Guide computer vision industrie 2026 : cas d'usage, stack, méthode

#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, avec un fine-tuning sur un jeu d'images annotées du site, une précision suffisante pour de nombreux cas réels de détection de défauts industriels.

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 fortement amélioré leur rapport puissance de calcul / prix. Le Jetson Orin Nano 8 Go (40 TOPS selon la fiche constructeur) supporte plusieurs flux caméras 1080p avec un modèle YOLOv8 medium. Le Jetson Orin NX 16 Go (100 TOPS) permet davantage de caméras simultanées ou des modèles plus lourds (ViT large, modèle multi-tâches détection + classification + segmentation).

L'edge devient le déploiement par défaut pour trois raisons : latence très faible 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) se renforcent, avec une responsabilité du dirigeant en cas d'accident. 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

Le marché de la computer vision industrielle progresse nettement en France, tiré par la qualité en ligne de production, la sécurité des travailleurs, la logistique et la distribution. Nous ne chiffrons pas ce marché ici : les estimations publiées varient fortement selon le périmètre retenu.

Les ingénieurs en vision par ordinateur et les data scientists spécialisés sont difficiles à recruter, avec une tension particulière autour des grands pôles universitaires (Lyon, Toulouse, Grenoble). C'est une raison de plus de prévoir un accompagnement ou un service managé plutôt qu'un recrutement immédiat.

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 reviennent le plus souvent dans l'industrie, la logistique et la distribution. Cette section les détaille avec contraintes, stack adapté, indicateurs à suivre et postes 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.

Indicateurs à suivre sur un cas qualité ligne : précision et rappel du modèle sur un jeu de test indépendant, latence d'inférence, taux de rebuts, taux de réclamations client. Les cibles se fixent pendant le pilote, à partir de la situation de départ de la ligne : aucune valeur n'est transposable d'un site à l'autre. Le budget dépend du nombre de points caméra, de l'optique et de l'éclairage ; il est chiffré sur devis après le cadrage.

#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).

Indicateurs à suivre : précision et rappel du modèle, latence de l'alerte, évolution des accidents avec défaut d'EPI, conformité aux contrôles de l'Inspection du Travail. Le surcoût de ce cas vient de la conformité AI Act et de la robustesse en environnement variable ; il est chiffré sur devis.

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.

Indicateurs à suivre : fiabilité du comptage des flux, identification de hotspots actionnables, effet des actions correctives sur les indicateurs métier (conversion par linéaire, productivité de picking). Le retour dépend fortement de la qualité d'exécution des actions correctives décidées après 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.

Indicateurs à suivre : précision de la reconnaissance produits, taux d'erreur, débit de caisse, fraude détectée. L'investissement par caisse est le plus lourd des quatre cas (caméras, edge GPU, matériel de caisse, intégration TPV) et se chiffre sur devis.

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. Le stack que nous recommandons en 2026 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 l'essentiel 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.

Les prix des caméras, optiques et éclairages varient fortement selon la résolution, la fréquence et l'interface : on les relève sur les catalogues des fabricants au moment du cadrage.

#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. Le budget optique et éclairage par point caméra se détermine pendant la qualification sur site.

#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. 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) : plusieurs flux 1080p simultanés en YOLOv8 medium, idéal pour les déploiements qualité ligne ETI. Jetson Orin NX 16 Go (100 TOPS) : davantage de 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) : 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. YOLOv9 apporte, selon ses auteurs, un gain de précision à coût de latence comparable 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 (tarif sur demande auprès d'Ultralytics). 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 la 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 (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 : un jeu d'images annotées réellement représentatif du cas (quelques centaines à quelques milliers d'images pour un POC, nettement plus pour un déploiement 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.

#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 : quelques centaines d'images de produits conformes suffisent souvent pour démarrer. 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, dont la durée dépend du périmètre. 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 points caméras pilotes, plan d'instrumentation et budget, qualification AI Act (haut risque ou non), check RGPD CNIL si données personnelles.

Effort et coût : chiffrés sur devis après un premier échange.

#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 dimensionné selon le 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 et coût : chiffrés sur devis.

#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 et coût : chiffrés sur devis, selon le nombre de pilotes et la 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 de décision à fixer avant le pilote : seuils de précision et de rappel, latence maximale selon l'usage, économies attendues sur le parc cible, délai de retour sur investissement, niveau de risque AI Act, conformité RGPD validée si applicable. Une décision d'arrêt est une issue acceptable et doit être prévue : c'est un signe de maturité méthodologique.

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

Objectif : déployer sur le parc cible (de quelques dizaines de caméras pour une usine à bien plus pour un réseau de magasins). Livrables : déploiement instrumentation parc cible (commande, installation, calibration), industrialisation stack technique (haute disponibilité, monitoring, sauvegardes images et modèles), intégration MES / SCADA / ERP, formation des équipes qualité / production / HSE, dossier conformité AI Act (registre Annexe III, journalisation immuable, supervision humaine documentée, audit biais Aequitas, déclaration européenne) si applicable, revues régulières des indicateurs.

Effort et coût : chiffrés sur devis, selon le périmètre.

#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).

Dans un service managé : 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.

Le forfait d'un service managé dépend du périmètre. 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 : éviter ces cas autant que possible et 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, conservation des journaux sur une durée adaptée, au minimum celle prévue par le règlement.

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. L'outil de référence que nous utilisons 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 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. Intégrer la conformité dès le pilote coûte nettement moins cher qu'une remise en conformité après le déploiement.

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

#Chapitre 7 — ROI : comment le modéliser, cas par cas

Le ROI de la computer vision industrielle se mesure sur plusieurs axes selon le cas d'usage. Cette section détaille la manière de le modéliser, sans chiffre promis : les valeurs se calculent à partir de votre situation de départ et se vérifient pendant le pilote.

#Modélisation ROI cas qualité ligne

Quatre leviers d'économie. Levier 1 — Baisse des rebuts : la détection précoce sur ligne (avant assemblage final ou packaging) évite la perte de valeur ajoutée accumulée en aval. Économie chiffrée : (taux de rebuts de départ) x (volume de production) x (coût unitaire à pleine valeur ajoutée) x (baisse mesurée pendant le pilote).

Levier 2 — Baisse des réclamations client : moins de défauts qui passent en aval, moins de retours et de pénalités contractuelles (automotive, pharma, agroalimentaire). Levier 3 — Productivité du contrôle qualité : remplacement ou renfort du contrôle visuel manuel, souvent impossible à 100 % à coût raisonnable. Levier 4 — Image et conformité : valeur des certifications IFS, BRCGS ou IATF maintenues sans dégradation.

#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. 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.

Le délai de retour dépend du nombre de zones et de postes équipés, et du coût de l'accident évité pour l'établissement. Il se calcule avec vos propres données d'accidentologie.

#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 par linéaire, dimensionnement des effectifs, optimisation des horaires de caisse. Le retour est généralement plus rapide sur un réseau multi-magasins, grâce à la mutualisation. Logistique entrepôt : productivité de picking, baisse des erreurs de préparation, optimisation de la flotte AGV.

#Modélisation ROI cas caisses autonomes

Deux leviers économiques majeurs. Levier 1 — Productivité caisse : débit de caisse accru, transformation d'une partie des postes de caisse en assistants polyvalents (gestion de la file d'attente, conseil, anti-fraude). Levier 2 — Baisse de la fraude : le suivi continu décourage les comportements à risque. L'investissement par caisse est lourd ; le retour est généralement plus rapide en convenience, où le débit de caisse est plus saturé.

#Synthèse : ce qui fait varier le retour sur investissement

Les ordres de grandeur dépendent de quatre facteurs, que le pilote permet de mesurer :

• Qualité ligne : volume produit, taux de rebuts de départ, coût unitaire des pièces écartées.
• EPI SEVESO : nombre de zones et de postes équipés, coût des accidents et du risque de non-conformité, surcoût de conformité AI Act.
• Heatmap retail : taille du réseau, capacité à exécuter les actions correctives.
• Heatmap entrepôt : densité des flux, nombre de chariots et de préparateurs.
• Caisses autonomes : trafic en caisse, taille du catalogue, coût d'intégration TPV.

Attention : méfiez-vous des prestataires qui annoncent un retour sur investissement précis avant d'avoir mesuré quoi que ce soit sur votre site.

#Chapitre 8 — Exemple de situation : contrôle qualité sur une ligne d'injection plastique

Cet exemple est une situation type construite pour illustrer la démarche. Ce n'est pas un client réel et il ne contient aucun résultat chiffré.

#Contexte client

Une entreprise de transformation plastique technique exploite plusieurs lignes d'injection, avec un post-traitement (déflashage, contrôle, packaging). Ses clients, notamment dans l'automobile, exigent un contrôle qualité renforcé.

Le contrôle est en grande partie manuel, avec un contrôle statistique sur le reste du volume. Les rebuts et les réclamations client pèsent sur la marge, et les contrôleurs qualité sont mobilisés sur des tâches répétitives.

#Phase 1 — Cadrage et audit faisabilité

On cartographie les lignes, on qualifie les postes de contrôle actuels et on identifie les types de défauts dominants (bavure d'injection, déformation, contamination, retrait, défaut de couleur). On fixe les indicateurs à suivre et on choisit une ou deux lignes pilotes. Le cas ne relève pas du haut risque AI Act : il s'agit de la qualité des produits, sans surveillance de travailleurs ni infrastructure critique.

Livrable : note de cadrage, business case et plan d'instrumentation détaillé.

#Phase 2 — Collecte et annotation dataset

On collecte les images sur les lignes pilotes dans plusieurs conditions d'éclairage et à différentes cadences de production. Les contrôleurs qualité annotent les images, avec une double annotation sur un échantillon pour mesurer la qualité d'annotation. Les jeux d'entraînement, de validation et de test sont séparés dans le temps.

Livrable : dataset annoté propre, documentation de l'annotation, augmentation de données scriptée.

#Phase 3 — Pilote sur quelques caméras

On installe quelques caméras industrielles avec optique et éclairage contrôlé, un module edge Jetson, et un pipeline d'acquisition et d'inférence relié au MES via OPC-UA.

Le modèle (YOLOv8 medium fine-tuné) est évalué sur un jeu de test indépendant : précision, rappel, F1, latence d'inférence, et comparaison avec le contrôle manuel actuel. Un point à surveiller : les défauts rares en fin de série, que le contrôle manuel détecte mal.

Livrable : système opérationnel sur les caméras pilotes, tableau de bord des indicateurs, intégration MES, rapport de pilote.

#Phase 4 — Go formel

Un comité de pilotage réunit la direction industrielle, la direction qualité, la DSI et le contrôle de gestion. Il compare les résultats du pilote aux critères fixés au départ et décide d'industrialiser ou d'arrêter.

#Phase 5 — Déploiement à l'échelle

Le déploiement se fait site par site, avec recette et stabilisation à la fin. Les contrôleurs sont formés et se repositionnent progressivement sur des missions à plus forte valeur ajoutée (audit des fournisseurs, amélioration continue).

Livrable : système en production, documentation utilisateur, formation réalisée, analyse d'impact RGPD faite par précaution.

#Ce que l'on mesure

Les indicateurs suivis, comparés à la situation de départ :

• Taux de rebuts global
• Coûts qualité globaux (rebuts, contrôles, retours, pénalités)
• Réclamations client
• Productivité du contrôle qualité
• Précision du modèle en régime de croisière
• Disponibilité du système

Voir aussi le cas d'usage computer vision qualité ligne plastique pour la granularité technique complémentaire.

Photos : ThisIsEngineering, Thirdman, Auto Tech sur Pexels.