La question mérite d’être posée frontalement, y compris par ceux dont le métier est d’annoter : l’annotation est-elle toujours nécessaire ? Une famille de méthodes apprend uniquement sur des pièces conformes et signale tout écart, sans qu’aucun défaut n’ait jamais été étiqueté. Sur une ligne en fonctionnement, constituer un jeu de pièces conformes est trivial. L’annotation deviendrait alors un coût évitable.
La réponse honnête est qu’elle l’est parfois, et qu’un prestataire qui ne le dit pas rend un mauvais service. Elle ne l’est pas toujours, et les cas où elle ne l’est pas se caractérisent précisément. Cet article établit cette frontière : ce que chaque approche sait faire, ce qu’elle ne sait pas faire, et comment choisir. Il clôt le guide complet de la détection de défauts, auquel il renvoie pour les notions transverses.
Deux hypothèses de départ opposées en détection de défauts
La différence entre les deux approches n’est pas technique mais épistémologique : elles ne supposent pas la même connaissance préalable du problème.
L’approche supervisée
Elle suppose que la liste des défauts est connue, que des exemples de chacun existent en nombre suffisant, et qu’un référentiel qualité permet de les nommer. Le modèle apprend à reconnaître ce qu’on lui a montré, et il est explicitement optimisé pour cette liste.
L’approche non supervisée
Elle suppose seulement que la normalité est représentable. La logique est décrite ainsi dans la littérature du domaine : l’approche consiste à entraîner uniquement sur des échantillons normaux et à détecter ou localiser les anomalies au moment du test, ce qui répond aux difficultés pratiques des lignes de production réelles où les échantillons anormaux sont rares et leur apparence difficile à anticiper.
Cette formulation contient l’essentiel de l’argument en faveur du non supervisé : la rareté des défauts et l’impossibilité d’anticiper leur apparence sont des propriétés structurelles du contrôle industriel, pas des accidents de projet.
Ce que chaque approche sait faire
La comparaison entre les deux approches de détection de défauts gagne à être menée par capacité plutôt que par performance globale, les deux ne répondant pas à la même question.
Détecter un défaut inconnu
C’est l’avantage décisif du non supervisé. Un modèle supervisé ne signalera jamais un mode de défaillance absent de son entraînement, et ce silence est plus dangereux qu’une fausse alerte. Un détecteur d’anomalie signale tout écart, y compris ceux que personne n’avait envisagés, ce qui correspond exactement au besoin lorsqu’un changement de matière ou d’outillage produit un défaut nouveau.
Nommer et graduer
C’est l’avantage symétrique du supervisé. Un détecteur d’anomalie produit un score d’écart, pas une catégorie ni une gravité. Or la décision qualité repose presque toujours sur ces deux informations : une rayure de trois millimètres en zone d’aspect n’appelle pas la même suite qu’une porosité de même score d’anomalie. Sans nom ni gradation, la sortie du système n’est pas actionnable telle quelle.
Atteindre la précision
Sur les défauts dont des exemples existent, le supervisé l’emporte, et l’écart n’est pas marginal. Une source du domaine le formule sans détour : si vous disposez de données de défauts étiquetées, un modèle supervisé de détection de défauts surpassera typiquement un détecteur d’anomalie non supervisé, l’approche mono-classe étant la plus forte lorsque les étiquettes de défauts sont rares ou lorsque des types de défauts inconnus doivent être détectés.
Cette phrase résume la frontière mieux qu’un long développement. Le non supervisé n’est pas une version économique du supervisé, c’est une réponse à une situation différente.
Les limites du non supervisé
Trois limites documentées expliquent pourquoi l’annotation ne disparaît pas des projets de détection de défauts, et elles méritent d’être connues avant de fonder un projet sur cette approche.
La délimitation du défaut
Une analyse du domaine relève que les méthodes non supervisées n’incorporant pas de caractéristiques anormales pendant l’entraînement, détecter précisément les zones de défaut dans les instances anormales reste difficile.
Autrement dit, ces méthodes situent l’anomalie approximativement mais délimitent mal. Sur une tâche où la règle de décision porte sur une dimension, longueur de fissure, surface affectée, cette imprécision est rédhibitoire. C’est la limite la plus fréquemment rencontrée en pratique.
Les défauts contextuels
Une seconde limite concerne les écarts qui ne se traduisent pas par une déviation locale marquée. Une publication note qu’une approche fondée sur la mémorisation de motifs normaux capture efficacement les anomalies structurelles mais convient moins à la détection de défauts dépendants du contexte, où des variations mineures d’apparence ne correspondent pas nécessairement à un écart net par rapport aux motifs normaux.
Cette catégorie recouvre une part importante des besoins industriels réels : un composant présent mais mal orienté, une couleur correcte au mauvais endroit, une pièce conforme dans un assemblage qui ne l’est pas.
Les anomalies logiques
Cette troisième limite est suffisamment structurante pour avoir donné lieu à un jeu de données dédié. Ses auteurs distinguent explicitement les deux natures : les anomalies structurelles apparaissent comme des rayures, bosses ou contaminations dans les produits fabriqués, tandis que les anomalies logiques violent des contraintes sous-jacentes, par exemple un objet autorisé présent à un emplacement invalide ou un objet requis absent.
Un détecteur d’anomalie fondé sur l’apparence locale ne voit pas une pièce manquante, puisque chaque zone visible est individuellement normale. Ce constat oriente vers des approches différentes, et il explique que ce type de défaut reste un sujet de recherche actif.
Ce que le non supervisé exige quand même
Une confusion fréquente mérite d’être levée : sans étiquette de défaut ne signifie pas sans travail sur les données.
Un corpus de normalité propre
La méthode apprend ce qu’on lui montre comme normal. Si le corpus d’entraînement contient des pièces défectueuses non repérées, le modèle apprend que ces défauts sont normaux et cessera de les signaler. Constituer un jeu de conformes suppose donc une vérification, c’est-à-dire un travail humain d’examen, même s’il ne produit pas d’annotation détaillée.
Ce point est régulièrement sous-estimé. Sur une ligne dont le taux de rebut est faible, un tirage aléatoire contient statistiquement quelques pièces défectueuses, et leur présence dégrade silencieusement le modèle.
Une couverture de la variabilité normale
Le corpus doit couvrir toute l’étendue de ce qui est normal : références, lots, teintes, conditions d’éclairage, moments de la journée. Une couverture partielle produit un système qui signale la variation ordinaire, ce qui est le mode d’échec principal de cette approche en production.
Un corpus d’évaluation annoté
C’est le point décisif et le moins souvent formulé. Mesurer la performance d’un détecteur d’anomalie exige de savoir quelles pièces du jeu de test sont défectueuses et où. Cette vérité terrain se construit par annotation, exactement comme pour une approche supervisée.
Les jeux de référence du domaine le reflètent : les images d’entraînement et de validation représentent uniquement des instances sans anomalie, tandis que les jeux de test incluent des échantillons sains et anormaux, avec des masques binaires pixel par pixel comme vérité terrain.
Autrement dit, même le jeu de données emblématique du non supervisé comporte une part annotée, et cette part est indispensable. L’approche non supervisée réduit fortement le volume d’annotation, elle ne le supprime pas.
Le seuil, question commune aux deux approches
Une difficulté propre au non supervisé mérite d’être signalée : le score d’anomalie n’a pas d’échelle interprétable.
Un modèle supervisé produit une probabilité d’appartenance à une classe nommée, dont le seuil se règle en fonction des coûts d’erreur. Un détecteur d’anomalie produit une mesure d’écart dont la valeur absolue ne signifie rien : elle dépend du modèle, de la catégorie de produit et de la distribution d’entraînement.
Le seuil doit donc être calibré empiriquement sur un échantillon dont on connaît le statut, ce qui ramène encore à un besoin d’annotation. Et cette calibration doit être refaite à chaque changement de référence ou de conditions, là où un modèle supervisé conserve la sémantique de ses classes.
Les approches hybrides en détection de défauts
La pratique industrielle mature en détection de défauts ne choisit pas, elle combine, et cette combinaison est aujourd’hui recommandée dans la littérature.
Un travail de comparaison récent en formule le principe : face à l’échec persistant de la détection par boîte englobante sur les défauts de texture périodique, les auteurs proposent une architecture hybride détection et anomalie, où un détecteur supervisé traite les défauts structurels localisés qui constituent la majorité des classes, tandis qu’un score d’anomalie traite les défauts de texture périodique, avec un bénéfice attendu d’une couverture de classes proche de cent pour cent pour un surcoût de calcul modeste.
Cette architecture est la réponse la plus solide au dilemme. Le supervisé apporte la précision, la nomination et la gradation sur les défauts connus, qui représentent l’essentiel du volume. Le non supervisé apporte le filet de sécurité sur les modes de défaillance nouveaux, qui représentent l’essentiel du risque.
Sa mise en œuvre demande une stratégie d’annotation à deux niveaux : un corpus annoté finement sur les classes fréquentes, et un corpus de conformes vérifiés pour la branche non supervisée. Ce n’est pas plus coûteux qu’une approche supervisée seule, puisque la seconde partie n’exige pas d’annotation détaillée.
Choisir son approche de détection de défauts : une grille de décision
Cinq questions suffisent à orienter le choix d’une approche de détection de défauts, et elles se posent au cadrage.
La liste des défauts est-elle connue et stable ? Si oui, le supervisé est envisageable ; si de nouveaux modes apparaissent régulièrement, une composante non supervisée est nécessaire.
Des exemples existent-ils en nombre ? Sur une production nouvelle ou très maîtrisée, ils peuvent manquer pour des mois, ce qui rend le supervisé impraticable à court terme.
La décision repose-t-elle sur une mesure ? Si la règle qualité mentionne une dimension, la délimitation imprécise du non supervisé disqualifie l’approche seule.
Le défaut est-il structurel ou logique ? Un composant manquant, une inversion, un ordre incorrect échappent aux méthodes fondées sur l’apparence locale.
La normalité est-elle stable ? Sur un produit très variable ou sur une ligne aux réglages fréquents, le corpus de conformes devient difficile à constituer et le taux de fausse alerte élevé.
Le coût comparé des deux approches
La comparaison économique entre les deux approches de détection de défauts est plus nuancée que le raccourci « le non supervisé évite l’annotation » ne le laisse croire.
Sur le poste données, l’écart est réel mais partiel. Une approche supervisée demande un corpus annoté par classe, avec délimitation et gradation, plus un corpus d’évaluation. Une approche non supervisée demande un corpus de conformes vérifiés, ce qui est nettement moins coûteux à l’unité, plus le même corpus d’évaluation annoté. L’économie porte donc sur l’entraînement, pas sur l’évaluation.
Sur le poste exploitation, l’écart s’inverse fréquemment. Un détecteur d’anomalie mal calibré génère un volume de signalements à vérifier, et cette charge de vérification manuelle est récurrente là où le coût d’annotation était ponctuel. Sur plusieurs années, un système imprécis peut coûter davantage qu’un corpus annoté.
Sur le poste maintien, l’écart penche également vers le supervisé sur les productions stables, puisqu’un modèle nommant ses classes se diagnostique et se corrige, alors qu’un détecteur d’anomalie dont le taux d’alerte dérive demande une recalibration dont la cause est plus difficile à établir.
Les cas où le non supervisé s’impose
Quatre situations font clairement pencher la balance, et il est plus honnête de les nommer que de les taire.
Le démarrage d’une production nouvelle, où aucun historique de défauts n’existe et où attendre serait perdre des mois. Les petites séries, où le coût d’annotation ne s’amortit pas sur le volume, situation évoquée dans l’article consacré au chiffrage. Les productions très maîtrisées, où le taux de défaut est si faible que rassembler des exemples prendrait des années. Et les contextes où l’enjeu principal est la détection de l’inattendu plutôt que la classification du connu, notamment en sécurité.
Dans ces quatre cas, recommander une approche supervisée reviendrait à vendre un travail d’annotation qui ne se justifie pas. Un prestataire capable de le dire gagne une crédibilité qui vaut davantage que la mission perdue.
Les cas où l’annotation reste incontournable
Symétriquement, cinq situations rendent l’annotation nécessaire en détection de défauts, et aucune méthode non supervisée ne les couvre.
Lorsque la décision qualité repose sur une mesure dimensionnelle, la délimitation précise est requise. Lorsqu’elle repose sur une catégorie, le nom du défaut est requis. Lorsqu’un référentiel normatif impose une gradation, l’échelle doit être apprise. Lorsque la traçabilité réglementaire exige de documenter ce que le système détecte, une sortie interprétable est requise. Et dans tous les cas, l’évaluation exige un corpus de test annoté, sans lequel aucune performance n’est démontrable.
Ce dernier point est le plus général et le plus souvent négligé. Quelle que soit l’approche retenue, le corpus d’évaluation est annoté. C’est la raison pour laquelle l’annotation ne disparaît d’aucun projet sérieux, même lorsqu’elle disparaît de l’entraînement.
Une trajectoire progressive plutôt qu’un choix figé
Présenter la décision comme un choix définitif est une simplification qui dessert les projets. En pratique, une trajectoire fonctionne mieux qu’un arbitrage initial.
Le point de départ naturel est le non supervisé, précisément parce qu’il ne demande pas ce dont on ne dispose pas encore. Il produit un système opérationnel rapidement, il couvre les défauts imprévus dès le premier jour, et surtout il génère quelque chose de précieux : les cas qu’il signale constituent un corpus de défauts réels, sélectionné par le système lui-même.
Ce corpus, une fois vérifié et annoté, alimente une branche supervisée sur les classes devenues fréquentes. Le système évolue donc de la détection généraliste vers la classification précise, au rythme de ce que la production révèle, sans qu’aucune campagne d’annotation massive n’ait été nécessaire au démarrage.
Cette trajectoire a une implication de cadrage utile pour un projet de détection de défauts : elle transforme l’annotation d’un investissement initial bloquant en un effort progressif justifié par des données observées. C’est souvent la formulation qui débloque un client hésitant à s’engager sur un corpus dont il ne connaît pas encore la composition.
Ce que l’évolution des modèles change
La frontière décrite ici bouge avec l’état de l’art, et il vaut mieux le dire que de figer un état.
Les modèles généralistes récents réduisent le besoin d’exemples pour le supervisé, ce qui déplace la limite en sa faveur sur des tâches où elle était infranchissable. Les approches à peu d’exemples permettent d’adapter un détecteur avec une poignée de cas. À l’inverse, les méthodes non supervisées progressent sur la localisation et commencent à aborder les anomalies logiques.
Deux constats restent cependant stables. Un modèle ne peut pas nommer une catégorie que personne ne lui a définie, et cette définition est un acte humain que rien n’automatise. Et une performance ne se démontre que contre une référence, qui reste annotée. Ces deux points ne relèvent pas de l’état de l’art mais de la nature du problème.
Les erreurs les plus fréquentes
- Choisir le non supervisé pour éviter l’annotation, puis découvrir que l’évaluation l’exige.
- Constituer un corpus de conformes sans vérification, y intégrant des défauts non repérés.
- Couvrir partiellement la variabilité normale et produire un taux d’alerte ingérable.
- Attendre d’un score d’anomalie qu’il fournisse une catégorie ou une gravité.
- Employer le non supervisé sur une tâche dont la règle de décision porte sur une mesure.
- Espérer détecter une anomalie logique par une méthode fondée sur l’apparence locale.
- Ne pas recalibrer le seuil à chaque changement de référence ou de conditions.
- Opposer les deux approches au lieu de les combiner dans une architecture hybride.
- Choisir une approche avant d’avoir formulé la règle de décision qualité.
Ce que cela change pour un prestataire d’annotation
Un article qui interroge la nécessité de l’annotation en détection de défauts doit conclure sur ce que cela implique pour ceux qui la pratiquent, sous peine de paraître complaisant.
La conséquence est un déplacement, pas une disparition. Le volume d’annotation d’entraînement se réduit sur une partie des projets, et cette part augmentera à mesure que les méthodes non supervisées progressent. En revanche, trois besoins se renforcent.
La construction de corpus d’évaluation rigoureux devient plus critique, puisqu’elle conditionne la démonstration de performance quelle que soit l’approche, et qu’elle exige davantage de soin qu’un corpus d’entraînement. La vérification de corpus de conformes, tâche moins visible mais indispensable au non supervisé, constitue un besoin nouveau. Et l’annotation progressive des cas remontés par un système en exploitation devient un flux continu plutôt qu’une campagne unique.
Ce déplacement est plutôt favorable à qui sait le voir. Il substitue à un volume ponctuel un accompagnement durable, et il valorise la méthode plutôt que la capacité brute. Un prestataire qui vend des images annotées au volume subit cette évolution ; un prestataire qui vend un dispositif de constitution et de validation de corpus y trouve un terrain plus solide.
Ce qu’il faut retenir
Le non supervisé n’est pas une alternative économique au supervisé, c’est une réponse à une question différente. Il excelle là où le défaut est imprévisible et où les exemples manquent ; il échoue là où la décision exige de nommer, de graduer ou de mesurer. Ces deux domaines se recouvrent peu, ce qui explique que la pratique mature les combine.
Trois décisions structurent un choix éclairé. Partir de la règle de décision qualité plutôt que de la disponibilité des données, puisqu’une règle fondée sur une mesure disqualifie d’emblée une approche approximative. Prévoir un corpus d’évaluation annoté quelle que soit l’approche, puisque aucune performance ne se démontre autrement. Et considérer l’architecture hybride comme le cas par défaut plutôt que comme un raffinement, le supervisé couvrant le volume et le non supervisé couvrant le risque.
Pour les approches, l’ontologie et les tâches d’annotation, le guide complet de la détection de défauts pose le cadre général. Pour l’intégration concrète en environnement de production, où le choix d’approche rencontre les contraintes de cadence et d’éclairage, l’article consacré au contrôle qualité automatisé sur ligne de production détaille les conditions de déploiement.
Pour approfondir les modalités d’exécution, les formats pris en charge et les dispositifs de contrôle applicables, vous pouvez consulter notre page dédiée à l’annotation pour l’industrie. Et si vous hésitez entre les deux approches pour un projet d’inspection, échangeons sur votre cas : le cadrage est souvent plus rapide qu’on ne le pense.
