Comment votre équipe peut-elle apprendre à une caméra ce qu'elle doit chercher, sans jeu de données ?

Pourquoi la vision industrielle classique a besoin d'un jeu de données

La plupart des systèmes de vision apprennent une liste fixe de catégories. Les auteurs de CLIP, un modèle qui relie images et texte, en décrivent le coût : il faut de nouvelles données annotées pour chaque nouveau concept visuel, ce qui limite la portée et l'usage de ces systèmes. Une pièce, un outil ou un défaut de plus, et il faut d'autres images, d'autres annotations.

Pour le contrôle qualité, ces images sont difficiles à obtenir. Les auteurs de MVTec AD, un benchmark très utilisé en inspection industrielle, rappellent que les procédés industriels sont optimisés pour produire le moins de pièces défectueuses possible. Une ligne qui tourne bien fait peu de rebuts : réunir assez d'exemples de chaque défaut prend donc du temps.

Dans les faits, on lance souvent un projet de vision pour le seul contrôle le plus rentable, et les autres continuent de se faire sur papier.

Comment fonctionne la description par écrit

Des modèles de détection plus récents partent d'une description textuelle plutôt que d'une liste fixe. Grounding DINO, un modèle de recherche de ce type, détecte n'importe quel objet à partir d'indications, comme un nom de catégorie ou une expression qui le désigne. On parle de détection à vocabulaire ouvert.

Vision AI, dans DBR77 IIoT, applique ce principe en deux temps :

1. Enseigner. Un ingénieur décrit la scène : ce qu'il faut chercher, à quoi ressemblent le résultat conforme et le résultat non conforme. Pour les différences fines, l'équipe marque quelques pièces OK ou NOK, et le système contrôle ensuite la qualité par rapport à cette référence.
2. Observer. Chaque image est comparée à ce que le système a appris, et chaque scène aboutit à l'une des trois issues décrites plus bas.

Exemple illustratif tiré de la présentation DBR77 Vision AI : chaque objet est encadré dès qu'il est décrit par écrit.

Dans cet exemple illustratif, une caméra observe un établi. L'ingénieur saisit « clé dynamométrique », « bac de vis de rechange », « bride, emplacement de vis vide », « fiche d'instruction » et « main gantée du technicien ». Chaque objet est encadré dès qu'il est décrit, et l'emplacement vide est repéré en rouge.

Les ingénieurs et les techniciens peuvent ajouter de nouveaux contrôles en cours d'exploitation. Quand une nouvelle pièce ou un nouvel outil arrive sur la ligne, ils le décrivent et, à partir de là, la caméra le cherche.

Trois issues pour chaque scène

Chaque contrôle a trois issues possibles, et l'équipe décide de la suite pour chacune :

1. Résultat conforme. Le système le compte, le trace et l'enregistre ; au bout d'un nombre de résultats fixé, il peut déclencher l'étape suivante. Exemple : la vis 7 est posée et confirmée ; à 10 sur 10, le système déclenche l'action choisie par l'équipe, comme un message signalant que la bride A est terminée.
2. Résultat non conforme. Le système alerte, enregistre et prévient une personne. Exemple : la vis en position 4 n'est pas du bon type, et le technicien reçoit une image où la zone est repérée. Le système n'arrête pas les machines ; c'est une personne qui décide de la suite.
3. Écart pas encore classé. La caméra voit quelque chose que personne n'a décrit, par exemple un objet inconnu sur la bride. Un ingénieur le nomme une fois, il devient une nouvelle catégorie avec ses propres actions, et la fois suivante le système le reconnaît et le traite automatiquement. La nouvelle catégorie s'ajoute à ce que le système a appris à l'étape « Enseigner ».

C'est la troisième issue qui tient le système à jour. La recherche décrit une idée proche, la détection en monde ouvert : un détecteur signale comme inconnus les objets qu'on ne lui a pas appris, et un oracle étiquette, parmi tous ces inconnus, les objets qui comptent. En atelier, cet oracle, c'est votre ingénieur.

Les limites de la description par écrit

Une description textuelle donne les meilleurs résultats quand l'objet correspond bien aux mots employés. Les travaux de recherche relèvent deux points faibles.

Le premier tient aux domaines nouveaux. Un benchmark réunissant 100 jeux de données de nombreux champs d'application a montré que les modèles de détection zero-shot, utilisés sans exemples propres à la tâche, perdent nettement en performance dans un domaine nouveau. Un atelier, avec ses pièces, son éclairage et ses angles de vue, peut en être un.

Le second tient aux détails. Une étude de 2023 sur les détecteurs à vocabulaire ouvert a montré qu'ils peinent à saisir et à distinguer les détails fins des objets, comme la couleur, le motif ou la matière. Une prépublication de 2025 va plus loin. Ses auteurs ont testé des modèles de fondation récents, guidés par des descriptions textuelles, sur de vraies images industrielles issues d'une production en série. Ils constatent que tous échouent sur les données réelles de leur étude, alors que ces mêmes modèles obtiennent de bons résultats sur les benchmarks publics.

C'est pourquoi la description par écrit n'est qu'une première étape. Le test sur vos propres photos montre où elle suffit. Pour les différences fines, comme un fil à freiner posé ou absent, on s'appuie sur la référence OK/NOK, et le test dit si elle fait l'affaire. La troisième issue fait remonter les écarts que la caméra remarque sans que personne les ait décrits.

Qui définit les règles et les réactions

Un contrôle ne sert que si quelqu'un réagit à son résultat. Le lean en fait depuis longtemps l'affaire du terrain : un tableau andon signale toute anomalie dès qu'elle survient, et le chef d'équipe intervient. Avec Vision AI, ceux qui connaissent le poste définissent aussi les contrôles et les réactions.

Avant la mise en service du premier contrôle, mettez-vous d'accord sur quelques points :

• Qui peut ajouter des contrôles. Par exemple, l'ingénieur process et le technicien référent de l'équipe.
• Comment nommer les nouvelles catégories. Des noms courts, compris de tous sur la ligne, notés au même endroit.
• Qui examine la troisième issue. Quelqu'un passe en revue les écarts pas encore classés en fin d'équipe ou chaque semaine, pour qu'ils ne s'accumulent pas.
• Qui reçoit chaque notification. Un excès d'alarmes apprend aux gens à les ignorer, comme le montre notre article sur les alertes machines qui restent sans effet en atelier.

Comment le tester sur un poste

La démarche suit le même parcours que tout contrôle Vision AI : une démo et un premier examen de votre poste, un test sur quelques photos et courtes vidéos sous accord de confidentialité (NDA), une preuve de concept sur un poste, puis un déploiement seulement si les résultats vous convainquent.

• Caméra. N'importe quelle caméra IP standard convient. Chaque image est analysée en environ 25 ms sur un ordinateur installé dans vos locaux.
• Définitions. Un ingénieur décrit par écrit ce qu'il faut chercher et ce qui compte comme un bon ou un mauvais résultat, et vos équipes peuvent ajouter de nouveaux contrôles en cours d'exploitation. Pas de jeu de données à constituer, pas de projet d'entraînement.
• Réaction. Vous décidez de la suite : compter, enregistrer, alerter ou prévenir une personne, sans rien programmer. Le système n'arrête pas les machines ; c'est une personne qui décide.
• Coût. Il comprend le boîtier edge, la puce d'IA, les caméras et une licence logicielle mensuelle par boîtier. Un boîtier peut analyser de 1 à 40 caméras en parallèle.

Notre article sur les caméras utilisées comme capteurs explique dans quels cas une caméra est le meilleur capteur pour une tâche, et dans quels cas elle ne l'est pas.

La place de cette approche dans DBR77 IIoT

Vision AI est la couche caméra de DBR77 IIoT. Les mêmes principes s'appliquent à tout le système :

• Nos équipements fonctionnent en lecture seule. Ils n'envoient jamais de commande à vos machines et ne touchent pas au contrôle-commande.
• Les images sont analysées sur site et aucune vidéo n'est enregistrée.
• Vision AI fonctionne sur DBR77 Vector, notre propre IA industrielle, qui peut être déployée sur vos serveurs. Vos données n'entraînent aucun modèle sans votre accord écrit, et DBR77 est certifié ISO/IEC 27001:2022.
• Les événements Vision AI remontent dans IRIS, à côté des données machines.

Questions fréquentes

Faut-il d'abord collecter des images ?

Pas pour entraîner le système. Pour le test, nous vous demandons quelques photos et une ou deux courtes vidéos du poste. Si les différences sont fines, l'équipe marque quelques pièces OK ou NOK, qui servent de référence.

Qui peut ajouter un nouveau contrôle ?

Les ingénieurs et les techniciens, en cours d'exploitation. Ils décrivent par écrit l'objet, le bon et le mauvais résultat, et règlent la réaction sans rien programmer.

Que se passe-t-il quand la caméra voit quelque chose que personne n'a décrit ?

Elle le signale comme un écart pas encore classé. Un ingénieur le nomme une fois et décide de la suite ; les fois suivantes, le système le traite automatiquement.

Cela fonctionne-t-il pour toutes les pièces ?

Pas forcément. Les descriptions textuelles sont moins fiables pour les détails fins et les pièces inhabituelles. Chaque contrôle est donc d'abord testé sur des photos de votre ligne, et la référence OK/NOK sert aux différences que les mots ne rendent pas.

Un contrôle peut-il arrêter la ligne ?

Non. Un contrôle peut compter, enregistrer, alerter ou prévenir une personne. Le système n'arrête pas les machines ; c'est une personne qui décide.

Conclusion

Choisissez un poste où un contrôle se fait encore à l'œil ou sur papier, et notez en termes simples ce que la caméra doit chercher et à quoi ressemblent un bon et un mauvais résultat. Mettez de côté quelques pièces OK et NOK, et décidez qui est prévenu quand quelque chose ne va pas. Désignez ensuite qui nommera les écarts que personne n'a décrits. Vous aurez alors de quoi lancer un premier test sur des photos et de courtes vidéos du poste.

Sources

• A. Radford et al., Learning Transferable Visual Models From Natural Language Supervision, 2021
• P. Bergmann et al., MVTec AD: A Comprehensive Real-World Dataset for Unsupervised Anomaly Detection, CVPR, 2019
• S. Liu et al., Grounding DINO: Marrying DINO with Grounded Pre-Training for Open-Set Object Detection, 2023
• F. Ciaglia et al., Roboflow 100: A Rich, Multi-Domain Object Detection Benchmark, 2022
• L. Bianchi et al., The devil is in the fine-grained details: Evaluating open-vocabulary object detectors for fine-grained understanding, 2023
• S. Baeuerle et al., Are Foundation Models Ready for Industrial Defect Recognition? A Reality Check on Real-World Data, prépublication, 2025
• K.J. Joseph et al., Towards Open World Object Detection, CVPR, 2021
• Lean Enterprise Institute, Lean Lexicon, 5th edition, excerpt
• DBR77, DBR77 IIoT, 2026
• DBR77, présentation client IIoT et Vision AI, 2026