Inspection par vision industrielle : comment maîtriser les reflets métalliques ?
L’inspection de pièces métalliques par vision industrielle constitue l’un des défis les plus complexes pour les ingénieurs sur les lignes de production. La nature même du métal, qu’il soit brut de fonderie, usiné, brossé ou poli, génère d’importants reflets spéculaires. Ces zones de forte brillance saturent littéralement les capteurs des caméras industrielles, créant des “points chauds” blancs qui masquent souvent les véritables défauts de surface, tels que les rayures fines, les fissures, les porosités ou les manques de matière. Face à cette problématique optique, les systèmes de contrôle traditionnels ont tendance à multiplier les faux positifs, entraînant le rejet inutile de pièces parfaitement conformes et affectant le rendement global de la ligne. Pour obtenir une inspection fiable et répétable, il est indispensable d’adopter une stratégie globale. Cette démarche combine des éclairages très spécifiques, des traitements optiques de précision et des algorithmes d’analyse d’images de dernière génération.
L'éclairage : le pilier de la détection sur métal
La gestion de la lumière est le paramètre le plus critique d’un projet de contrôle automatisé. Un mauvais éclairage de départ ne peut jamais être totalement compensé par un traitement logiciel, même le plus sophistiqué. L’objectif premier est d’augmenter le contraste local au niveau des défauts tout en annulant ou en diffusant les réflexions parasites du métal.
Exemple d’utilisation d’un eclairage dôme (© wenglor.com)
Le choix de l’éclairage dépend directement de la géométrie de la pièce et de la typologie du défaut recherché :
- L’éclairage diffus (souvent sous forme de dôme) est la solution de référence pour les pièces courbes ou les surfaces très réfléchissantes. Ce type d’éclairage crée une chambre lumineuse offrant une lumière uniforme à 360 degrés, ce qui élimine efficacement les points de saturation lumineuse.
- L’éclairage rasant (également appelé Dark Field) consiste à projeter la lumière sous un angle très faible par rapport à la surface. Les surfaces planes et brillantes apparaissent alors très sombres pour la caméra, tandis que le moindre relief (rayure, éclat ou poussière) accroche les rayons lumineux et ressort en blanc très brillant.
- L’éclairage coaxial est quant à lui privilégié pour inspecter les surfaces planes et lisses. Il renvoie la lumière exactement dans l’axe de l’objectif. Ainsi, une surface plane et réfléchissante apparaîtra très lumineuse, tandis que la moindre anomalie de planéité ou manque de matière diffusera la lumière et apparaîtra sombre.
- L’éclairage rétro-éclairé est idéal si l’objectif est uniquement de contrôler la géométrie ou les dimensions, car il transforme la pièce métallique en une simple silhouette noire, éliminant de fait toute problématique liée à l’état de surface.
Les solutions optiques pour neutraliser les reflets
Lorsque le travail sur l’éclairage ne suffit pas à éliminer toutes les zones de brillance, notamment sur des géométries complexes ou des métaux très polis, les solutions optiques physiques entrent en jeu. L’utilisation de filtres polarisants représente la technique la plus courante et la plus efficace en milieu industriel.
En plaçant un filtre polarisant linéaire sur la source lumineuse et un second filtre, orienté à 90 degrés par rapport au premier, sur l’objectif de la caméra, on parvient à bloquer sélectivement la lumière réfléchie directement par la surface métallique. Seule la lumière qui a été diffusée et dépolarisée par les défauts ou par la rugosité de la pièce parvient à atteindre le capteur optique. Cette méthode permet de visualiser l’état de surface réel sous les reflets, ce qui facilite grandement le paramétrage de l’outil d’analyse.
Certaines techniques optiques avancées s’appuient sur la polarisation non seulement pour filtrer, mais aussi pour reconstruire la topographie en trois dimensions de la pièce. Cette approche aide le système à distinguer un simple changement de teinte (comme une légère tache d’huile de coupe) d’un véritable défaut géométrique (comme un impact ou une bosse).
L'apport décisif de l'intelligence artificielle
Même avec une configuration optique et un éclairage parfaitement calibrés, l’aspect des pièces métalliques varie toujours légèrement d’un lot de production à l’autre. Les variations de l’alliage, les micro-différences d’usinage ou les légères traces de lubrifiant perturbent les analyses classiques. Les algorithmes traditionnels, basés sur des règles strictes de seuillage ou de détection de contours, atteignent très vite leurs limites face à ces infimes variations. C’est précisément dans ce contexte que l’intelligence artificielle, et plus particulièrement le Deep Learning, apporte une évolution majeure.
Contactez nos experts pour auditer vos postes de contrôle qualité optique.
Au lieu de devoir programmer manuellement chaque critère de détection, le système est entraîné à partir d’une vaste base d’images. On fournit au réseau de neurones des centaines d’images de pièces jugées conformes et des images illustrant chaque type de pièce défectueuse. L’algorithme apprend par lui-même à faire la différence entre une texture normale de métal brossé et une véritable rayure, et ce, même si le fond est complexe ou légèrement irrégulier.
Les modèles neuronaux récents excellent notamment dans la segmentation des défauts. Ils sont capables d’isoler avec une grande précision une micro-fissure au milieu de traces d’usinage totalement normales. Cette capacité de discernement, très proche de l’œil humain, réduit drastiquement les rejets erronés et rend le poste d’inspection beaucoup plus robuste aux légères dérives d’éclairage ou de positionnement.
Exemples
Contrôle qualité de carters en aluminium : Sur une ligne de fonderie automobile, l’inspection de carters moteurs présente de nombreux défis dus à la forme complexe et à la brillance naturelle de l’aluminium. L’association d’un dôme diffusant de grand diamètre et d’un modèle d’apprentissage profond permet de repérer des porosités de l’ordre du dixième de millimètre, sans être perturbé par les inévitables variations de teinte de l’alliage au refroidissement.
Détection de défauts sur des arbres de transmission usinés : Pour l’inspection de pièces cylindriques finement rectifiées, l’utilisation d’un éclairage rasant sous forme de barre lumineuse met instantanément en évidence les rayures longitudinales et transversales. Les zones très brillantes du cylindre métallique sont visuellement assombries, ce qui permet au logiciel de vision de saisir le contraste net et de classer le défaut.
Vérification dimensionnelle de pièces découpées : Pour valider les tolérances sur des tôles en acier inoxydable découpées au laser, l’utilisation d’une table de rétro-éclairage crée un contraste absolu. Le logiciel analyse uniquement la silhouette parfaite de la pièce métallique, supprimant de l’équation toute la problématique des reflets de surface. Le système peut alors mesurer les cotes avec une précision submillimétrique.
Limites et contraintes de mise en œuvre
Bien que redoutablement performantes, ces solutions technologiques demandent une phase d’étude et une mise en œuvre rigoureuses. La principale contrainte lors de l’intégration reste la sensibilité aux perturbations extérieures. La lumière ambiante de l’usine, qu’il s’agisse des fenêtres de toit, de l’éclairage fluorescent ou même des gyrophares de chariots élévateurs, vient très souvent fausser la capture d’images. Il est par conséquent impératif de concevoir un carénage mécanique ou un système de confinement optique total pour isoler la zone de contrôle qualité automatisé.
De plus, le réglage fin des polariseurs croisés demande de la patience et peut nécessiter des ajustements réguliers, surtout si la machine subit des vibrations importantes. Enfin, le déploiement de modèles basés sur l’apprentissage profond exige de collecter un nombre suffisant d’images représentatives des défauts réels. Cette phase de collecte de données prend du temps lors de la mise en route du projet et nécessite une forte implication du service qualité pour annoter correctement les images.
Conclusion
L’inspection automatisée des surfaces métalliques demande une excellente maîtrise de toute la chaîne d’acquisition et de traitement. La résolution du problème des reflets commence toujours et obligatoirement par un choix judicieux du système d’éclairage et de l’optique, notamment via l’intégration de filtres appropriés. Une image correctement illuminée reste la base incontournable de toute analyse fiable. Dans un second temps, l’intégration de logiciels d’analyse basés sur l’apprentissage profond permet de franchir un véritable cap en matière de flexibilité. Ces algorithmes s’affranchissent des petites variations d’aspect inhérentes à la production des métaux. En associant intelligemment ces deux leviers technologiques, les industriels obtiennent un poste d’inspection qui est à la fois extrêmement performant, robuste et répétable.
