Détection d'anomalies : images sans exemples de défauts

Un détecteur d'objets apprend à reconnaître des défauts à partir d'exemples de défauts. Mais sur une ligne qui produit presque uniquement des pièces conformes, ces exemples manquent : quelques rayures par mois, aucune image d'un défaut qui ne s'est jamais produit. La détection d'anomalies prend le problème à l'envers : on montre au modèle ce qui est normal, et on lui demande de signaler ce qui s'en écarte. Cette page est le complément de la méthode de projet pour la détection de défauts, qui suppose, elle, des défauts étiquetés.

Le principe

Au lieu d'apprendre « ceci est une rayure », le modèle apprend à quoi ressemble une pièce bonne. Une image nouvelle qui s'éloigne de cette référence reçoit un score d'anomalie élevé. Selon les modèles, on obtient un score pour l'image entière, une carte indiquant où l'image diffère, ou les deux. La bibliothèque Anomalib, dont le dépôt est lu le 15/11/2026, décrit son but comme « détecter et/ou localiser des anomalies dans des images ou des vidéos ».

La documentation générale d'Anomalib ne détaille pas la méthode d'entraînement de chaque modèle. Le dépôt Anomalib tague le projet « unsupervised-learning » (apprentissage non supervisé) ; pour le fonctionnement précis d'un modèle donné, il faut lire sa documentation ou son article.

Un outil de référence : Anomalib

• Bibliothèque d'apprentissage profond dédiée à la détection d'anomalies, sous licence Apache-2.0.
• Elle rassemble des algorithmes à comparer sur des jeux de données publics ou privés. Les exemples du dépôt citent les modèles Patchcore, Stfpm et Padim, et la version 2.7.0 en ajoute d'autres (MH-PatchCore, RAD, FoundAD).
• Installation : pip install anomalib.
• Selon le dépôt, la majorité des modèles s'exportent au format OpenVINO IR, pour une inférence accélérée sur matériel Intel.

Le jeu de référence : MVTec AD

Pour comparer les méthodes, la communauté s'appuie sur MVTec AD. Selon la page de l'éditeur, il contient plus de 5 000 images haute résolution réparties en quinze catégories d'objets et de textures. Chaque catégorie fournit un jeu d'entraînement d'images sans défaut ; les jeux de test contiennent « différents types de défauts » et aussi des images sans défaut, avec des annotations au pixel près des anomalies. C'est exactement la situation d'un atelier : beaucoup de pièces bonnes pour apprendre, quelques pièces défectueuses pour vérifier.

Quand choisir cette approche

Ce que l'approche ne règle pas

• Les fausses alertes. Tout ce qui diffère n'est pas un défaut : un reflet, un changement de lot de matière, un support légèrement déplacé. La prise de vue doit être stable, sinon tout paraît anormal.
• Le seuil. Il faut décider à partir de quel score on alerte. Pour cela, il vous faut quand même quelques pièces défectueuses réelles : sans elles, le seuil ne peut pas être vérifié. Mesurez avec les métriques de Précision, rappel, mAP.
• Le nom du défaut. Le modèle dit « anormal », pas « rayure » ou « manque une vis ».
• La dérive. Si le produit change, la définition du normal change : le modèle doit être ré-entraîné avec de nouvelles pièces bonnes.

Démarche conseillée

1. Fixez caméra et éclairage ; collectez de nombreuses images de pièces conformes, en incluant les variations normales de production.
2. Réservez quelques pièces défectueuses réelles, même peu nombreuses, pour tester.
3. Essayez plusieurs modèles d'Anomalib sur ce même jeu et comparez-les.
4. Réglez le seuil avec le responsable qualité en fonction du coût d'un défaut manqué et d'une fausse alerte.
5. Quand assez de défauts réels sont collectés, envisagez de passer à un détecteur supervisé, comme ceux de Détection d'objets avec YOLO.

Si vous voulez juste un premier avis sur quelques photos, envoyer une image à une API peut servir de prototype, avec les limites de précision que l'éditeur indique.