). ROI typique 16-24 mois en hypermarché, 10-16 mois en convenience.

Voir le secteur Retail & Distribution Nehos pour l'approche sectorielle complète.

#Chapitre 3 — Stack technique 2026 : caméras IDS/Basler/Axis + PyTorch/ONNX + edge Jetson

Le stack technique de la computer vision industrielle se joue sur cinq couches étagées du capteur optique au système d'information métier. Notre stack 2026 référence est conçu pour le terrain ETI manufacturière et retail : compromis coût / performance / maintenabilité optimal, briques open source partout où c'est pertinent, fournisseurs européens privilégiés pour la souveraineté.

#Couche 1 — Caméras industrielles

Trois familles de caméras couvrent 90 % des besoins. IDS Imaging Development Systems (Allemagne) : caméras uEye et Ensenso, excellent rapport qualité/prix, SDK robuste multi-OS, gamme large résolution / fréquence / interface (USB3, GigE Vision, MIPI CSI-2 pour les déploiements embarqués). Très bien adapté aux ETI manufacturing pour les cas qualité ligne. Basler (Allemagne) : caméras ace 2 et boost, références dans la qualité industrielle haut de gamme, écosystème pylon SDK mature, intégration native dans la plupart des suites logicielles tierces. Axis Communications (Suède) : caméras IP P32xx, M30xx pour la sécurité et la surveillance, robustesse IP66 outdoor, large parc déjà déployé chez les industriels et retailers.

Alternatives selon contexte : Allied Vision (Allemagne) pour les cas haute résolution, Teledyne Dalsa (Canada) pour la caméra linéaire, FLIR (États-Unis) pour le thermique industriel, Hikvision et Dahua à éviter dans le contexte souveraineté France et Europe.

Coût indicatif : 350 à 1 200 euros pour une caméra matricielle GigE Vision standard, 600 à 2 800 euros pour une caméra industrielle haut de gamme, 800 à 2 500 euros pour une caméra IP Axis sécurité.

#Couche 2 — Optique et éclairage

C'est la couche que les équipes data tendent à sous-estimer. Pourtant, en computer vision industrielle, la qualité de l'optique et de l'éclairage compte autant que la qualité du modèle. Optique : objectif fixe pour la majorité des cas, télécentrique pour la métrologie de précision (pas de distorsion perspective), liquide-lens variable pour les cas où la distance de travail varie. Éclairage : LED stroboscopique synchronisée pour figer le mouvement haute vitesse, dôme pour les surfaces réfléchissantes (métal, verre, peinture brillante), backlight pour la mesure dimensionnelle par silhouette, ring light pour l'inspection générale, structured light pour le 3D.

Fournisseurs de référence : Schneider Kreuznach et Edmund Optics pour les objectifs, CCS Inc et Effilux (français) pour les éclairages LED industriels. Budget typique 200-800 euros pour l'optique, 300-1 500 euros pour l'éclairage par point caméra.

#Couche 3 — Acquisition et orchestration

L'acquisition agrège les flux caméras et les expose au traitement. Trois approches selon contexte. GigE Vision (standard IEC IEEE 1722.1) : protocole d'acquisition réseau industriel, large support fournisseurs, intégration native dans Halcon, VisionPro, OpenCV. USB3 Vision : connexion locale machine-caméra, idéal pour les déploiements compacts par poste de travail. MIPI CSI-2 : caméras directement connectées au Jetson pour les déploiements embarqués miniaturisés.

L'orchestration logicielle utilise des frameworks comme GStreamer (open source) pour les pipelines vidéo multi-flux, DeepStream Nvidia (gratuit, optimisé Jetson) pour la combinaison décodage + inférence + tracking, NVIDIA Triton Inference Server pour la sériallisation des inférences à grande échelle sur serveur GPU.

#Couche 4 — Frameworks IA et modèles

L'écosystème 2026 est fortement standardisé. PyTorch (Meta AI, open source) est le framework de référence pour l'entraînement (95 % de nos POC). TensorFlow reste utilisé sur les déploiements legacy et certains modèles spécifiques. ONNX (Open Neural Network Exchange, open source LFAI) est le format d'échange standard entre frameworks et runtimes : on entraîne en PyTorch, on convertit en ONNX, on déploie via ONNX Runtime ou TensorRT (Nvidia, optimisation maximale sur GPU Jetson).

Outils annotation : Roboflow (commercial, plan gratuit pour POC), CVAT (open source Intel), Label Studio (open source Heartex). Outils MLOps : MLflow (open source), Weights & Biases, Comet ML pour le tracking des expériences. Voir glossaire PyTorch ONNX pour le détail des frameworks.

#Couche 5 — Edge computing Nvidia Jetson

L'inférence se déploie au plus près de la caméra. Jetson Orin Nano 8 Go (40 TOPS, 500-800 euros) : 4-8 flux 1080p simultanés en YOLOv8 medium, idéal pour les déploiements qualité ligne ETI. Jetson Orin NX 16 Go (100 TOPS, 1 200-1 800 euros) : 12-16 flux ou modèles plus lourds (ViT large, multi-tâches), idéal pour les cas EPI SEVESO et heatmap entrepôt. Jetson AGX Orin 64 Go (275 TOPS, 2 800-3 500 euros) : déploiements lourds caisse autonome ou centralisation sous-station industrielle.

Alternatives : Intel NUC + Movidius pour les cas plus modestes, AMD Ryzen AI pour les déploiements futurs (2026-2027), serveurs GPU centralisés (Nvidia L4 ou L40S) quand la latence n'est pas critique. Voir le glossaire edge computing pour le détail des architectures.

#Intégration MES, SCADA, ERP

La computer vision industrielle est un capteur intelligent qui doit s'intégrer au système d'information de production. Standards d'intégration : OPC-UA (norme IEC 62541) pour le monde industriel, MQTT (broker EMQX) pour les architectures IoT modernes, REST API pour les remontées vers ERP et systèmes qualité. Intégration MES typique : Siemens Opcenter, Rockwell FactoryTalk, Dassault Apriso. Intégration SCADA : Siemens WinCC, Schneider EcoStruxure, ABB 800xA. Intégration ERP SAP S/4HANA via SAP CPI ou OData, intégration legacy via pattern strangler progressif (voir guide legacy modernization strangler).

#Chapitre 4 — Modèles : YOLOv8/v9, Vision Transformer, custom training

Le choix du modèle est rarement binaire. Un déploiement réel combine généralement 2 à 4 modèles selon le type de tâche, le type d'objet, le contexte d'éclairage et la criticité temps réel.

#YOLOv8 et YOLOv9 — Détection rapide multi-classes

YOLO (You Only Look Once, famille Ultralytics) est devenu le standard de fait pour la détection d'objets en temps réel. YOLOv8 (publié 2023) et YOLOv9 (publié début 2024) couvrent quatre tailles standard : nano (~3 M paramètres), small (~10 M), medium (~25 M), large (~45 M), extra large (~70 M). Le compromis précision/latence se calibre selon le hardware cible. Sur Jetson Orin Nano, YOLOv8 medium tourne à 60-90 fps en 640x640 et 35-50 fps en 1280x1280. YOLOv9 apporte un gain de précision de 2-4 points mAP pour un coût latence similaire grâce aux innovations PGI (Programmable Gradient Information) et GELAN (Generalized Efficient Layer Aggregation Network).

Licence : YOLOv8 et YOLOv9 sont sous AGPL-3.0 (open source contaminant si redistribution) ou licence commerciale Ultralytics Enterprise (à partir de 30 000 USD/an pour usage commercial sans contamination AGPL). Ce point est critique pour les ETI qui distribuent du logiciel embarqué — à clarifier en phase 1 audit. Alternatives sans contamination AGPL : RT-DETR (Baidu, licence Apache 2.0), YOLO-NAS (Deci AI, licence permissive), DETR (Meta, licence Apache 2.0).

Cas d'usage typiques YOLO : détection de défauts qualité ligne, détection EPI, détection produits caisse autonome, détection véhicules et personnes en heatmap. Voir glossaire YOLO pour le détail technique.

#Vision Transformer (ViT, Swin, DINOv2) — Classification fine et few-shot

Les Vision Transformer appliquent l'architecture Transformer (initialement conçue pour le NLP) à la vision par découpage de l'image en patches. ViT (Google Research 2020) est la version originale. Swin Transformer (Microsoft Research 2021) introduit la fenêtre glissante pour l'efficacité computationnelle. DINOv2 (Meta AI 2023) propose un pré-entraînement auto-supervisé qui produit des représentations de référence d'une qualité exceptionnelle, idéales pour le few-shot learning (classification avec très peu d'exemples par classe).

Les ViT brillent sur les cas de classification fine (différencier 50 variétés de défauts subtils), de représentation de référence (matching produits caisse autonome), et de few-shot (démarrage POC avec dataset limité). Coût : entraînement plus lourd que YOLO, inférence un peu plus coûteuse (sauf Swin Transformer optimisé), nécessite GPU pour l'entraînement (impossible en CPU).

Notre position pragmatique : YOLO en première intention pour 70 % des cas détection, ViT/DINOv2 en complément pour les classifications fines, ensemble YOLO+ViT pour les cas exigeants. Voir glossaire Vision Transformer.

#Detectron2 et MMDetection — Segmentation d'instance

Quand la tâche dépasse la détection (bounding box) et exige la segmentation pixel par pixel d'instances (contour exact de chaque pièce, mesure d'aire, comptage précis), Detectron2 (Meta AI Research, licence Apache 2.0) et MMDetection (OpenMMLab, licence Apache 2.0) sont les références. Modèles supportés : Mask R-CNN, Cascade Mask R-CNN, Mask2Former, RTMDet. Cas typiques : mesure d'aire de défaut, segmentation de pièces sur ligne, détection de fuites avec contour exact.

Latence plus élevée que YOLO (typiquement 80-200 ms en edge selon modèle et résolution), donc à réserver aux cas où la segmentation est métier nécessaire.

#Custom training — La règle d'or

Un modèle pré-entraîné sur COCO ou ImageNet ne suffit jamais pour un cas industriel réel. Il faut systématiquement faire du fine-tuning sur un dataset annoté représentatif du cas. Notre règle d'or chez Nehos : 800 à 5 000 images annotées minimum pour un POC, 5 000 à 50 000 images pour un déploiement industriel mature, avec équilibrage des classes (les défauts rares doivent être sur-représentés en entraînement) et splits temporels (validation sur des images postérieures aux images d'entraînement, pour mesurer la robustesse au drift).

Processus standard : (1) collecte images représentatives sur la ligne réelle, conditions réelles, sur 2-4 semaines minimum ; (2) annotation Roboflow ou CVAT par expert métier formé, avec double annotation aléatoire 10 % pour mesurer la qualité d'annotation ; (3) augmentation de données (rotation, flip, variations luminosité, ajout bruit, mixup) ; (4) entraînement avec early stopping, learning rate scheduling, transfer learning depuis backbone pré-entraîné ; (5) validation sur jeu de test indépendant ; (6) calibration des seuils de confiance selon le compromis précision/rappel métier. Effort typique : 15-35 jours-homme expert vision pour un POC complet.

#Anomaly detection visuelle — Démarrage sans dataset labellisé

Quand le dataset labellisé n'existe pas (cas fréquent en démarrage, surtout pour les défauts rares), l'anomaly detection visuelle non supervisée reste la voie pragmatique. Modèles : PatchCore (Amazon Research, état de l'art 2022), PaDiM, FastFlow, EfficientAD (état de l'art 2024). L'idée : apprendre la signature « normale » des produits conformes et détecter les déviations significatives. Avantage : 100 à 500 images de produits conformes suffisent. Limite : faux positifs élevés en démarrage, calibration progressive nécessaire.

#Chapitre 5 — Méthode Nehos en 6 phases

Notre méthode est inspirée de la Méthode Nehos ROI-First IA générale, adaptée aux spécificités de la computer vision industrielle. Six phases, durée totale typique 11-18 mois selon scope. La différence avec la maintenance prédictive : la phase dataset est explicite et critique en computer vision (alors qu'elle est englobée dans l'audit en prédictif).

#Phase 1 — Cadrage et audit faisabilité (2 à 4 semaines)

Objectif : qualifier le cas d'usage, évaluer la faisabilité optique et économique, identifier les pilotes. Livrables : cartographie des lignes ou zones cibles, qualification optique sur site (test caméra in situ, éclairage, vitesse), business case ROI cible chiffré avec sensibilité, identification des 1 à 2 points caméras pilotes, plan d'instrumentation et budget, qualification AI Act (haut risque ou non), check RGPD CNIL si données personnelles.

Effort Nehos : 8 à 18 jours-homme. Coût forfait fixe : 14 à 28 keuros HT.

#Phase 2 — Collecte et annotation dataset (3 à 6 semaines)

Objectif : constituer le dataset représentatif pour le POC. Livrables : protocole de collecte (positions caméras, conditions, durée), dataset brut 1 500 à 8 000 images selon cas, annotation via Roboflow ou CVAT avec double annotation 10 % pour qualité, splits train/val/test temporellement séparés, équilibrage classes (sur-représentation défauts rares en train), augmentation de données documentée.

Effort Nehos : 12 à 30 jours-homme (dont 8-20 jours d'annotation). Coût forfait fixe : 18 à 45 keuros HT.

#Phase 3 — POC sur 1 à 2 points caméras pilotes (8 à 12 semaines)

Objectif : valider la chaîne complète sur 1 à 2 points pilotes. Livrables : hardware installé et calibré (caméra, optique, éclairage, montage, edge Jetson), pipeline acquisition + inférence + intégration MES déployé, modèle entraîné (YOLOv8 ou YOLOv9 ou ViT selon cas), KPI mesurés sur jeu de test indépendant : précision, rappel, F1, latence inférence p50/p95/p99, FPS soutenu, comparaison avec contrôle qualité manuel actuel.

Effort Nehos : 35 à 65 jours-homme. Coût forfait fixe : 55 à 110 keuros HT selon nombre de pilotes et complexité optique.

#Phase 4 — Décision go / no-go formelle

Comité de pilotage dédié (Direction Industrielle ou Direction Qualité ou Direction HSE selon cas, DSI, RSSI, Compliance Officer, contrôle de gestion, sponsor exécutif). Présentation des résultats POC avec ROI mesuré et extrapolé sur le parc cible. Décision documentée d'industrialisation ou d'arrêt.

Critères go formalisés Nehos : précision modèle >= 92 %, rappel >= 88 %, latence p95 <= 80 ms (qualité ligne) ou <= 150 ms (EPI SEVESO, heatmap), F1 >= 90, économies extrapolables >= 200 keuros/an sur le parc cible, ROI extrapolé <= 14 mois, score risque AI Act évalué et soutenable, conformité RGPD CNIL validée si applicable. Décision no-go acceptée et budgétée — c'est un signal de maturité méthodologique.

#Phase 5 — Déploiement à l'échelle (6 à 12 mois)

Objectif : déployer sur le parc cible (typiquement 20 à 60 caméras pour une ETI manufacturing, 50 à 200 caméras pour un retail multi-magasins). Livrables : déploiement instrumentation parc cible (commande, installation, calibration), industrialisation stack technique (haute disponibilité, monitoring, sauvegardes images et modèles), intégration MES / SCADA / ERP, formation équipes qualité / production / HSE (3-5 jours selon profil), dossier conformité AI Act (registre Annexe III, journalisation immuable, supervision humaine documentée, audit biais Aequitas, déclaration européenne) si applicable, revue ROI à mois 6 et 12.

Effort Nehos : 120 à 280 jours-homme selon scope. Coût forfait fixe : 200 à 480 keuros HT sur 6-12 mois.

#Phase 6 — MLOps continu et amélioration (service managé)

Le modèle computer vision n'est pas figé. Trois sources de drift : drift visuel (changement éclairage saisonnier, nouvelle référence produit, nouveau fournisseur emballage), drift conceptuel (nouveau type de défaut apparu), drift hardware (caméra qui dérive, éclairage qui vieillit). Service managé Nehos : monitoring drift via comparaison distribution embeddings, réentraînement périodique (trimestriel à semestriel selon cas), audit biais Aequitas semestriel sur cas EPI SEVESO, mise à jour stack matériel et logiciel, calibration alertes selon retours terrain.

Forfait service managé typique : 35 à 85 keuros HT/an selon scope. Voir service MLOps Nehos pour le détail.

#Chapitre 6 — AI Act haut risque selon contexte (sécurité travailleurs Annexe III)

La computer vision industrielle peut relever du régime haut risque AI Act ou rester en risque limité selon le contexte d'usage. Cette section synthétise les règles de qualification et les obligations à couvrir.

#Quels cas relèvent du haut risque

Quatre situations qualifient haut risque au sens du Règlement UE 2024/1689. Annexe III point 1 — Identification biométrique : reconnaissance faciale, identification par démarche, identification par voix. Notre principe Nehos : éviter ces cas dans 95 % de nos missions, anonymiser dès la collecte (pas de stockage biométrique). Annexe III point 2 — Infrastructure critique : computer vision sur cuves transformateur HTA, lignes électriques, captages eau, stations de pompage, équipements gaz, transport public lourd. Haut risque systématique. Annexe III point 4 — Emploi et gestion des travailleurs : surveillance de la performance, du comportement, évaluation des travailleurs. La détection EPI SEVESO entre dans cette catégorie. Haut risque systématique. Annexe III point 6 — Application de la loi : usage par autorités publiques (police, douane). Hors scope ETI privée standard.

À l'inverse, la computer vision sur le contrôle qualité produits manufacturés, la heatmap anonymisée, la reconnaissance produits caisse autonome (sans identification client) reste en risque limité, avec uniquement les obligations de transparence et information utilisateur.

#Sept obligations clés à couvrir en régime haut risque

Obligation 1 — Système de gestion des risques (article 9 AI Act) : analyse des risques continue sur tout le cycle de vie du système IA. Obligation 2 — Gouvernance des données (article 10) : qualité des données d'entraînement, validation et test, traçabilité, gestion des biais. Obligation 3 — Documentation technique (article 11) : dossier technique complet maintenu à jour. Obligation 4 — Journalisation et traçabilité (article 12) : log immuable de toutes les décisions du système, rétention minimum 6 mois en réglementaire, recommandation Nehos 7 ans. Obligation 5 — Transparence et information utilisateur (article 13) : information claire des opérateurs et travailleurs surveillés sur la nature IA du système et ses limites. Obligation 6 — Supervision humaine (article 14) : un opérateur humain qualifié doit pouvoir comprendre, surveiller, suspendre, contredire le système à tout moment. Obligation 7 — Robustesse, exactitude, cybersécurité (article 15) : niveau de performance documenté, résilience adversariale, sécurité IT alignée NIS2.

À ces sept obligations AI Act s'ajoutent les obligations RGPD spécifiques (article 35 analyse d'impact relative à la protection des données pour la surveillance des travailleurs, article 88 dispositions spécifiques au contexte du travail, consultation CSE obligatoire, information préalable des salariés).

#Audit biais Aequitas et Fairlearn

L'audit biais est exigé par l'article 10 sur la gouvernance des données. Notre outil de référence est Aequitas (University of Chicago, open source) pour le scoring biais de représentation, équité prédictive, équité d'erreur sur sous-populations sensibles. Complété par Fairlearn (Microsoft, open source) pour la mitigation. Sur la détection EPI, l'enjeu biais est concret : un modèle entraîné majoritairement sur des opérateurs masculins blancs peut sous-performer sur des opératrices ou sur des opérateurs d'origines diverses, avec un risque de discrimination indirecte. Audit semestriel minimum.

#Méthode Nehos AI Act Compliance appliquée à la computer vision

Notre Méthode AI Act Compliance Nehos (déposée INPI février 2026) couvre l'intégralité des 7 obligations dans un cadre intégré. Sur les missions computer vision haut risque (EPI SEVESO, infrastructure critique), nous intégrons systématiquement le dossier AI Act dès la phase 2 dataset pour éviter le sur-coût d'une remise en conformité tardive. Coût d'intégration AI Act dès POC : 15-25 % de surcoût phase 1-3. Coût de mise en conformité tardive (post-déploiement) : 80-150 % de surcoût.

Voir le glossaire AI Act et le service Conformité AI Act Nehos.

#Chapitre 7 — ROI : -28 % coûts qualité, -45 % rebuts

Le ROI de la computer vision industrielle se mesure sur plusieurs axes selon le cas d'usage. Cette section détaille la modélisation par cas et les fourchettes observées sur nos missions 2024-2026.

#Modélisation ROI cas qualité ligne

Quatre leviers d'économie. Levier 1 — Baisse rebuts : la détection précoce sur ligne (avant assemblage final ou packaging) évite la perte de valeur ajoutée accumulée en aval. Baisse typique -35 à -50 %. Économie chiffrée : (taux rebuts baseline) x (volume production) x (coût unitaire pleine valeur ajoutée) x (-40 % moyen). Levier 2 — Baisse réclamations client : moins de défauts qui passent en aval, moins de retours et de pénalités contractuelles (automotive, pharma, agroalimentaire). Baisse typique -25 à -45 %. Levier 3 — Productivité contrôle qualité : remplacement ou augmentation du contrôle visuel manuel (souvent 100 % impossible à coût raisonnable). Gain typique 30-60 % effectif contrôle. Levier 4 — Image et conformité : valeur immatérielle des certifications IFS, BRCGS, IATF maintenues sans dégradation.

Cas ETI manufacturing 600 collaborateurs (détails chapitre 8) : -28 % coûts qualité globaux, -45 % rebuts, -38 % réclamations client, économies annualisées 320 keuros, investissement total 380 keuros, ROI mois 11.

#Modélisation ROI cas EPI SEVESO

Deux leviers d'économie principaux et un levier qualitatif. Levier 1 — Baisse accidents du travail : la détection en temps réel d'un défaut EPI déclenche une alerte avant qu'une situation dangereuse ne dégénère. Baisse mesurée -30 à -50 % des accidents avec cofacteur défaut EPI. Économie : coût direct (soins, indemnités, AT/MP), coût indirect (formation remplaçant, perturbation production), coût pénal et image. Levier 2 — Conformité audit Inspection du Travail : passage d'un risque de non-conformité significatif à une conformité documentée et auditable. Évite les sanctions et les arrêts d'activité. Levier qualitatif — Climat social : un système bien conçu et bien expliqué (consultation CSE, transparence, anonymisation) renforce la culture sécurité sans crisper les salariés.

Fourchettes observées : ROI 14-22 mois selon nombre de zones et de postes équipés, économies annualisées 120-280 keuros pour une ETI 600 collaborateurs SEVESO seuil bas.

#Modélisation ROI cas heatmap retail et logistique

Le ROI heatmap dépend fortement de la qualité d'exécution des actions correctives suite à l'analyse. Retail B2C : conversion linéaire +8 à +15 %, dimensionnement effectifs ajusté (gain 5-10 % masse salariale), optimisation horaires caisses. Le ROI s'étale 14-20 mois en magasin, plus rapide en chaîne multi-magasins (effet de levier de la mutualisation). Logistique entrepôt : productivité picking +12 à +22 %, baisse erreurs de préparation -15 à -25 %, optimisation flotte AGV. ROI plus rapide 8-12 mois.

#Modélisation ROI cas caisses autonomes

Deux leviers économiques majeurs. Levier 1 — Productivité caisse : +35 à +55 % de débit caisse, transformation d'une partie des hôtes/hôtesses de caisse en assistants polyvalents (gestion file d'attente, conseil, anti-fraude). Levier 2 — Baisse fraude : -20 à -40 % de fraude mesurée (le tracking continu décourage les comportements à risque). Investissement lourd 18-45 keuros par caisse, ROI typique 16-24 mois en hypermarché, 10-16 mois en convenience (le débit caisse y est plus saturé donc plus rentable).

#Synthèse fourchettes ROI 2026 Nehos

Tableau synthétique des fourchettes observées sur nos missions 2024-2026 :

• Qualité ligne ETI manufacturing : ROI 10-14 mois, économies 250-580 keuros/an, investissement 180-420 keuros.
• EPI SEVESO : ROI 14-22 mois, économies 120-280 keuros/an, investissement 180-380 keuros (surcoût AI Act inclus).
• Heatmap retail : ROI 14-20 mois, gain marge variable selon enseigne.
• Heatmap entrepôt logistique : ROI 8-12 mois, productivité picking +12 à +22 %.
• Caisses autonomes : ROI 16-24 mois hypermarché, 10-16 mois convenience.

Attention : annoncer un ROI < 8 mois sur un déploiement computer vision multi-caméras est généralement irréaliste — méfiez-vous des prestataires qui le promettent.

#Chapitre 8 — Cas concret ETI manufacturing 45 caméras qualité ligne

Ce cas synthétise une mission Nehos référencée (NDA, anonymisé). Détails techniques précis, KPI chiffrés, économies mesurées.

#Contexte client

ETI manufacturière française secteur transformation plastique technique, 600 collaborateurs, 3 sites de production (Île-de-France, Auvergne-Rhône-Alpes, Hauts-de-France), chiffre d'affaires 2024 78 millions d'euros, 12 lignes de production injection plastique avec post-traitement (déflashage, contrôle, packaging). Marchés clients : automotive Tier 1, électroménager premium, médical Classe IIa. Sponsor mission : Directeur Industriel + Directrice Qualité.

Problématique entrée mission : taux rebuts global 4,8 % (au-dessus du benchmark secteur 3,2 %), réclamations client en hausse +18 % YoY 2023-2024 (3 alertes Tier 1 automotive sur 12 mois), contrôle qualité 100 % manuel sur 45 % du volume, contrôle statistique sur le reste, 12 contrôleuses qualité ETP réparties sur les 3 sites.

#Phase 1 — Cadrage et audit faisabilité (3 semaines)

Mission Nehos Lead : Mohamed Charfeddine (Lead Dev industrie) + Souhail Bouguerra (ingénieur computer vision). Cartographie des 12 lignes, qualification des 45 postes contrôle qualité actuels, identification des 5 types de défauts dominants (bavure injection, déformation, contamination, retrait, défaut couleur). Business case ROI cible chiffré : -30 % coûts qualité, -40 % rebuts, ROI mois 12-14. Pilotes choisis : 2 lignes injection critiques (une site IDF, une site AURA) avec 4 caméras pilotes au total. Pas de qualification AI Act haut risque (le cas reste qualité produits sans surveillance travailleurs ni infrastructure critique).

Livrable : note de cadrage 28 pages + business case Excel + plan instrumentation détaillé. Coût phase 1 : 22 keuros HT.

#Phase 2 — Collecte et annotation dataset (5 semaines)

Collecte sur les 2 lignes pilotes sur 18 jours ouvrés : 6 400 images brutes acquises sous 4 conditions d'éclairage (jour, soir, néon, mix), 2 cadences de production (nominale, accélérée). Annotation via Roboflow par 2 contrôleuses qualité formées (12 jours d'annotation, double annotation 12 % sur sample contrôle qualité d'annotation), 5 classes défauts + classe conforme, 4 800 images annotées au total. Splits temporels train/val/test 70/15/15.

Livrable : dataset annoté propre, documentation labellisation, augmentation de données scriptée. Coût phase 2 : 32 keuros HT.

#Phase 3 — POC sur 4 caméras pilotes (10 semaines)

Hardware installé : 4 caméras Basler ace 2 a2A2840-67umBAS (couleur, 2840x2840, 67 fps), optique Basler Lens C125-1218-5M, éclairage Effilux EFFI-RING contrôlé, Jetson Orin Nano 8 Go par paire de caméras (2 Jetson au total), montage mécanique sur structure aluminium standard. Pipeline : GStreamer + DeepStream Nvidia + YOLOv8 medium fine-tuné sur dataset annoté + integration MES Siemens Opcenter via OPC-UA.

Modèle entraîné : YOLOv8 medium, 90 epochs, learning rate scheduling, augmentation Albumentations (flip, rotation, color jitter, mixup). Performance test set indépendant : précision 95,2 %, rappel 92,1 %, F1 93,6, mAP@50 0,927, latence inférence p50/p95/p99 = 42 ms / 58 ms / 67 ms sur Jetson Orin Nano. FPS soutenu 78 (largement supérieur à la cadence ligne 22 produits/min). Comparaison contrôle qualité manuel : précision détection équivalente, rappel supérieur de +14 points (les défauts rares sur les fins de série étaient sous-détectés en manuel).

Livrable : système opérationnel sur 4 caméras, dashboard Grafana KPI, intégration MES, rapport POC 48 pages. Coût phase 3 : 88 keuros HT (incluant hardware 22 keuros et intégration MES 18 keuros).

#Phase 4 — Go formel

Comité de pilotage en fin de POC (Directeur Industriel, Directrice Qualité, DSI, contrôle de gestion, sponsor exécutif). KPI POC tous au-dessus des critères go Nehos (précision >= 92 %, rappel >= 88 %, F1 >= 90, latence p95 <= 80 ms). Économies extrapolées sur les 45 points caméras cible : 320 keuros/an, ROI extrapolé mois 11-13. Décision go formalisée, budget industrialisation 380 keuros validé, planning 11 mois.

#Phase 5 — Déploiement à l'échelle (11 mois)

Déploiement progressif site par site : site IDF (15 caméras, mois 1-3), site AURA (16 caméras, mois 4-6), site Hauts-de-France (14 caméras, mois 7-10), recette et stabilisation mois 11. Total 45 caméras Basler ace 2, 13 Jetson Orin Nano (1 Jetson pour 3-4 caméras), intégration MES Siemens Opcenter sur les 3 sites, formation 12 contrôleuses qualité + 9 chefs d'équipe + 4 ingénieurs méthodes (5 jours formation par site, 3 sessions). Repositionnement de 7 contrôleuses qualité ETP sur des missions à plus forte valeur ajoutée (audit qualité fournisseurs, amélioration continue), aucun départ.

Livrable : système complet en production sur les 3 sites, documentation utilisateur, formation effectuée, dossier RGPD validé (pas de données personnelles, mais analyse d'impact effectuée par précaution).

#Résultats mois 11 (bascule ROI positif)

KPI mesurés sur les 12 mois suivant la mise en service complète (vs baseline 2023-2024) :

• Taux rebuts global : de 4,8 % à 2,6 % soit -45 %
• Coûts qualité globaux : -28 % (incluant rebuts, contrôles, retours, pénalités)
• Réclamations client : -38 % (3 alertes Tier 1 automotive en année N-1, zéro en année N+1)
• Productivité contrôle qualité : +52 % (passage de 12 ETP à 5 ETP pleinement dédiés contrôle, 7 ETP repositionnés)
• Précision modèle régime de croisière : 95,8 %
• Disponibilité système : 99,4 % sur 12 mois
• Économies annualisées : 325 keuros (cible 320 keuros atteinte à 102 %)
• Investissement total : 380 keuros (180 keuros hardware + 200 keuros prestation Nehos sur 11 mois)
• ROI atteint : mois 11 conformément à la projection POC

Voir le cas client roadmap ETI 3 ans qui replace ce déploiement computer vision dans une trajectoire IA plus large incluant maintenance prédictive et conformité AI Act, et le cas d'usage computer vision qualité ligne plastique pour la granularité technique complémentaire.