Traitement d'images classique ou IA ? Comment bien choisir

Traitement d'images

Un fabricant souhaite contrôler des pièces par caméra. Aujourd'hui, la première question est souvent : avons-nous besoin de l'IA pour cela ? Parfois oui. Mais souvent, les méthodes classiques résolvent la tâche plus vite, à moindre coût et de manière plus traçable – et le mauvais choix coûte des mois, dans un sens comme dans l'autre.

Deux outils, deux façons de penser

Le traitement d'images classique travaille avec des règles définies par un développeur : filtres, seuils, arêtes, contours et géométrie. Des bibliothèques comme OpenCV ou Halcon fournissent pour cela des briques éprouvées. Chaque étape est mesurable et explicable.

Le machine learning, et en particulier le deep learning, apprennent les règles à partir d'images d'exemple. Un réseau de neurones trouve lui-même les caractéristiques – y compris celles qu'on peut difficilement exprimer par des mots. Il lui faut pour cela des données, de la puissance de calcul et une validation soigneuse.

La décision en cinq questions

1. Le défaut peut-il être décrit ? Si vous pouvez dire en une phrase à quoi on reconnaît un défaut (« perçage manquant », « arête trop courte »), cela plaide pour les méthodes classiques.
2. Dans quelle mesure les pièces et l'environnement varient-ils ? Les objets naturels, les surfaces changeantes et un éclairage instable plaident pour les méthodes par apprentissage.
3. Y a-t-il suffisamment d'images d'exemple ? Surtout des défauts. Les défauts rares sont difficiles à apprendre.
4. De quelle puissance de calcul disposez-vous ? Un PC industriel avec carte graphique n'a rien à voir avec un système embarqué dans la caméra.
5. Devez-vous justifier les décisions ? Dans des environnements réglementés comme la technique médicale et la technique de laboratoire, la traçabilité compte.

Aide à la décision en un coup d'œil

Une approche classique en quelques lignes

Cet exemple en Python avec OpenCV montre combien un contrôle par règles nécessite souvent peu de code. Il sépare les pièces du fond par un seuil automatique et affiche leur position et leur taille :

import cv2



bild = cv2.imread("teil.png", cv2.IMREAD_GRAYSCALE)

bild = cv2.GaussianBlur(bild, (5, 5), 0)

_, maske = cv2.threshold(bild, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)

konturen, _ = cv2.findContours(maske, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)



for kontur in konturen:

    flaeche = cv2.contourArea(kontur)

    if flaeche < 500:

        continue  # ignorer les petites taches comme du bruit

    x, y, breite, hoehe = cv2.boundingRect(kontur)

    print(f"Teil bei ({x}, {y}): {breite} x {hoehe} Pixel, Fläche {flaeche:.0f}")

Avec un éclairage homogène et un fond bien contrasté, ce type de code suffit souvent pour un contrôle de présence ou de taille robuste. Face à des surfaces très variables, en revanche, il aide peu.

La voie médiane : combiner

Dans la pratique, la réponse est souvent « les deux ». Des étapes classiques trouvent et mesurent la pièce, un petit réseau n'évalue que la surface difficile. Ou l'inverse : un réseau trouve les objets, puis la géométrie contrôle avec exactitude. La part d'IA reste ainsi petite, rapide et facile à vérifier.

Un exemple tiré de nos projets : pour un fabricant de caméras thermiques, il s'agissait de trouver des visages dans l'image – sur un système embarqué à la puissance de calcul très limitée. Nous avons examiné différents algorithmes et réseaux de neurones sous l'angle de la vitesse et de la qualité de détection. Au final, des méthodes propres et légères tournaient en temps réel sur le matériel et distinguaient de manière fiable les visages des lampes et d'autres sources de chaleur. Une IA gourmande en calcul n'entrait pas en ligne de compte. De même, lors de l'analyse de nuages de points 3D pour un fabricant de capteurs, nous avons reconnu des formes comme des cylindres, des parallélépipèdes et des sphères avec des méthodes géométriques comme RANSAC – sans réseau de neurones.

Erreurs typiques

• Choisir l'IA parce que cela sonne moderne, alors qu'un seuil et un contrôle de contour suffisent.
• Affiner sans cesse les règles classiques jusqu'à ce que plus personne n'ait de vue d'ensemble, au lieu de passer à temps à une méthode par apprentissage.
• Négliger l'éclairage et l'optique. Aucun algorithme ne sauve une mauvaise image.
• Collecter trop peu d'images de défauts et ne tester le modèle qu'avec des pièces bonnes.
• Ne fixer le matériel cible qu'à la fin. La méthode ne tient alors souvent plus sur l'appareil.
• Démarrer sans critères de réception mesurables : quel taux de détection, quelle cadence et combien de fausses alarmes sont acceptables ?

Tiré de nos projets en technique des capteurs, technique de laboratoire et de mesure : reconnaissance faciale sur caméras thermiques avec matériel embarqué, détection d'objets dans des nuages de points 3D avec OpenCV, PCL et Halcon.