IA et contrôle qualité : détecter les défauts invisibles dans l'aéronautique

Le contexte

Un sous-traitant aéronautique de rang 2 basé en Occitanie, 150 salariés, spécialisé dans l'usinage de pièces critiques pour les programmes Airbus et Safran. Chaque pièce livrée doit respecter des tolérances dimensionnelles et des exigences de surface extrêmement strictes — une non-conformité peut entraîner un rejet de lot entier, voire un arrêt de ligne chez le donneur d'ordre.

Le contrôle qualité repose historiquement sur l'inspection visuelle par des opérateurs qualifiés. Un processus fiable, mais lent, subjectif et difficilement scalable face à la montée en cadence.

La problématique

Trois enjeux convergeaient :

Temps de cycle — Le contrôle visuel représentait 15 à 20 % du temps de production total. Avec la montée en cadence A320neo, ce goulot devenait critique.
Subjectivité — Le taux de détection variait de 85 à 93 % selon l'opérateur, l'heure de la journée et la fatigue. Des micro-fissures passaient entre les mailles.
Taux de rebut — 4,2 % de pièces rejetées par le client, dont une partie aurait pu être détectée plus tôt en interne.

La solution : vision par ordinateur sur ligne de production

Nous avons déployé un système de vision par ordinateur basé sur du deep learning directement intégré à la ligne de production existante — sans modifier l'outillage ni ralentir le flux.

Acquisition d'images haute résolution

Installation de caméras industrielles (5 Mpx, éclairage structuré) à deux points clés de la ligne : sortie d'usinage et pré-expédition. Chaque pièce est photographiée sous 4 angles en moins de 2 secondes.

Modèle de détection de défauts

Un réseau de neurones convolutif entraîné sur 8 000 images annotées par les experts qualité internes. Le modèle détecte :

Fissures de surface — y compris les micro-fissures < 0,1 mm
Bavures résiduelles — après ébavurage, identification des zones non conformes
Non-conformités dimensionnelles — écarts par rapport aux cotes nominales via analyse de contours
Défauts d'état de surface — rayures, marques d'outil, porosités

Intégration au flux existant

Le système s'insère dans le MES (Manufacturing Execution System) existant. En cas de défaut détecté, la pièce est automatiquement orientée vers la station de reprise avec un rapport visuel annoté. L'opérateur qualité intervient uniquement sur les pièces signalées — il valide ou invalide le diagnostic IA.

Les résultats

Après quatre mois de déploiement sur la ligne pilote :

-60 % de temps de contrôle — de 12 minutes à 4,5 minutes par lot
Taux de détection : 98,5 % — contre 89 % en moyenne en contrôle manuel
Taux de rebut client : 0,8 % — divisé par 5 (était à 4,2 %)
ROI atteint en 4 mois — principalement grâce à la réduction des rejets client et des reprises tardives
Zéro arrêt de ligne lié à un défaut non détecté depuis le déploiement

Les enseignements

Les données métier sont irremplaçables. Le modèle n'a atteint sa performance cible qu'avec des images annotées par les experts qualité internes. Un dataset générique de défauts industriels ne suffisait pas — chaque alliage, chaque type d'usinage génère des signatures visuelles spécifiques.

Commencer petit, prouver, généraliser. Le pilote sur une seule ligne a permis de valider l'approche en conditions réelles avant d'engager le déploiement sur les 4 autres lignes. Cette approche progressive a aussi facilité l'adhésion des opérateurs.

L'IA augmente l'expert, elle ne le remplace pas. Les opérateurs qualité restent décisionnaires. Ils passent simplement moins de temps sur l'inspection systématique et plus de temps sur l'analyse des cas complexes et l'amélioration continue.

Vous avez un processus industriel qui gagnerait à être augmenté par l'IA ? Parlons-en →