Computer vision pour le tri industriel : méthode en 2 phases (50% à 95% de précision)
Une PME agroalimentaire qui plafonnait à cinquante pour cent de tri positif est passée à quatre-vingt-quinze pour cent en validant la faisabilité avant l'industrialisation. Voici la méthode en deux phases, et pourquoi sauter la première coûte généralement plus cher que la respecter.
Donatien Lefranc
Fondateur & Président, Leando
Le plafond invisible des machines de tri installées il y a cinq ans
Les PME agroalimentaires qui ont investi dans une machine de tri il y a cinq à dix ans vivent presque toutes la même histoire. La machine a été achetée à un fournisseur spécialisé, calibrée pour des cas standards, et a tenu sa promesse les premières années. Puis elle a plafonné. Sur les produits hétérogènes, sur les configurations particulières, sur les variations saisonnières, son taux de détection positive stagne entre cinquante et soixante pour cent. Le reste, ce sont les opérateurs qui le rattrapent à la main, parfois six à sept heures par jour avec huit à quatorze personnes en haute saison.
Cette stagnation n'est pas un défaut de la machine, c'est une limite des algorithmes de vision classiques sur lesquels elle s'appuie. Ces algorithmes, bien conçus pour leur génération, ne disposent pas de la capacité d'apprentissage des modèles actuels. Sur un produit qui change selon la pêche du jour, la météo, la saison, ils restent figés sur les paramètres de leur installation initiale. La computer vision moderne, entraînée sur les données réelles du client, n'a pas cette limite. Et c'est cet écart qui ouvre la possibilité de débloquer le plafond.
Pourquoi la phase de faisabilité n'est pas négociable
La tentation, sur ce type de projet, est d'engager directement une industrialisation parce que la promesse semble claire. Cette tentation se paye toujours, parce que la performance d'un modèle de computer vision dépend de spécificités qu'aucune analyse a priori ne révèle complètement. La diversité des produits, leur état réel, la variabilité de la lumière sur la chaîne, la présence de cas rares qui pèsent en haute saison : tout ça ne se prédit pas, ça se mesure. Et ça se mesure dans une phase courte, distincte, qui valide ou invalide la faisabilité avant que le hardware ne soit commandé.
Cette phase de faisabilité a une fonction précise : donner au dirigeant une décision binaire à prendre, basée sur un chiffre mesuré. Pas sur une promesse commerciale, pas sur un benchmark fait ailleurs, pas sur une démonstration produit. Sur un échantillon représentatif des scénarios qui bloquent la machine actuelle, avec un seuil de performance défini à l'avance. Si le seuil est atteint, on industrialise. S'il ne l'est pas, on ajuste ou on arrête, et l'investissement engagé reste léger. Cette logique correspond à l'approche d'automatisation IA en agroalimentaire avec précision, appliquée à la couche détection.
« Cette approche "on réduit les déchets", c'est assez drôle dans un contexte industriel de vouloir réduire les déchets. Ça lui a tout de suite parlé. »
La méthode en deux phases, dans le détail
Phase 1 : faisabilité R&D légère, deux à quatre semaines
On commence par identifier les scénarios terrain précis qui mettent la machine actuelle en échec. Pas tous les scénarios, ceux qui bloquent vraiment. On collecte les images, on les annote, on entraîne un premier modèle sur les techniques computer vision actuelles, on mesure la performance sur ces scénarios. La phase doit rester courte parce qu'elle a une fonction d'aller-retour : si elle s'étire au-delà d'un mois, elle perd cette qualité d'investissement léger qui permet de décider sereinement. Le livrable est un rapport de faisabilité avec une performance chiffrée et une recommandation explicite sur la poursuite.
Phase 2 : industrialisation pilotée, alignée sur la haute saison
Une fois la faisabilité validée, on bascule en industrialisation. Cette phase pilote l'intégration avec le hardware existant, parfois en remplaçant uniquement la couche de détection visuelle, parfois en adaptant les capteurs et les éjecteurs. Elle coordonne les prestataires, généralement un intégrateur hardware spécialisé qu'on pilote depuis Leando pour décharger le dirigeant. Et elle se cale impérativement sur la haute saisonnalité du client, parce qu'une mise en production loupée pendant la période de pic peut compromettre toute une saison. Le reporting régulier au dirigeant, sur les avancées, les blocages, les anticipations, fait partie intégrante de la phase.
Ce que la méthode a produit chez France Coquillage
France Coquillage est une PME agroalimentaire de la côte qui produit environ cinq cents tonnes de produits de la mer par an. Sa machine de tri, achetée cinq à six ans plus tôt à un fournisseur spécialisé, plafonnait à cinquante à soixante pour cent de tri positif. Le dirigeant avait identifié son plafond de verre, mais ne savait pas qu'il pouvait être levé par la computer vision actuelle. L'analyse ROI préalable, posée en deux scénarios pessimiste et optimiste, a montré qu'un investissement même léger se justifiait dans les deux cas.
La phase 1 R&D a prouvé que les modèles entraînés sur les images réelles du client dépassaient quatre-vingt-quinze pour cent de détection positive sur les scénarios qui bloquaient la machine existante. Cette performance, supérieure à celle de l'entreprise spécialisée installée historiquement, a permis d'engager la phase 2 d'industrialisation en confiance. Le vrai résultat n'est pas un pourcentage : c'est une équipe qui n'est plus mobilisée cinq à six heures par jour sur du tri pénible en haute saison, et une production qui n'est plus plafonnée par la disponibilité des intérimaires.
Pour le détail du cadrage qui sécurise un projet IA industriel, ce qui distingue le cadrage projet IA d'un cadrage classique expose les quatre spécificités à intégrer. Pour les risques évités par cette méthode, les risques typiques des projets IA en PME cartographie ce qui se passe quand on saute la phase de faisabilité.
Si vous étudiez un projet de tri industriel par computer vision, deux actions concrètes méritent d'être posées avant tout engagement. La première : identifier dix à vingt scénarios terrain précis qui mettent votre installation actuelle en échec, avec leur fréquence approximative en haute saison. La seconde : collecter sur deux ou trois jours représentatifs un échantillon d'images correspondant à ces scénarios. Ces deux préparations conditionnent la qualité de la phase de faisabilité, et donc la qualité de la décision qui suivra.
En général deux à quatre semaines pour une PME industrielle, à condition de disposer d'un jeu de données représentatif des cas terrain. Cette phase doit produire un chiffre mesuré sur les scénarios qui bloquent la machine actuelle, avec un seuil de performance défini à l'avance. Au-delà d'un mois, on bascule vers de la R&D longue qui n'a plus la fonction d'aller-retour rapide attendue d'une faisabilité. En deçà de deux semaines, on prend le risque de valider sur un échantillon trop étroit.
Vous étudiez la computer vision pour débloquer un plafond de tri ?
On regarde ensemble votre installation actuelle, les scénarios qui bloquent et ce qu'une phase de faisabilité courte permettrait de valider. Échange exploratoire sans engagement.
Étudier mon tri industriel