Détection de défauts sur surfaces métalliques – acier, soudures, usinage

Un même modèle, un même jeu de données, et une performance qui varie du simple au double selon le type de défaut. Sur le jeu de référence des défauts de surface de l’acier, une étude rapporte des précisions moyennes par classe de 0,501 pour le faïençage, 0,649 pour la calamine incrustée, 0,791 pour les inclusions, 0,874 pour les piqûres et 0,905 pour les rayures. Quarante points d’écart entre la classe la plus difficile et la plus facile.

Cet écart n’est pas un défaut de la méthode, c’est une propriété du domaine. Le métal présente des familles de défauts dont les signatures visuelles n’ont rien de commun : certaines sont franches et contrastées, d’autres se confondent avec la texture normale de la surface. Un projet qui raisonne sur une performance moyenne se trompe systématiquement sur les classes qui comptent.

Cet article traite des spécificités de la détection de défauts sur surfaces métalliques : les familles de défauts et leurs difficultés propres, le cas particulier des soudures, l’éclairage adapté au métal, et ce que les jeux de données publics ne permettent pas d’anticiper. Il prolonge le guide complet de la détection de défauts.

Pourquoi le métal est un cas particulier en détection de défauts

Trois propriétés physiques rendent cette famille de matériaux plus difficile qu’elle n’en a l’air, et elles interagissent toutes avec l’éclairage.

La réflectivité

C’est la propriété dont découlent la plupart des difficultés suivantes. Une surface métallique renvoie la lumière de façon spéculaire plutôt que diffuse. Le résultat visible dépend donc autant de la géométrie du montage optique que de l’état réel de la surface. Un déplacement de quelques degrés de la source ou de la pièce change radicalement l’apparence, ce qui crée deux problèmes distincts : une variabilité de l’apparence normale qui bruite l’apprentissage, et des reflets qui saturent localement le capteur et masquent l’information.

L’état de surface comme fond bruité

Une pièce métallique n’a pas d’apparence uniforme. Les traces d’usinage, la granularité du laminage, les variations de brillance, les résidus de lubrifiant produisent un fond structuré sur lequel un défaut fin doit être distingué. C’est l’inverse de la situation d’un matériau homogène où toute irrégularité se remarque. Sur le métal, la difficulté consiste à séparer l’irrégularité normale de l’irrégularité anormale, et cette frontière est parfois indécidable sans connaître le process.

La variabilité entre lots et entre nuances

Une dernière propriété complique l’affaire : l’apparence normale d’une surface métallique dépend de la nuance, du lot, du fournisseur et parfois de la saison de production. Une même référence peut présenter des états de surface visiblement différents d’un mois à l’autre sans qu’aucun défaut ne soit en cause. Un corpus constitué sur un seul lot produit donc un modèle qui apprend autant les caractéristiques de ce lot que les défauts recherchés, et la première livraison d’un lot différent déclenche une vague d’alertes injustifiées. La couverture de plusieurs lots dans le corpus initial est une exigence de conception et non une amélioration ultérieure.

Le défaut comme signature du process

Les défauts métalliques ne sont pas des accidents aléatoires, ce sont des signatures de conditions de fabrication. La littérature les rattache explicitement à leur origine : le faïençage correspond à un réseau de fissures visibles causé par une contrainte de traction, tandis que les inclusions sont formées par des composés tels que des oxydes et des sulfures créés lors de la fusion, et sont communes à tous les alliages métalliques.

Cette causalité a une conséquence pratique importante : les défauts arrivent par vagues corrélées à un incident de process, et non de façon uniformément répartie. Un corpus collecté sur une période courte peut donc contenir massivement un type de défaut et aucun autre, ce qui fausse toute estimation de prévalence.

La taxonomie des défauts de surface

Le jeu de données de référence de la détection de défauts sur acier fixe un vocabulaire largement repris : 1 800 images en niveaux de gris de tôles d’acier laminées à chaud, de 200 par 200 pixels, réparties en six types de défauts, faïençage, inclusion, plaque, surface piquée, calamine incrustée et rayure, localisés par boîte englobante.

Ce vocabulaire mérite d’être connu, mais il ne suffit pas. Ces six familles se répartissent en deux groupes du point de vue de l’annotation. Les défauts à contours nets, rayures, plaques, piqûres, se repèrent et se délimitent sans ambiguïté majeure une fois le protocole écrit. Les défauts diffus, faïençage et calamine incrustée, présentent des limites floues et une texture proche du fond, ce qui produit à la fois un accord inter-annotateurs faible et une performance de modèle médiocre. Les deux phénomènes sont liés, et la seconde est en partie causée par la première.

Un jeu plus proche de la réalité industrielle élargit considérablement cette liste : 3 570 images issues de tôles d’acier réelles, réparties en dix catégories incluant poinçonnage, ligne de soudure, croissant, tache d’eau, tache d’huile, tache de soie, inclusion, piqûre de laminage, pli et repli de bord. On y trouve des catégories absentes du jeu académique, notamment les souillures liquides, qui posent une question de fond : une tache d’huile est-elle un défaut du produit ou une salissure à ignorer ? La réponse relève du référentiel qualité et doit être tranchée dans le protocole.

Tous les défauts ne se valent pas

La disparité de performance évoquée en introduction doit orienter concrètement la conduite d’un projet de détection de défauts.

Trois conséquences en découlent. La première est budgétaire : l’effort d’annotation et de contrôle doit être concentré sur les classes difficiles. Doubler la lecture uniformément revient à dépenser sur des rayures qui ne posent aucun problème et à sous-traiter le faïençage, où le désaccord est réel. La seconde est méthodologique : les métriques doivent être rapportées classe par classe, sans exception. Une performance moyenne satisfaisante peut masquer une classe à cinquante pour cent, et si cette classe est justement celle qui déclenche le rebut, le système est inutilisable malgré un bon chiffre global.

La troisième conséquence porte sur le cadrage commercial. Un engagement de qualité global n’a pas de sens sur ce type de corpus. Un engagement différencié, plus exigeant sur les classes franches et explicitement plus prudent sur les classes diffuses, est à la fois plus honnête et plus facile à tenir.

Les soudures, un problème de détection de défauts distinct

Le contrôle des soudures relève de la détection de défauts mais obéit à des règles propres, et le traiter comme une inspection de surface conduit à des erreurs.

Trois différences justifient de traiter la soudure à part. La première est la modalité. Les défauts de soudure critiques sont internes, ce qui impose une imagerie en transmission plutôt qu’en réflexion. La description d’un corpus radiographique industriel donne le vocabulaire du domaine : porosités circulaires, inclusions de laitier allongées, indications linéaires de manque de fusion, lignes sombres continues de pénétration et fissures à contour net, avec des apparences variant fortement en forme, taille, contraste et continuité, certains défauts présentant des contours nets tandis que d’autres sont faiblement contrastés ou partiellement masqués par le bruit de fond, au point d’être difficiles à distinguer à l’œil nu.

La seconde différence est la criticité. Une porosité isolée est souvent tolérée, un manque de fusion ou une fissure ne l’est presque jamais, parce que leur caractère plan les rend propagateurs. La règle de décision est donc fortement asymétrique entre classes, et le protocole d’annotation doit refléter cette hiérarchie : une confusion entre porosité et fissure n’a pas le même coût dans un sens et dans l’autre.

La troisième différence est normative. Le contrôle des soudures est encadré par des référentiels qui définissent les niveaux d’acceptation, et l’ontologie d’annotation gagne à s’aligner sur ce vocabulaire plutôt qu’à en inventer un. Cela facilite l’acceptation par les contrôleurs et évite un travail de correspondance ultérieur.

Usinage et défauts dimensionnels

Une troisième famille se distingue encore en détection de défauts métalliques : les écarts de forme et de dimension, qui ne sont pas des défauts d’aspect.

La distinction est importante parce qu’elle oriente vers une technologie différente. Ils relèvent de la mesure plutôt que de la reconnaissance, et se traitent souvent mieux par vision tridimensionnelle ou par métrologie que par un modèle d’apprentissage entraîné sur des images. Un projet de détection de défauts en usinage doit donc trier explicitement ce qui relève de l’aspect, bavures, arrachements, marques d’outil, traces de vibration, et ce qui relève de la cote, pour ne pas confier au modèle une tâche que l’instrument fait mieux.

Certains défauts d’usinage occupent une position intermédiaire et méritent attention. Les marques de broutage, par exemple, sont à la fois un motif visuel et un symptôme de condition de coupe. Les annoter comme un défaut d’aspect est possible, mais leur intérêt réside souvent dans leur valeur diagnostique pour le réglage machine, ce qui suggère de conserver leur périodicité ou leur orientation comme attributs plutôt que de se limiter à leur présence.

Fonderie, tôlerie, traitement de surface

Le terme de surface métallique recouvre des situations dont les défauts n’ont presque rien en commun, et il vaut la peine de les séparer au cadrage.

En fonderie et sur pièces brutes, la surface est rugueuse et irrégulière par nature. Les défauts recherchés sont des retassures, des soufflures débouchantes, des bavures et des inclusions de sable, sur un fond dont la texture est elle-même très variable. La difficulté principale est la définition de la normalité, puisque deux pièces conformes issues du même moule diffèrent visiblement.

En tôlerie et sur produits laminés, la surface est régulière et le fond peu bruité, ce qui rend les défauts fins détectables mais impose une résolution élevée sur des largeurs importantes, donc des dispositifs multi-caméras dont il faut gérer le raccordement.

Après traitement de surface, peinture, anodisation, revêtement, les défauts changent encore de nature : coulures, cratères, manques de couverture, variations de teinte. La difficulté se déplace vers la colorimétrie, avec toutes les contraintes de stabilité d’éclairage que cela implique. Un système de détection de défauts conçu pour l’un de ces trois contextes ne se transpose pas aux autres sans reprise du montage et du corpus.

L’éclairage adapté au métal

Le montage optique est le levier principal de la détection de défauts sur ce matériau, davantage encore que sur les autres.

Quatre configurations couvrent la majorité des besoins, et leur choix découle de la nature physique du défaut plutôt que d’une préférence. L’éclairage en champ sombre, où la lumière rasante n’atteint le capteur que si elle est déviée par une irrégularité, transforme une surface saine en fond noir et fait ressortir rayures et piqûres avec un contraste considérable. L’éclairage diffus par dôme supprime au contraire les reflets et convient aux défauts de coloration ou de texture sur surfaces brillantes. L’éclairage structuré projette un motif dont la déformation révèle les défauts de forme. Le rétroéclairage, enfin, ne convient qu’aux pièces découpées et révèle contours et manques.

Le choix ne se fait pas une fois pour toutes : de nombreuses installations acquièrent plusieurs images de la même pièce sous des éclairages différents, ce qui améliore nettement la détectabilité mais impose au protocole d’annotation de préciser sur quelle vue chaque type de défaut fait foi. Sans cette précision, deux annotateurs regardant deux vues différentes produiront des désaccords qui seront attribués à tort à l’ontologie.

Ce que les jeux de données publics ne disent pas

Les jeux académiques de détection de défauts sont utiles pour se familiariser avec les familles de défauts et pour comparer des architectures. Ils induisent en erreur dès qu’on en tire une attente de performance.

Une revue des jeux de référence du domaine relève des limites explicites sur le plus utilisé d’entre eux : il s’agit de l’un des plus petits jeux, tant par la taille des images que par le nombre d’échantillons, et il ne comporte pas de données de test dédiées, ce qui rend impossible la comparaison de deux métriques d’algorithmes évalués dessus puisque les jeux de test diffèrent.

L’écart avec les données réelles est mesurable. Un modèle récent rapporte une exactitude de classification de 91,72 % et une précision moyenne de 83,03 % sur le jeu académique, contre 76,73 % de précision de classification et 65,03 % de précision moyenne sur le jeu issu de tôles industrielles réelles. Le même modèle, la même tâche, et près de vingt points d’écart selon l’origine des données.

La conclusion pratique rejoint celle exposée dans le guide général du domaine : un chiffre publié ne vaut que rapporté à ses conditions, et l’engagement de performance d’un projet doit se construire sur un lot pilote issu de la ligne réelle, pas sur une transposition.

L’ontologie et le protocole en détection de défauts métalliques

Quatre points doivent être tranchés par écrit dans le protocole, et ils reviennent sur presque tous les projets.

La distinction entre défaut et salissure vient en premier, et elle est plus lourde de conséquences qu’il n’y paraît. Traces d’huile, résidus de lubrifiant, poussières, marquages temporaires : le protocole doit dire si ces éléments constituent une classe à part, un motif de rejet de l’image ou un élément à ignorer. Sans règle, chaque annotateur tranchera différemment.

La règle d’agrégation vient ensuite. Un faïençage est-il un défaut unique couvrant une zone, ou une multitude de micro-fissures ? Une série de piqûres alignées forme-t-elle un défaut ou plusieurs ? La réponse détermine le comptage et donc la mesure de conformité, et elle doit être illustrée par des exemples plutôt qu’énoncée abstraitement.

La délimitation des défauts diffus constitue le troisième point. Sur une zone de faïençage à bordure progressive, il faut une convention explicite : inclure toute la zone d’apparence altérée, ou seulement la partie où les fissures sont individuellement visibles. Les deux options sont défendables, aucune ne se déduit du bon sens.

La gravité, enfin, doit reposer sur des critères mesurables. Sur le métal, la longueur, la profondeur apparente, la densité surfacique et la position par rapport aux zones fonctionnelles sont des critères objectivables, contrairement à une appréciation générale de sévérité.

Le contrôle qualité d’une annotation de défauts métalliques

Le dispositif de contrôle suit la logique générale exposée dans le guide, avec deux inflexions propres au matériau.

La première est la stratification obligatoire du contrôle par type de défaut, compte tenu de l’écart de difficulté documenté. Un contrôle uniforme sur-représente les classes faciles et ne renseigne pas sur celles qui posent problème. La seconde est la stratification par condition d’éclairage et par source, un corpus rassemblant des images issues de plusieurs lignes ou de plusieurs montages devant être contrôlé séparément pour chacune.

S’y ajoute une pratique particulièrement utile sur ce matériau : faire arbitrer un échantillon de cas litigieux par un contrôleur qualité connaissant le process. Sa capacité à rattacher une apparence à une cause de fabrication tranche des cas qu’aucune règle visuelle ne permet de départager, et ses arbitrages enrichissent le référentiel de cas de façon décisive.

La pré-annotation et l’apport des modèles récents

L’acier est l’un des matériaux les mieux couverts par la littérature, ce qui rend les modèles pré-entraînés particulièrement accessibles. Un projet de détection de défauts sur tôle peut démarrer avec une pré-annotation utilisable, alors même que ses propres données ne sont pas encore collectées.

Le bénéfice est réel et immédiat sur les classes franches. Il se réduit fortement sur les classes diffuses, exactement là où le besoin est le plus grand, ce qui limite le gain économique attendu : l’automatisation absorbe le travail facile et laisse le travail cher. Un budget construit sur un gain moyen sera dépassé.

Deux précautions s’ajoutent. La première est l’ancrage : sur une zone de faïençage à bordure floue, un annotateur validera plus facilement une proposition qu’il ne la corrigera, et l’erreur du modèle se propage dans la vérité terrain. La seconde est la spécificité de la ligne : un modèle entraîné sur des tôles d’une autre nuance, d’un autre laminoir ou sous un autre éclairage produit des propositions plausibles mais systématiquement décalées, ce qui est plus dangereux qu’une absence de proposition.

Les erreurs les plus fréquentes

• Raisonner sur une performance moyenne alors que l’écart entre classes atteint quarante points.
• Ne pas trancher le statut des salissures et des traces d’huile dans le protocole.
• Omettre la règle d’agrégation pour les défauts multiples ou diffus.
• Traiter le contrôle de soudure comme une inspection de surface.
• Confier au modèle des écarts dimensionnels que la métrologie mesure mieux.
• Acquérir sous plusieurs éclairages sans préciser sur quelle vue chaque défaut fait foi.
• Extrapoler une performance publiée sur jeu académique à des tôles industrielles.
• Collecter le corpus sur une période courte et sous-estimer la corrélation des défauts au process.
• Contrôler uniformément au lieu de stratifier par classe et par condition d’acquisition.

Ce qu’il faut retenir

Le métal est un matériau où la détection de défauts se heurte à deux difficultés simultanées : une réflectivité qui rend l’apparence dépendante du montage optique, et un état de surface qui sert de fond bruité aux défauts fins. La réponse à ces deux difficultés est physique avant d’être algorithmique.

Trois décisions structurent un projet réussi. Concevoir l’éclairage par famille de défauts, en acceptant plusieurs vues si nécessaire, et documenter laquelle fait foi pour chaque classe. Différencier l’effort d’annotation, de contrôle et d’engagement qualité selon la difficulté réelle de chaque classe plutôt que d’appliquer un niveau uniforme. Et construire l’estimation de performance sur un lot pilote issu de la ligne réelle, les jeux publics ne permettant pas d’anticiper l’écart observé sur données industrielles.

Pour les approches, l’ontologie générale et les tâches d’annotation, le guide complet de la détection de défauts pose le cadre. Pour les matériaux dont les propriétés optiques diffèrent radicalement de celles du métal, l’article consacré au bois, au textile et au verre compare les contraintes de texture, de transparence et de variabilité naturelle.

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 préparez un corpus d’inspection sur surfaces métalliques et souhaitez cadrer l’ontologie et le protocole avant de lancer la production, échangeons sur votre projet.