Made in Val de Loire, l’Observatoire

Intelligence artificielle en usine : le contrôle qualité par vision et les autres usages

19 novembre 2026

Pourquoi l’intelligence artificielle entre dans les ateliers de production

L’intelligence artificielle transforme progressivement les outils de production, non pas en remplaçant mécaniquement les équipes, mais en aidant à observer, analyser et décider plus rapidement. Dans une usine, elle peut traiter des images, repérer une dérive sur une machine, anticiper une panne, optimiser un réglage ou faciliter la recherche d’une information technique.

Son intérêt dépend moins de l’effet de nouveauté que de la qualité du problème traité. Une application utile doit répondre à une difficulté mesurable : trop de défauts détectés tardivement, des contrôles manuels irréguliers, des arrêts non planifiés, une consommation excessive de matière ou un temps de recherche documentaire trop long.

Pour une PME industrielle, la première étape consiste donc à décrire le processus existant avant de choisir une technologie. Il faut identifier les données disponibles, les critères de réussite, les contraintes de sécurité et les personnes qui utiliseront réellement le système. Une solution d’IA qui produit une alerte incompréhensible ou qui ralentit la ligne peut dégrader la performance au lieu de l’améliorer.

Le contrôle qualité par vision industrielle

La vision industrielle associe généralement une caméra, un éclairage, un système d’acquisition et un logiciel d’analyse. L’intelligence artificielle intervient lorsque le logiciel doit reconnaître des formes, des défauts ou des variations difficiles à décrire avec de simples règles géométriques.

Dans un contrôle classique, un opérateur ou un programme vérifie par exemple une dimension, une couleur ou la présence d’un composant. Avec un modèle d’apprentissage automatique, le système peut être entraîné à distinguer des pièces conformes et non conformes à partir d’un ensemble d’images correctement annotées. Il peut ensuite signaler une rayure, une bavure, une fissure, un défaut d’assemblage, une impression incomplète ou une anomalie de surface.

Le fonctionnement repose toutefois sur plusieurs conditions :

  • Des images représentatives : elles doivent couvrir les variations normales de lumière, de position, de matière et de fabrication.
  • Un éclairage stable : une caméra performante ne compense pas une scène mal éclairée ou changeante.
  • Des critères de décision définis : il faut préciser ce qui constitue un défaut critique, acceptable ou à vérifier.
  • Une procédure de traitement : une pièce signalée doit être isolée, contrôlée ou remise en production selon une règle connue.
  • Une surveillance du modèle : les performances peuvent diminuer lorsque les produits, les fournisseurs ou les conditions de fabrication changent.

La vision par IA est particulièrement intéressante lorsque le contrôle est répétitif, rapide ou difficile à maintenir avec une inspection humaine constante. Elle ne supprime pas nécessairement l’expertise du contrôleur qualité. Elle peut plutôt réserver l’intervention humaine aux cas ambigus et aux décisions qui demandent une appréciation technique.

Comment préparer un projet de vision sans brûler les étapes

Un projet de contrôle qualité par vision gagne à être conduit comme une démarche industrielle, et non comme une simple expérimentation informatique. Une méthode en plusieurs étapes limite les dépenses inutiles.

  1. Décrire le défaut ciblé : préciser son apparence, sa fréquence, sa gravité et le moment où il est actuellement détecté.
  2. Mesurer la situation de départ : relever le taux de rejet, le temps de contrôle, les faux défauts et les défauts échappés lorsque ces données sont disponibles.
  3. Constituer un jeu d’images : collecter des pièces conformes et non conformes, dans des conditions proches de la production réelle.
  4. Tester la faisabilité : vérifier la résolution, la distance de prise de vue, l’éclairage, la cadence et l’intégration avec la ligne.
  5. Définir les responsabilités : préciser qui valide les résultats, qui intervient en cas d’alerte et qui met à jour les données.
  6. Commencer sur un périmètre limité : une référence, une opération ou un type de défaut permet d’apprendre sans fragiliser toute la production.
  7. Évaluer le coût complet : prendre en compte les caméras, l’intégration, la maintenance, la formation, le stockage des données et les arrêts nécessaires.

Le taux de bonnes détections ne suffit pas à évaluer la solution. Il faut aussi examiner les faux positifs, c’est-à-dire les pièces conformes signalées à tort, et les faux négatifs, lorsque des défauts ne sont pas repérés. Le niveau acceptable dépend du produit, du risque client, des obligations sectorielles et du coût d’une erreur.

Les autres usages de l’intelligence artificielle dans l’usine

La vision industrielle est l’application la plus visible, mais elle ne constitue qu’un usage parmi d’autres. L’IA peut exploiter des données issues des automates, des capteurs, des systèmes de supervision, de la maintenance ou de la gestion de production.

UsageDonnées utiliséesApport recherché
Maintenance prédictiveVibrations, température, pression, intensité électrique, historiques d’interventionRepérer une dérive et planifier une intervention avant la panne
Optimisation des réglagesParamètres machine, qualité obtenue, temps de cycle, consommationIdentifier des combinaisons de réglages plus stables
Prévision de la demandeCommandes, saisonnalité, délais, historiques de venteAider à organiser les approvisionnements et la capacité de production
Détection d’anomaliesSignaux machines, consommations, arrêts, alarmesRepérer un comportement inhabituel avant un incident
Assistance documentaireProcédures, notices, historiques, fiches de posteFaciliter la recherche d’une consigne ou d’une information technique

En maintenance, il est préférable de parler de détection précoce ou d’aide à la décision plutôt que de prédiction certaine. Un modèle peut repérer des signaux associés à des pannes passées, mais il ne connaît pas toujours les causes nouvelles. La validation par un technicien reste nécessaire, notamment lorsque l’arrêt d’un équipement présente un risque pour les personnes ou pour la continuité de l’activité.

Dans la gestion des stocks, une prévision algorithmique peut prendre en compte davantage de variables qu’un tableau manuel. Elle doit cependant être confrontée aux informations de terrain : changement de fournisseur, commande exceptionnelle, arrêt prévu ou évolution commerciale non présente dans l’historique.

Données, cybersécurité et intégration avec les outils existants

Une usine ne doit pas considérer l’IA comme une application isolée. Le projet touche souvent les automates programmables, les réseaux industriels, la supervision, la gestion de maintenance assistée par ordinateur et le progiciel de gestion. Cette interconnexion crée une valeur opérationnelle, mais elle augmente aussi les exigences de sécurité.

Avant toute mise en production, il est utile de cartographier les flux :

  • quelle machine produit la donnée ;
  • où cette donnée est stockée ;
  • qui peut la consulter ou la modifier ;
  • combien de temps elle est conservée ;
  • quel système déclenche l’alerte ou l’action ;
  • quelle solution de secours fonctionne en cas de panne informatique.

La segmentation des réseaux, la gestion des droits, les sauvegardes, la journalisation des accès et la mise à jour des équipements participent à la cybersécurité industrielle. L’Agence nationale de la sécurité des systèmes d’information publie des recommandations sur la sécurité des systèmes industriels, utiles pour structurer cette réflexion.

Les données peuvent aussi contenir des informations sensibles sur les procédés, les cadences, les défauts ou les clients. Le Règlement général sur la protection des données s’applique lorsqu’un traitement concerne des personnes identifiables, par exemple au moyen d’images de salariés, de données de présence ou d’évaluations individuelles. La Commission nationale de l’informatique et des libertés recommande notamment de définir la finalité du traitement, de limiter les données collectées et d’informer les personnes concernées lorsque le dispositif le requiert.

Le rôle des salariés et les compétences à organiser

La réussite d’un projet d’IA en usine dépend fortement des équipes qui connaissent le procédé. Les opérateurs, régleurs, techniciens de maintenance et responsables qualité détiennent des informations que les historiques ne montrent pas toujours : défauts difficiles à reproduire, changements de matière, signaux faibles ou exceptions de production.

Leur participation peut prendre plusieurs formes :

  • définition des défauts à reconnaître ;
  • annotation et qualification des images ;
  • validation des alertes ;
  • description des réactions adaptées ;
  • signalement des changements de procédé ;
  • évaluation de l’ergonomie et de la charge de travail.

Il faut également clarifier l’usage des résultats. Une alerte destinée à améliorer un processus n’a pas le même effet qu’un dispositif utilisé pour évaluer individuellement la productivité. Cette distinction doit être expliquée, documentée et examinée avec les représentants du personnel lorsqu’ils existent. Le Code du travail encadre l’information et la consultation du comité social et économique dans les situations où l’introduction de nouvelles technologies modifie l’organisation, les conditions de travail ou le contrôle de l’activité des salariés.

La formation ne doit pas se limiter à une présentation du logiciel. Elle doit apprendre à interpréter une alerte, à reconnaître les limites du modèle, à appliquer une procédure de vérification et à remonter une erreur. Une compétence de base en lecture de données peut aussi devenir utile pour les équipes de production.

Évaluer la pertinence économique et opérationnelle

Un projet d’IA doit être évalué avec des indicateurs définis avant son lancement. Le retour attendu peut concerner la qualité, la disponibilité des équipements, la consommation de matière, le temps de contrôle ou la sécurité, mais il faut relier chaque objectif à une mesure observable.

Une grille d’analyse peut contenir les éléments suivants :

  • Situation initiale : défauts, arrêts, rebuts, temps de contrôle ou interventions.
  • Coût du problème : matière perdue, retouche, immobilisation, retour client ou temps mobilisé.
  • Coût de la solution : matériel, logiciel, intégration, données, formation et maintenance.
  • Gain opérationnel attendu : réduction des défauts échappés, intervention mieux planifiée ou contrôle plus régulier.
  • Risques : mauvaise alerte, dépendance à un fournisseur, indisponibilité du système ou dégradation du modèle.

Les dispositifs d’aide peuvent évoluer selon les périodes et les territoires. Une entreprise peut vérifier les possibilités auprès de la Direction régionale de l’économie, de l’emploi, du travail et des solidarités, de Bpifrance, de sa chambre de commerce et d’industrie ou de sa chambre de métiers et de l’artisanat selon son activité. Les conditions d’éligibilité, les dépenses retenues et les calendriers doivent être vérifiés dans les documents officiels en vigueur.

Il est prudent de ne pas intégrer une hypothèse d’aide dans le budget tant que son obtention n’est pas confirmée. Le projet doit rester compréhensible même sans financement externe.

Un cadre européen à prendre en compte

Le règlement européen sur l’intelligence artificielle, adopté par l’Union européenne, introduit une approche fondée sur les risques. Les obligations varient selon l’usage du système, son environnement et ses conséquences possibles. Un dispositif utilisé dans un contexte industriel peut relever de règles différentes selon qu’il contrôle un produit, influence une décision concernant des salariés ou intervient dans un équipement de sécurité.

Pour une PME, une démarche pratique consiste à conserver un dossier comprenant :

  • la finalité précise du système ;
  • la description des données utilisées ;
  • les critères d’acceptation et de rejet ;
  • les tests réalisés avant déploiement ;
  • les limites connues et les cas d’erreur ;
  • les responsabilités de l’entreprise et des fournisseurs ;
  • les procédures de supervision humaine et d’arrêt du système.

Le règlement européen sur les machines peut également être concerné lorsque l’IA est intégrée à une machine ou influence une fonction liée à la sécurité. L’analyse juridique et technique doit être adaptée au cas concret. Les textes européens évoluent et leur interprétation dépend du dispositif installé, de sa date de mise en service et de son niveau de risque. Un professionnel compétent peut aider à qualifier les obligations applicables.

Une feuille de route pour démarrer avec un risque maîtrisé

Pour une entreprise industrielle qui souhaite avancer progressivement, la feuille de route suivante offre un cadre simple :

  1. Choisir un problème circonscrit : une référence, une machine ou un défaut mesurable.
  2. Réunir une équipe courte : production, qualité, maintenance, informatique et direction.
  3. Établir un état des lieux des données : disponibilité, fiabilité, format, historique et accès.
  4. Définir les seuils de réussite : précision attendue, temps de réponse, taux d’alertes acceptables et continuité de service.
  5. Réaliser un test dans des conditions proches du terrain : la démonstration sur un échantillon idéal ne suffit pas.
  6. Documenter les décisions : qui valide, qui corrige, qui maintient et qui peut interrompre le système.
  7. Déployer par étapes : observation, assistance à l’opérateur, puis éventuelle automatisation d’une action clairement maîtrisée.

Cette progression permet de conserver un contrôle humain pendant la phase d’apprentissage. Elle facilite aussi le dialogue avec les salariés et évite de confondre un prototype prometteur avec un outil industriel fiable.

FAQ sur l’intelligence artificielle en usine

L’IA peut-elle remplacer le contrôle qualité humain ?

Elle peut automatiser une partie des contrôles répétitifs, mais elle ne remplace pas systématiquement l’expertise humaine. Les cas ambigus, les défauts nouveaux et les décisions liées à la sécurité nécessitent souvent une vérification par un professionnel.

Faut-il beaucoup de données pour lancer un projet de vision ?

Il faut surtout des données représentatives et correctement qualifiées. Un grand volume d’images répétitives peut être moins utile qu’un ensemble plus restreint couvrant les variations réelles de production.

Une PME doit-elle développer son propre modèle d’IA ?

Pas nécessairement. Elle peut s’appuyer sur un logiciel spécialisé, un intégrateur ou une solution existante, à condition de vérifier la maîtrise des données, la maintenance, la réversibilité et les possibilités d’adaptation.

Que se passe-t-il si le modèle se trompe ?

La procédure doit prévoir une supervision humaine, une possibilité de contrôle manuel et une analyse des erreurs. Les faux positifs et les faux négatifs doivent être suivis dans le temps afin de réviser les réglages ou les données d’apprentissage.

Quel est le premier indicateur à suivre ?

Il n’existe pas d’indicateur unique. Le choix doit partir du problème initial : taux de défauts détectés à temps, temps de contrôle, arrêts évités, rebuts, consommation ou disponibilité de la ligne. Un indicateur de qualité doit être associé à un indicateur de coût et à un indicateur de fiabilité.

En savoir plus à ce sujet :

Entreprises, innovation, société : le pouls du territoire

Opérateur contrôlant une ligne de production où une caméra de vision industrielle inspecte automatiquement des pièces et des capteurs suivent l’état des machines.

Intelligence artificielle en usine : le contrôle qualité par vision et les autres usages

19/11/2026

L’intelligence artificielle transforme progressivement les outils de production, non pas en remplaçant mécaniquement les équipes, mais en aidant à observer, analyser et décider plus rapidement. Dans une…

Opératrice consultant une tablette près d’une machine équipée de capteurs dans un atelier industriel.

Big data industriel : quelles données collecter dans un atelier et pour quoi faire ?

18/11/2026

Dans un atelier, le big data ne se résume pas à accumuler des relevés issus des machines. Il désigne l’exploitation de volumes importants de données, produites…

Technicien inspectant un moteur industriel équipé de capteurs de maintenance prédictive dans un atelier

Maintenance prédictive : anticiper les pannes grâce aux capteurs et aux données

17/11/2026

Une panne ne se résume pas au remplacement d’une pièce. Elle peut interrompre une production, retarder une livraison, mobiliser un technicien dans l’urgence ou dégrader…

Ingénieur observant une ligne de production automatisée avec une tablette affichant sa simulation numérique.

Jumeau numérique : simuler une ligne de production avant de la modifier

16/11/2026

Modifier une ligne de production engage souvent plusieurs décisions à la fois : déplacement de machines, changement de cadence, ajout d’un robot, réorganisation des postes, adaptation des flux…

Opérateur contrôlant une pièce métallique à côté d’un robot collaboratif dans un atelier industriel.

Cobotique : faire travailler un robot collaboratif aux côtés des opérateurs

11/11/2026

La cobotique désigne l’utilisation de robots conçus pour collaborer avec des opérateurs humains dans un même espace de travail, ou dans des espaces qui ne…

Opérateur observant une imprimante 3D qui fabrique une pièce technique dans un atelier industriel.

Fabrication additive : comment l’impression en trois dimensions entre dans les ateliers

10/11/2026

La fabrication additive désigne un ensemble de procédés qui fabriquent une pièce par ajout successif de matière, à partir d’un modèle numérique…