Inspection visuelle par IA : réduire les faux rejets sans manquer les défauts

Une pièce rejetée correspond à une décision, pas à la preuve d’un défaut. Pourtant, de nombreux rapports de production considèrent que chaque pièce rejetée a échoué à une spécification vérifiée. Une question reste alors sans réponse : quelle quantité de production conforme jetons-nous ?

L’inspection visuelle par IA utilise des modèles pour analyser les images des pièces et signaler des caractéristiques susceptibles d’indiquer un défaut. Sa valeur dépend de la décision améliorée : moins de rejets inutiles, des preuves utiles aux réviseurs et la détection continue des défauts importants. Une baisse du rebut ne suffit pas à démontrer une meilleure inspection.

Dans l’épisode 3 d’AI in Swiss Industry, Stéphane Fallet décrit cette erreur moins visible : des pièces conformes peuvent finir au rebut et leur coût rester non mesuré. Il propose d’abord de mieux utiliser l’information tout au long de la production. L’audit ci-dessous traduit cette observation en démarche pratique pour une équipe qualité.

01 Intégrer l’inspection visuelle par IA à la ligne de production

Un processus d’inspection commence par une image exploitable et un critère d’acceptation explicite. Le modèle évalue les caractéristiques visibles ; le processus environnant détermine si le résultat devient une alerte, une demande de revue ou une décision de production. Distinguez ces responsabilités lors de la définition du test.

Une première application utile peut consister à réexaminer les images déjà signalées par le système de contrôle. Siemens décrit une réduction des fausses alertes dans la production de circuits imprimés, combinant les données d’inspection optique automatique et les résultats de l’inspection manuelle. C’est un exemple concret d’assistance à un processus existant, pas une preuve que le résultat se reproduira dans chaque usine. Lire la présentation de Siemens.

• Capturer : conserver l’image et le contexte de la pièce, du poste et de l’inspection.
• Évaluer : comparer le résultat du modèle à des étiquettes d’acceptation vérifiées.
• Revoir : orienter les résultats incertains ou contestés vers le responsable qualité.
• Surveiller : suivre faux rejets, défauts manqués et effort de revue après tout changement approuvé.

02 Préparer images et étiquettes avant de choisir un modèle

Pour le test, réunissez des exemples de pièces conformes, de défauts pertinents et de cas non résolus par l’équipe. Incluez les variations attendues au poste : variantes de pièces, états de surface, positions et conditions de fonctionnement. Précisez ce que l’image peut réellement révéler : un jugement fondé sur une image ne peut établir une propriété que la méthode de capture ne mesure pas.

Séparez la décision initiale de contrôle de l’état vérifié. Une ancienne étiquette « rejet » peut décrire l’action du système plutôt que le défaut de la pièce. Faites vérifier les étiquettes par une personne qualifiée à partir de la spécification et conservez les cas non résolus, plutôt que de les classer implicitement comme défectueux.

Définissez un jeu d’évaluation séparé avant de régler le modèle. Testez des exemples représentatifs de la production qui n’ont pas été réutilisés pour l’entraînement et présentez les résultats par catégorie de défaut et globalement. Le responsable qualité doit définir les critères et les preuves nécessaires au déploiement : aucun taux universel de précision ne rend toute application prête.

03 Commencer par les deux erreurs d’inspection

Un faux rejet est une pièce conforme classée défectueuse. Un défaut manqué, ou échappement, est une pièce non conforme acceptée au contrôle. Les conséquences de ces résultats diffèrent. Éviter un rebut inutile ne justifie pas de libérer un composant défectueux.

Accordez-vous sur le sens de « conforme » avant de compter les erreurs. Utilisez le plan, la spécification et les critères d’acceptation en vigueur, avec une mesure de référence adaptée. Si cette référence est contestée, consignez un résultat non résolu. Classer de force un cas incertain parmi les bons ou les mauvais donne au tableau de bord une clarté que les preuves n’ont pas.

Notre présentation du contrôle qualité par l’IA traite du lien plus large entre inspection, données opérationnelles et essai d’IA. Ce guide vise une tâche plus ciblée : trouver et étudier les pièces conformes dans le total des rejets.

04 Ce que l’étude Sandia permet de conclure, et ses limites

Dans une expérience menée en 2015 aux Sandia National Laboratories, 82 inspecteurs ont examiné 140 pièces de précision utilisées dans le complexe américain de sécurité nucléaire. Ils ont correctement rejeté 85 % des pièces défectueuses et rejeté à tort 35 % des pièces acceptables. Les auteurs précisent que ce taux élevé de rebut n’était pas typique des tâches d’inspection visuelle. Lire le résumé original de l’étude.

Ce résultat invite à examiner votre processus ; il n’est pas une estimation des pertes de votre usine. Il ne prouve ni qu’un tiers des pièces conformes est systématiquement jeté dans l’industrie, ni que l’IA récupérerait cette proportion. Critères, mix produit et conditions d’inspection peuvent être très différents.

05 Auditer la décision de rejet avant de la modifier

Choisissez un poste de contrôle défini et une famille de pièces. Fixez une période de revue et conservez la traçabilité de la décision initiale. Il s’agit de construire une comparaison explicable, pas de chercher dans le rebut quelques exemples favorables à une solution préférée.

• Enregistrez l’identifiant de pièce ou de lot, l’heure de contrôle, le résultat initial et le motif de rejet.
• Conservez, lorsqu’ils existent, l’image, la mesure, la version du programme ou le compte rendu de l’inspecteur.
• Faites évaluer les pièces choisies selon une référence convenue par des personnes qualifiées.
• Consignez séparément résultats conformes, non conformes et non résolus, ainsi que le motif des désaccords.

Séparez la vérification de l’audit de l’autorité de libération. Une pièce jugée conforme pendant l’enquête peut encore nécessiter la procédure normale de disposition. Maintenez le confinement et la traçabilité jusqu’à son achèvement par le responsable qualité.

L’animation montre les deux erreurs : une pièce défectueuse arrive au client et une pièce conforme part au rebut. Elle illustre pourquoi il faut mesurer les deux résultats. Identifier un possible faux rejet n’autorise pas la libération ; la récupération dépend encore de l’état, de la traçabilité et d’une disposition autorisée.

06 Utiliser le bon dénominateur

Deux indicateurs utiles répondent à des questions différentes. La proportion des rejets audités finalement conformes décrit la population rejetée. Le taux de faux rejet indique la fréquence de rejet erroné des pièces conformes. Ils ne sont pas interchangeables.

• Part conforme des rejets audités : rejets vérifiés conformes divisés par tous les rejets audités.
• Taux de faux rejet : pièces conformes rejetées divisées par toutes les pièces vérifiées conformes de la population évaluée.
• Taux de défauts manqués : pièces non conformes acceptées divisées par toutes les pièces vérifiées non conformes de cette population.

Exemple illustratif : un jeu de test entièrement vérifié contient 190 pièces conformes et 10 non conformes. Le contrôle rejette trois pièces conformes et neuf non conformes. Trois des 12 rejets sont conformes, soit 25 %. Mais le taux de faux rejet vaut trois divisé par 190, environ 1,58 %. Une des dix pièces défectueuses est passée, soit 10 % de défauts manqués. Ce sont trois lectures du même test, pas trois estimations du même problème.

Un audit limité aux rejets ne permet pas d’établir le taux de faux rejet de toute la ligne, car il ne vérifie pas la population acceptée. Il ne révèle pas non plus le nombre de défauts passés. Intégrez des contrôles sur les pièces acceptées selon un plan d’échantillonnage adapté et précisez ce qu’il permet ou non de conclure. Affichez les effectifs avec chaque pourcentage.

07 Trouver la cause des désaccords

Avant de modifier un seuil, comparez les preuves initiales au résultat de référence. Regroupez les désaccords par famille, type de défaut, poste, équipe et configuration lorsque les dossiers le permettent. Une enquête utile cherche les changements dans les conditions de décision plutôt que de mettre immédiatement en cause l’opérateur ou le modèle.

Pour un contrôle automatisé, vérifiez l’influence du positionnement, de l’éclairage, de l’aspect de surface ou de la variation de mesure. Les conseils KEYENCE sur la prévention des faux rejets abordent l’équilibre entre sensibilité et précision. Utilisez les recommandations d’équipement comme point de départ de votre validation, pas comme remplacement des critères propres au produit.

Pour un contrôle humain, examinez si le même cas limite reçoit des décisions différentes et si le critère écrit est utilisable en pratique. Un exemple de référence plus clair ou une meilleure mesure peuvent résoudre le désaccord plus directement qu’un modèle. Si des dossiers manquent, rendez cette lacune visible avant d’en déduire une tendance.

Lorsque plusieurs facteurs changent ensemble, leur relation est une piste, pas une preuve de causalité. Comparez des conditions équivalentes et faites évaluer les explications plausibles par le responsable du processus. Une concentration de rejets sur une équipe peut, par exemple, refléter le mix produit plutôt que l’inspecteur.

08 Calculer les coûts réellement évitables

Utilisez le nombre vérifié pour construire le bilan avec la finance et les opérations. Partez du coût engagé au moment du rejet, puis demandez si la pièce aurait réellement pu être récupérée. Un assemblage fini et une ébauche en début de fabrication n’intègrent pas les mêmes coûts de matière et de transformation.

• Rebut évitable : unités vérifiées conformes qui auraient pu être légitimement conservées, multipliées par le coût unitaire pertinent, moins la valeur de récupération.
• Effort de revue : heures d’enquête et de nouvelle inspection, y compris la résolution des désaccords.
• Effort de récupération : manutention, séparation et retouches ou vérifications autorisées avant libération.
• Effets sur les livraisons : consignez séparément les conséquences démontrées ; chaque rejet ne crée pas nécessairement une vente perdue.

Supposons qu’un lot entièrement revu contienne 20 pièces conformes rejetées à tort, avec 40 € de coût évitable chacune et aucune valeur de récupération. La perte potentielle de rebut atteint 800 € pour ce lot. Si la récupération exige quatre heures à 50 €, il reste 600 € avant les autres coûts. C’est un calcul illustratif, pas un résultat Embiggen ni une prévision d’économies mensuelles.

Ne multipliez pas une série atypique par une année de production pour en faire un dossier économique. Vérifiez la représentativité du volume, du mix et des conditions. Distinguez perte identifiée, valeur techniquement récupérable et économies réalisées. Elles ne deviennent égales que si les preuves opérationnelles le démontrent.

09 Tester le changement en parallèle du processus actuel

Définissez précisément le changement : configuration de contrôle revue, consignes plus claires, mesure supplémentaire ou revue assistée par IA. Fixez les critères avant de comparer les résultats, notamment les catégories où aucun défaut manqué n’est acceptable et la procédure d’escalade des cas incertains.

Dans la mesure du possible, maintenez la décision de production actuelle pendant l’évaluation de la nouvelle approche. Comparez les deux avec la même méthode de référence et consignez leurs désaccords. Utilisez des pièces d’évaluation qui n’ont pas simplement servi au réglage, et incluez la variation normale du processus.

Examinez ensemble faux rejets et défauts manqués. Réduire les rejets en acceptant davantage de pièces défectueuses n’est pas le résultat recherché. Mesurez aussi la charge de revue et les cas non résolus : transférer toutes les décisions difficiles à un inspecteur surchargé peut rendre impraticable un modèle apparemment meilleur.

Une période sans défaut échappé observé ne prouve pas un risque réel nul. La taille de l’échantillon et le mix de défauts limitent les conclusions. Le responsable qualité doit décider si les preuves suffisent à l’usage prévu et quelle surveillance suivre après le changement.

10 Donner à l’IA un rôle précis dans l’enquête

Vous pouvez évaluer l’IA pour prioriser les images contestées, regrouper les motifs de rejet ou réunir les dossiers pour un réviseur. La question utile est la tâche qui améliorerait la décision avec un effort acceptable. « Ajouter de l’IA » est trop vague pour être testé.

Les étiquettes de référence exigent autant de soin que le modèle. Si chaque ancien rejet est classé défectueux sans vérification, l’entraînement peut reproduire l’erreur à réduire. Gardez décision initiale et état revu dans des champs distincts. Documentez les cas non résolus et les changements de critères.

Désignez un responsable qualité pour la disposition et un circuit clair pour les résultats incertains. Le score de confiance d’un modèle n’est pas une autorisation de libération. Quand le mix produit, la configuration de contrôle ou le processus change, vérifiez si les preuves justifient toujours l’usage de l’outil.

11 Commencer par une question auditable

Avant d’acheter un équipement ou de commander un modèle, demandez : parmi les pièces rejetées par ce poste, lesquelles respectent la spécification convenue, et pourquoi la décision initiale différait-elle ? La réponse fournit une base exploitable pour progresser.

• Choisir un poste et une famille de pièces.
• Convenir de la méthode de référence et du responsable de décision.
• Vérifier un échantillon défini en maintenant les contrôles sur les pièces acceptées.
• Séparer faux rejets, défauts manqués et cas non résolus.
• Estimer la valeur récupérable à partir des coûts réels.
• Tester un changement précis avant de l’étendre.

Parlez à Embiggen X de la décision d’inspection à étudier. Nous pouvons commencer par cartographier les dossiers disponibles, la revue et les preuves nécessaires pour évaluer un essai délimité.

12 Sources

• Embiggen X : IA et contrôle qualité : réduisez les rebuts en industrie. Épisode 3 consacré aux défauts manqués, faux rejets et informations de production.
• Judi E. See, Visual Inspection Reliability for Precision Manufactured Parts, 2015. Résultats propres à cette étude.
• KEYENCE : Preventing False Rejections. Conseils du fabricant sur la sensibilité et la précision du contrôle.
• Siemens : Smarter False Call Reduction for Electronics Manufacturing. Exemple de revue assistée par IA à partir de données AOI et de résultats manuels.