Détection de défauts par vision : méthode de projet

Un projet de détection de défauts réussit ou échoue avant le choix du modèle. Les décisions qui comptent sont prises à la table, avec le responsable qualité : quel défaut exactement, vu comment, avec quelle erreur acceptable. Cette page propose une méthode en six étapes, appuyée sur la documentation d'Ultralytics lue le 15/11/2026. Elle ne promet aucun taux de détection : un taux n'a de sens que mesuré sur vos pièces.

1. Définir le défaut par écrit

« Contrôler la qualité » n'est pas une consigne. Rédigez une fiche par défaut : à quoi il ressemble, sa taille minimale visible, ce qui le distingue d'une marque sans gravité (poussière, reflet, trace d'outil), et la décision attachée (rebut, retouche, alerte). Faites valider les cas limites par la personne qui tranche aujourd'hui à l'œil. Deux contrôleurs qui ne sont pas d'accord sur une pièce produiront des étiquettes contradictoires, et le modèle apprendra ce flou.

2. Choisir la tâche

D'après Ultralytics, la classification attribue une catégorie à l'image entière, la détection trace des boîtes avec une catégorie, la segmentation produit des masques au pixel. Si la décision est « bonne ou mauvaise », la classification suffit parfois. Si le défaut doit être localisé ou mesuré, passez à la détection ou à la segmentation. Le détail est dans Classification, détection, segmentation.

3. Fixer la prise de vue avant de collecter

C'est l'étape la plus sous-estimée. Le guide Ultralytics demande que les images représentent l'environnement de déploiement : différents moments de la journée, éclairages, angles. Pour une ligne de production, cela signifie : caméra fixée, distance et éclairage définitifs, cadence connue. Collecter des images dans des conditions qui changeront ensuite oblige à tout refaire. Un défaut visible seulement en lumière rasante se règle par l'éclairage, pas par un modèle plus gros.

4. Constituer et annoter le jeu d'images

• Volume : Ultralytics recommande au moins 1 500 images et 10 000 instances par classe pour un résultat fiable ; pour démarrer des essais, quelques centaines d'objets annotés par classe suffisent.
• Images sans défaut : le guide conseille d'inclure de 0 à 10 % d'images sans objet à détecter, pour limiter les fausses alertes.
• Étiquetage complet : tous les défauts de toutes les images doivent être annotés. Un défaut non marqué est appris comme du fond.
• Qualité : faites relire les annotations par une deuxième personne, et vérifiez l'accord entre annotateurs. Ultralytics décrit ces contrôles dans son guide de collecte.

Les outils sont comparés dans Label Studio ou CVAT.

5. Mesurer sur des images jamais vues

Séparez les images en entraînement, validation et test. Le test ne sert qu'une fois, à la fin. Regardez la précision (parmi les alertes, combien sont de vrais défauts) et le rappel (parmi les vrais défauts, combien sont trouvés). Ultralytics décrit ces métriques et le mAP dans son guide de métriques ; voyez Précision, rappel, mAP. Sur une ligne, les deux erreurs n'ont pas le même coût : un défaut manqué part chez le client, une fausse alerte arrête la ligne. Fixez le seuil en fonction de cela, avec le responsable qualité.

6. Déployer, puis surveiller

Choisissez où tourne le calcul : près de la caméra (Vision en edge) ou sur un serveur. Après la mise en service, conservez un échantillon des décisions du modèle et faites-le contrôler régulièrement : un changement de fournisseur de matière, de lampe ou de caméra suffit à dégrader les résultats. Ultralytics recommande d'ailleurs de surveiller le biais et de réviser le jeu de données dans la durée.

Un tableau de pilotage simple

Si les défauts sont trop rares pour constituer un jeu étiqueté, lisez Détection d'anomalies dans les images. Pour l'estimation du budget, voir Coût d'un projet de vision.