Contrôle qualité par IA : ce qu’exigerait réellement une inspection visuelle automatisée
Un pilote de 3,5 mois a transformé les photos déjà collectées par l’entreprise en signal qualité vérifiable et a établi le coût d’une inspection visuelle automatisée fiable.
La situation
L’entreprise gère le nettoyage de flottes de voitures en autopartage dans plusieurs pays européens, avec un vaste réseau de travailleurs indépendants. Après avoir nettoyé chaque voiture, les travailleurs devaient photographier le véhicule terminé. Les photos étaient stockées, mais jamais contrôlées systématiquement : une vérification manuelle aurait obligé les superviseurs à examiner des centaines, voire des milliers d’images par jour.
Lorsque des problèmes de qualité apparaissaient, ils étaient généralement détectés par des réclamations clients ou par des contrôles ponctuels de certains travailleurs. La question était de savoir si un système d’IA pouvait examiner les photos et signaler un travail insuffisant avant la fin de la tâche.
La contrainte
Le problème n’était pas de traiter une image. Il fallait savoir si un modèle pouvait reconnaître de manière fiable, dans des conditions réelles, la saleté qui comptait vraiment : angles de prise de vue différents, jour et nuit, hiver et été, et toutes les conditions de lumière intermédiaires. Les cas importants n’étaient presque jamais des voitures manifestement sales, mais de petites zones oubliées par le nettoyeur.
Aucun dataset public ne convenait. Les datasets automobiles couvrent les véhicules, les dommages, les bosses et les rayures — pas la qualité subtile du nettoyage. Le dataset devait donc être constitué et annoté à partir des propres images de l’entreprise.
Nous avons testé trois approches. Les modèles de vision générative généralistes ont été écartés en une semaine environ, car une même image pouvait recevoir des évaluations différentes selon les exécutions. C’est incompatible avec un contrôle qualité. Un service de vision par ordinateur managé sur Microsoft Azure était plus déterministe, mais ses cadres rectangulaires représentaient mal les zones de saleté irrégulières. Le modèle pouvait associer un élément du véhicule, comme le pare-chocs arrière, à la saleté au lieu d’apprendre la forme de la zone réellement sale.
Un modèle YOLO personnalisé dans Roboflow permettait d’annoter la saleté avec des polygones. Il offrait le contrôle et la précision propres au domaine nécessaires, au prix d’un travail beaucoup plus important de préparation du dataset, d’annotation, de vérification et d’itération.
C’était le résultat principal : un arbitrage de conception, pas une promesse de production.
Ce que nous avons construit
Nous avons construit une pipeline de vision à partir des photos que les travailleurs prenaient déjà. Chaque image était d’abord classée selon l’angle du véhicule. Le système savait ainsi quelle partie de la voiture il examinait, et les responsables pouvaient vérifier que tous les angles demandés avaient été photographiés. Une deuxième étape de vision par IA analysait ensuite la saleté visible et les zones oubliées.
Le dataset utilisait des images historiques de l’entreprise, vérifiées et annotées manuellement avec l’aide de l’auto-annotation, puis équilibrées selon les angles, les saisons, la lumière et les situations de nettoyage. Pendant le pilote, l’inférence tournait sur une infrastructure cloud dédiée plutôt que sur le service hébergé de Roboflow, afin de garder le débit et les coûts sous contrôle.
Nous avons également construit un tableau de bord de gestion de l’activité de nettoyage par site et par travailleur. Les responsables pouvaient consulter le jour précédent, la semaine précédente ou une période personnalisée, comparer la part de véhicules signalés et voir les écarts entre travailleurs. Un formulaire mobile a remplacé le tableur utilisé pour contrôler les nouveaux travailleurs.
Schéma du processus
Où en est le système
Le pilote a duré plusieurs mois. Il a établi que les photos existantes pouvaient devenir un signal qualité utilisable et que les itérations suivantes produisaient des résultats exploitables par les responsables. Il a aussi établi le volume de données propres au domaine, d’annotations et de perfectionnement continu nécessaires pour une utilisation fiable en production.
La classification des angles s’est révélée fiable pendant le pilote. La détection de saleté nécessitait davantage d’exemples annotés. Le client a donc mis la suite du développement en pause le temps de comparer cet investissement au bénéfice opérationnel.
Réalisation suivante
Une recherche qui se met à jour seule. Un jugement qui ne se délègue pas.
Prêt à améliorer vos résultats grâce à l’automatisation IA ?
Réservez un diagnostic opérationnel de 30 minutes. Nous examinerons où le travail manuel freine votre activité et s’il existe une manière concrète de créer de la capacité.
Réserver un diagnostic opérationnelSwiss precision. Valley speed.