Flux de travail :
1️)Acquisition d'images
Capture des images à partir d'une caméra industrielle.
2️)Annotation avec CVAT
Utilisation de CVAT pour annoter les objets et créer un dataset d’entraînement pour YOLO.
3️)Entraînement
Entraînement du modèle sur les données annotées pour détecter les dimensions et
marquages.
4️)Traitement avec OpenCV
→ Prétraitement des images avant détection (redimensionnement, filtrage, amélioration).
→ Post-traitement des résultats de YOLO (filtrage des prédictions, calculs de distances,
superposition des boîtes détectées).
5️)Système de contrôle en temps réel
→ Intégration du modèle YOLO avec OpenCV pour inspecter les pièces en direct.
Les critères de choix
1️Choix de la caméra
Critères techniques pour le choix de la caméra
Critère Description Exigences recommandées
Résolution Nombre de pixels capturés Minimum 5MP (mégapixels) pour
par image. une bonne précision.
Fréquence d’image Nombre d’images Minimum 30 FPS pour des objets en
(FPS) capturées par seconde. mouvement rapide.
Type de capteur Technologie du capteur de CMOS (moins de bruit, rapide) ou
la caméra. CCD (meilleure qualité).
Sensibilité à la Capacité à capter des ISO élevé et bon rapport signal/bruit
lumière images en faible éclairage. (SNR).
Interface de Connexion entre la caméra USB 3.0, GigE, ou Camera Link pour
communication et l’ordinateur. des transferts rapides.
Champ de vision Zone visible par la caméra. Dépend de l’objectif choisi (ex.
(FOV) 16mm pour des objets à 50 cm).
Type d’optique Objectif de la caméra. Objectif fixe ou zoom en fonction de
la distance d'inspection.
Basler ace U
Cette caméra industrielle est équipée de capteurs CMOS de haute qualité, offrant des
résolutions allant jusqu'à 20 mégapixels. Elle est idéale pour des applications nécessitant une
capture d'image précise et détaillée. De plus, son interface GigE Vision assure un a
Critères techniques pour l’éclairage
Critère Description Exigences recommandées
Type de source Technologie d’éclairage LED (durée de vie longue et faible
lumineuse utilisée. consommation).
Température de Couleur de la lumière en 5000K - 6500K (blanc neutre) pour
couleur Kelvin (K). éviter les distorsions de couleur.
Angle d’éclairage Direction de la lumière par 45° pour détecter les reliefs et éviter
rapport à l’objet. les reflets.
Uniformité Éviter les zones sombres ou Diffuseur pour homogénéiser la
surexposées. lumière.
Intensité Puissance lumineuse Ajustable en fonction des conditions
lumineuse nécessaire pour la capture. d’éclairage de l’usine.
3. Choix du modèle de vision par ordinateur
Modèles basés sur le Deep Learning
Détection d’objets (YOLO, Faster R-CNN)
Utilisé pour identifier des pièces, détecter des anomalies ou vérifier le
positionnement.
YOLOv8 : Rapide et performant pour des applications en temps réel.
Faster R-CNN : Plus précis mais plus lent.
Segmentation d’images (U-Net, Mask R-CNN, DeepLabV3)
Utile pour analyser des textures ou des défauts complexes.
OCR (Reconnaissance optique de caractères)
Tesseract OCR : Open source, efficace pour la lecture de texte imprimé.
EasyOCR : Meilleur pour les polices non standards.
Inspection automatique avec Roboflow
Plateforme permettant d’entraîner et de déployer des modèles de vision plus
facilement.
Critères techniques pour le modèle de vision par ordinateur
Critère YOLO (You Detectron2 (Mask
Only Look R-CNN, Faster R-
Once) CNN, etc.)
Précision (mAP - Moyenne à Très élevée (surtout avec Faster R-
Mean Average Bonne CNN ou Mask R-CNN)
Precision) (YOLOv8 >
YOLOv5)
Vitesse (FPS - Très rapide Lent à moyen (5-20 FPS)
Images par (30-60 FPS
seconde) selon le
matériel)
Temps 5 à 15 ms sur 100 à 300 ms sur GPU (Faster R-CNN)
d’inférence (ms GPU 300 à 1000+ ms sur GPU (Mask R-
par image) (YOLOv8- CNN)
Tiny)
20 à 50 ms
sur GPU
(YOLOv8-
Large)
Taille du modèle Léger, Très grand (200 Mo à plusieurs Go)
optimisé
pour les
systèmes
embarqués
(de 6 Mo à
100 Mo)
Facilité Facile Complexe (nécessite PyTorch et une
d’implémentatio (OpenCV + configuration avancée)
n TensorRT, API
simple)
Capacité de Détection Détection + segmentation détaillée
détection d’objets (Mask R-CNN)
uniquement
(bounding
boxes)
Adaptation aux Correcte mais Excellente (grâce à l’approche R-CNN)
petits objets peut
manquer de
précision
Interopérabilité Très bonne Possible, mais demande plus
avec OpenCV (support d’adaptations
natif)
Consommation Faible à Élevée (nécessite un GPU puissant
de ressources moyenne pour de bonnes performances)
(fonctionne
sur CPU et
GPU)
Cas d’utilisation Détection en Inspection détaillée avec
recommandé temps réel, segmentation précise (précision
systèmes maximale mais lent)
embarqués,
contrôle
qualité rapide
Critères techniques pour la carte de développement
Critère Description Exigences recommandées
Processeur CPU pour l’exécution des calculs. Quad-core ARM Cortex ou
supérieur.
GPU Accélération pour IA et vision NVIDIA CUDA .
par ordinateur.
Mémoire RAM Capacité de stockage temporaire Minimum 4 Go pour
des calculs. traitement rapide.
Connectivité Interfaces pour caméras et USB 3.0, Ethernet, GPIO pour
périphériques. extensions.
Consommation Puissance nécessaire au <15W pour systèmes
énergétique fonctionnement. embarqués.
Compatibilité Support des frameworks IA. TensorFlow, PyTorch, OpenCV,
logicielle YOLO.
Résumé des recommandations
Caméra : 5MP, 30-60 FPS, capteur CMOS, interface USB 3.0 ou GigE.
Éclairage : LED blanche (5000-6500K), angle de 45°, diffuseur.
Modèle IA : YOLOv8 pour la rapidité ou Faster R-CNN pour plus de précision.
Carte de développement : NVIDIA Jetson Nano (pour CUDA) ou Raspberry Pi 4
Critère pour l’outil d’annotation
Critère Roboflow CVAT Label Studio
Type de solution SaaS (cloud) Open Source (auto- Open Source (auto-
hébergement hébergement
possible) possible)
Sécurité Données stockées sur les Auto-hébergement Auto-hébergement
serveurs de Roboflow. possible pour un possible pour un
contrôle total des contrôle total des
données. données.
Coût Gratuit avec limitations, Gratuit et open Gratuit et open
plans payants pour plus de source. source, version
fonctionnalités. Enterprise payante
pour des
fonctionnalités
avancées.
Types de données Principalement images et Images et vidéos. Images, texte, audio,
vidéos. vidéo, et autres types
de données.
Annotation assistée Oui (annotation semi- Oui (intégration avec Oui (intégration avec
par IA automatique, pré- des modèles d'IA des modèles d'IA pour
entraînement de pour l'annotation l'annotation semi-
modèles). semi-automatique). automatique).
Collaboration Oui (multi-utilisateurs). Oui (multi- Oui (multi-
utilisateurs). utilisateurs).
Prétraitement des Oui (augmentation des Non (nécessite des Non (nécessite des
données données, outils externes). outils externes).
redimensionnement, etc.).
Exportation des Formats compatibles avec Formats standard Formats flexibles
données les frameworks de ML (COCO,YOLO Pascal (JSON, CSV, etc.).
(TensorFlow, PyTorch, VOC, etc.).
etc.).
1. Roboflow :
o Points forts : Prétraitement des données, annotation assistée par IA,
exportation facile.
o Limites : Moins flexible, données stockées dans le cloud.
2. CVAT :
o Points forts : Personnalisation, sécurité des données, intégration avec des
modèles d'IA.
o Limites : Moins convivial pour les débutants, nécessite des compétences
techniques.
3. Label Studio :
o Points forts : Polyvalence, personnalisation, sécurité des
données.
o Limites : Moins spécialisé pour la vision par ordinateur que
Roboflow ou CVAT.
