Computer vision industrielle — Contrôle qualité automatisé et détection d'anomalies par IA

#Computer vision industrielle en 2026 : ce qui a changé avec les VLMs

Un cas typique : une ETI métallurgique qui passe de longs mois à construire un dataset d'images annotées de défauts de surface pour entraîner un modèle YOLO. Résultat : un système qui fonctionne bien sur les défauts connus, mais qui est aveugle à toute catégorie de défaut non représentée dans le dataset. Quand une nouvelle géométrie de pièce arrive sur la ligne après le go-live, il faut repartir de zéro sur l'annotation.

Cette dépendance au dataset annoté était le verrou principal de la computer vision industrielle avant 2025. YOLO v8 était révolutionnaire en 2023. En 2026, les VLMs comme Mistral Pixtral 12B peuvent détecter des défauts sans dataset d'entraînement annoté volumineux — ça change beaucoup de choses pour les PMI et ETI.

On leur décrit le défaut en langage naturel ("délaminage de surface sur panneau composite, zone circulaire > 3 mm"), on leur passe l'image, ils répondent avec un diagnostic et un score de confiance. Pas d'annotation, pas d'entraînement.

Deux ruptures majeures depuis 2024 : d'abord les VLMs (Vision Language Models) comme Florence-2 de Microsoft, Mistral Pixtral 12B et LLaVA, qui comprennent des images sans entraînement supervisé sur des données propriétaires. Ensuite, la maturité des SoCs pour edge AI — le Jetson Orin NX de NVIDIA, sorti en 2023, embarque une puissance de calcul importante dans un format compact industriel, ce qui permet d'exécuter YOLO v11 ou un modèle Pixtral quantifié directement sur la ligne de production, avec une faible latence et sans dépendance réseau.

La combinaison des deux change radicalement l'équation pour les industriels : plus besoin de choisir entre un pipeline YOLO qui exige des mois d'annotation ou rien du tout. Nous recommandons en général une architecture hybride — YOLO v11 pour les défauts connus à haute fréquence (latence garantie, précision maximale), Pixtral pour les cas ambigus ou les nouvelles catégories de défauts en zero-shot.

Les deux tournent sur Jetson Orin, avec un orchestrateur léger qui décide quel modèle invoquer selon la confiance du premier résultat.

#5 cas d'usage opérationnels de computer vision

#1. Contrôle qualité automatisé en ligne de production

Le cas d'usage le plus mature et le plus demandé. Caméras industrielles positionnées en fin de ligne ou en sortie de machine, modèle YOLO v11 qui inspecte chaque pièce en temps réel, score de conformité envoyé au MES via OPC-UA. Les pièces non conformes sont éjectées automatiquement ou signalées à l'opérateur.

Exemple de situation : un fabricant de pièces automobiles avec plusieurs lignes de production, détection de défauts de surface (rayures, inclusions, déformations) par caméra industrielle GigE + YOLO v11 + Jetson Orin NX, intégration MES Siemens Opcenter. On mesure pendant le pilote le taux de défauts non détectés, la cadence par rapport au contrôle humain et le coût de rebut.

Ce qui compte dans ce type de déploiement : des contrôleurs humains qui inspectent chaque pièce de nuit, sous des néons d'atelier, voient leur performance baisser avec la fatigue visuelle. Le modèle, lui, a la même précision à 2h du matin qu'à 14h. C'est le problème réel que la computer vision résout — pas seulement la vitesse, mais la cohérence et la traçabilité absolue.

#2. Détection d'anomalies sur assets industriels

Inspection visuelle automatisée d'équipements, infrastructures, installations : lignes haute tension, pipelines, éoliennes, cellules de maintenance. Images issues de caméras fixes, drones ou robots d'inspection. Détection de corrosion, fissures, anomalies thermiques (caméras IR), végétation envahissante sur infrastructures.

Cas d'usage croissant dans l'énergie et chez les gestionnaires d'infrastructure. Les modèles combinent YOLO v11 (détection anomalie) + Florence-2 (classification et description textuelle de l'anomalie) + LangGraph pour générer automatiquement un rapport d'inspection structuré. L'opérateur humain valide ou infirme les alertes depuis une interface web, avec image annotée et extrait de rapport pré-rempli.

#3. OCR avancé et lecture de documents industriels

Lecture de numéros de série, codes DataMatrix, QR codes, plaques signalétiques, étiquettes logistiques — souvent dans des conditions difficiles : éclairage variable, angles, surfaces réfléchissantes. Les solutions OCR et document AI Nehos combinent un moteur OCR classique (Tesseract ou PaddleOCR) avec un VLM pour les cas dégradés où l'OCR classique échoue.

Un cas concret : lecture automatique des numéros de châssis sur des pièces forgées en fin de ligne, avant packaging. Le numéro est gravé mécaniquement, avec une lisibilité variable selon l'usure de l'outillage. L'OCR classique échoue sur une partie des pièces ; un pipeline VLM en secours réduit ce taux, avec une traçabilité amont/aval vers l'ERP. Le taux d'échec se mesure avant et après sur vos pièces.

#4. Comptage, suivi de flux et tri automatisé

Comptage de pièces en sortie de machine, suivi de flux sur convoyeur, tri automatisé par morphologie ou marquage visuel. Intégration directe aux automates (API via OPC-UA) pour déclencher les actionneurs de tri. Latence critique sur les lignes à haute cadence.

Architecture type : caméra industrielle 4K + Jetson Orin + modèle YOLO v11 optimisé TensorRT (FP16) + connecteur OPC-UA natif vers Siemens S7-1500 ou Schneider M340.

#5. Inspection visuelle pour la logistique et la réception

Contrôle visuel automatisé à la réception de marchandises : vérification de conformité d'emballage, détection de colis endommagés, lecture d'étiquettes multi-formats. Cas fréquent chez les distributeurs B2B avec fort volume de réception. Interface web légère pour les opérateurs logistiques, sans formation spécifique.

#Stack technique : YOLO v11, Florence-2, Mistral Pixtral, edge devices

La stack type pour la computer vision industrielle en 2026 :

Modèles de détection

• YOLO v11 (Ultralytics) — détection temps réel d'objets et de défauts, entraîné sur dataset propriétaire client. Export ONNX pour déploiement edge. Optimisation TensorRT pour Jetson Orin (gain de débit par rapport à PyTorch natif).
• Florence-2 (Microsoft) — modèle de vision fondation, zero-shot et few-shot. Idéal pour les nouvelles catégories de défauts sans annotation.
• Mistral Pixtral 12B — VLM souverain, hébergeable on-premise ou chez un hébergeur français. Analyse contextuelle d'images, génération de rapports d'inspection, classification en langage naturel des anomalies détectées.

Edge devices

• NVIDIA Jetson Orin NX (16 GB) — référence pour les lignes haute cadence. Format compact industriel, faible consommation ; vérifiez la plage de température de fonctionnement dans la fiche du constructeur.
• NVIDIA Jetson Orin AGX — pour les configurations multi-caméras haute résolution (jusqu'à 6 flux 4K simultanés).
• Google Coral TPU — pour les configurations ultra-basse consommation ou les contraintes budgétaires strictes. Moins puissant que Jetson mais suffisant pour YOLO v11 nano/small sur flux mono-caméra.

Formats et optimisation

• ONNX — format d'échange universel entre frameworks (PyTorch → ONNX → TensorRT).
• TensorRT — moteur d'inférence NVIDIA, optimisation FP16 et INT8 pour Jetson. Réduction de latence par rapport à un modèle non optimisé.

Protocoles industriels

• OPC-UA — remontée des résultats d'inspection vers MES, SCADA, automates.
• MQTT — flux d'alertes temps réel vers systèmes de supervision.

→ Vous évaluez vos options ? Utilisez notre estimateur de budget en ligne pour obtenir une fourchette en 2 minutes, ou consultez nos tarifs détaillés.

#On-premise vs cloud : le choix selon la contrainte industrielle

La question revient systématiquement en phase de cadrage. La réponse honnête : pour la computer vision industrielle, on-premise (ou edge) est presque toujours le bon choix.

Trois raisons structurantes. D'abord, la latence : l'inférence cloud introduit une latence aller-retour incompatible avec les lignes de production à haute cadence où la décision d'éjection doit intervenir en quelques dizaines de millisecondes. Ensuite, la connectivité : les environnements OT industriels sont souvent sur des réseaux isolés d'Internet pour des raisons de cybersécurité — une dépendance cloud serait un risque de disponibilité inacceptable.

Enfin, la souveraineté des données : les images de défauts produit sont des données de propriété industrielle sensibles. Les envoyer vers un cloud tiers américain pose des questions RGPD et de protection du secret industriel.

Le cloud a sa place dans deux scénarios : les déploiements de détection d'anomalies sur assets géographiquement dispersés (drones, caméras de surveillance d'infrastructure), où la latence n'est pas critique, et le réentraînement continu des modèles, où les images de défauts collectées en production alimentent un pipeline MLOps centralisé pour améliorer le modèle.

Notre approche IA souveraine on-premise s'applique directement ici : inférence on-premise ou edge, MLOps cloud optionnel, données images qui ne quittent jamais le réseau OT client sans accord explicite.

#Intégrations : MES, SCADA, ERP, alertes temps réel

Un système de computer vision sans intégration SI est un POC, pas un déploiement industriel. Les intégrations habituelles :

MES (Manufacturing Execution System)

• Siemens Opcenter — intégration via REST API OData et webhooks. Les résultats d'inspection (conformité, type de défaut, image annotée, timestamp, ID pièce) sont enregistrés dans l'ordre de fabrication en temps réel.
• SAP ME/MII — connecteur OData dédié. Traçabilité complète pièce par pièce dans SAP.
• PTC Windchill — pour les clients aéronautique et défense.

SCADA et automates

• OPC-UA vers Siemens TIA Portal, Rockwell FactoryTalk, Wonderware System Platform — standard Nehos sur toutes les intégrations automate.
• Signal d'éjection direct vers automate (Siemens S7-1500, Schneider M340) via OPC-UA ou sortie digitale Jetson.

ERP

• SAP S/4HANA — création de lots de contrôle qualité, mise à jour des statuts de conformité, déclenchement de retouches.
• Sage X3, Cegid — via API REST pour les ETI sans SAP.

Alertes temps réel

• MQTT vers Ignition (Inductive Automation) ou Node-RED pour les tableaux de bord opérateurs.
• Webhook vers Teams ou Slack pour les alertes niveau 2 (taux de défauts anormal, arrêt de ligne recommandé).

La coordination avec les équipes automation et méthodes du client est incluse dans le périmètre : on ne livre pas un modèle, on livre un système intégré.

#Ce qu'on mesure, et les limites assumées

Nous ne promettons pas de chiffre avant d'avoir vu vos lignes. Pendant le pilote, on mesure sur un périmètre défini avec vous :

• Contrôle qualité de pièces : taux de défauts non détectés par rapport au contrôle humain, cadence à débit équivalent, coût de rebut et de reprise.
• Inspection d'anomalies sur infrastructure : temps d'inspection sur le terrain, détection d'anomalies critiques par rapport à l'inspection humaine seule, délai de rédaction du rapport d'inspection.
• OCR de plaques signalétiques en logistique B2B : taux de lecture correcte de l'OCR classique et du pipeline hybride, traçabilité des flux intégrée à l'ERP.

La décision d'aller plus loin se prend sur ces mesures.

Limites assumées. La computer vision n'a pas de sens en dessous d'un certain volume : si vous contrôlez très peu de pièces avec un défaut très rare, l'investissement n'est pas justifiable. Un audit peut aussi conclure à un no-go pour un éclairage impossible à maîtriser (coût de mise en conformité optique supérieur au ROI attendu) ou une résistance organisationnelle interne.

Et pour être explicite sur un point qui revient souvent : nous ne déployons pas de surveillance biométrique de personnes — ni reconnaissance faciale, ni analyse comportementale d'employés. Notre computer vision cible exclusivement les objets, pièces et processus industriels.

#Tarification

Prix de départ, hors taxes :

• Audit IA express (1 journée) : à partir de 990 € HT, déduit du projet s'il est lancé dans les trois mois.
• Audit approfondi / audit ROI (5 jours) : à partir de 2 125 € HT.
• MVP d'agent IA : à partir de 11 000 € HT. Scope minimal : une ligne, une caméra, YOLO v11 ou Pixtral sur Jetson Orin, intégration OPC-UA légère vers le MES, dashboard opérateur. Cas typique : contrôle qualité mono-produit sans dataset existant (démarrage par VLM).
• Plateforme multi-agents : à partir de 50 000 € HT. Scope avancé : multi-sites, multi-types de défauts, pipeline MLOps de réentraînement continu, intégration ERP (SAP S/4HANA), détection d'anomalies sur assets dispersés, modèles fine-tunés, hébergement dédié.
• Maintenance et évolution : à partir de 750 €/mois.

Le chiffrage définitif est remis en 48 h après un premier échange. Pour la modernisation du SI industriel qui accompagne souvent ces projets (mise à jour MES, intégration ERP), voir notre offre dédiée.