Contrôle qualité par détection d'anomalies
Repérer un défaut sur un composant horloger avec un iPhone, sans avoir eu besoin de photographier des milliers de pièces défectueuses au préalable.
Contexte
Le contrôle visuel de composants horlogers se fait à l'œil, à la loupe, sur des pièces de quelques millimètres. C'est un travail lent, fatigant, et dont la constance dépend de l'heure de la journée.
L'automatiser par apprentissage machine paraît évident jusqu'au moment où l'on demande le jeu d'entraînement. Un défaut rare est rare par définition : personne n'a de collection de milliers de pièces ratées, classées par type de défaut.
Contraintes
Impossible, donc, de partir sur une classification supervisée classique. Il fallait une méthode qui apprenne uniquement à partir de pièces conformes et signale tout ce qui s'en écarte.
Deuxième contrainte : la confidentialité. Les composants photographiés sont de la propriété industrielle. Envoyer les images vers un service d'analyse externe n'était pas envisageable.
Troisième contrainte : l'outil devait être utilisable à l'établi, pas depuis un poste informatique dans un autre bâtiment.
Solution
Une détection d'anomalies non supervisée, entraînée uniquement sur des pièces conformes, et exécutée directement sur un iPhone tenu au-dessus du composant.
Le jeu d'entraînement a été produit en synthèse : les composants sont modélisés et rendus sous des variations d'éclairage, d'orientation et de matière, ce qui donne un volume d'images conformes qu'aucune campagne photo n'aurait produit dans le même temps.
Architecture
Deux approches ont été mises en œuvre et comparées. PatchCore construit une mémoire des caractéristiques normales et mesure la distance de chaque zone de l'image à cette mémoire. EfficientAD vise le même résultat avec une empreinte de calcul plus faible, ce qui compte quand l'inférence tourne sur un téléphone.
Les images synthétiques sont produites sous Blender, avec un contrôle explicite des variations que l'on veut voir considérées comme normales. C'est là que se joue la qualité du système : un modèle entraîné sur des rendus trop propres signale des reflets comme des défauts.
Les modèles sont convertis pour CoreML et exécutés sur l'appareil. Aucune image ne quitte l'iPhone, la latence réseau disparaît, et l'outil fonctionne dans un atelier sans couverture Wi-Fi.
Bilan
Le dispositif fonctionne sur le principe qui comptait : apprendre le normal plutôt que collectionner l'anormal. Il se transpose à un nouveau composant en régénérant un jeu synthétique, sans repartir d'une campagne de photographie.
La démarche vaut au-delà de l'horlogerie, pour toute pièce produite en série où le défaut est rare et la propriété industrielle sensible.
CoreML · PatchCore · EfficientAD · Blender · iPhone