Les défauts d’aspect ne préviennent jamais. Une bavure apparaît soudainement après plusieurs heures de production. Une trace de flux devient visible uniquement sous certains angles. Une brûlure légère passe au travers en fin de poste à cause de la fatigue visuelle. Et lorsqu’une dérive est détectée trop tard, ce sont parfois des milliers de pièces qui doivent être triées ou rebutées.

Le problème n’est pas nouveau. Ce qui change aujourd’hui, c’est le niveau d’exigence demandé aux industriels : réduction des réclamations clients, stabilité qualité inter-équipes, traçabilité des décisions et contrôle de pièces toujours plus esthétiques ou complexes. Dans ce contexte, le contrôle manuel seul atteint rapidement ses limites.

L’inspection visuelle par IA ouvre une nouvelle approche du contrôle qualité des pièces en injection plastique. Non pas en supprimant le rôle des opérateurs qualité, mais en apportant une détection plus constante, plus traçable et mieux adaptée aux variations réelles de production. Cet article détaille concrètement comment les industriels automatisent aujourd’hui le contrôle qualité de leurs pièces fabriquées par injection plastique grâce à l’IA, quels résultats ils obtiennent et quelles erreurs éviter lors du déploiement.

Pourquoi le contrôle qualité des pièces en injection plastique reste difficile à stabiliser

L’injection plastique cumule plusieurs sources de variabilité qui compliquent fortement l’inspection visuelle.

Les défauts ne sont pas toujours dimensionnels. Beaucoup sont purement esthétiques ou liés à la matière :

• bavures,

• manques de matière,

• brûlures,

• fissures,

• traces de flux,

• rayures,

• occlusions partielles,

• variations de brillance.

Ces défauts peuvent apparaître progressivement à cause :

• d’une dérive thermique,

• d’un vieillissement du moule,

• d’un changement de matière,

• ou d’un léger désalignement process.

Dans les ateliers, les opérateurs doivent souvent prendre des décisions à cadence élevée sur des pièces dont l’aspect varie naturellement. Une légère différence de texture peut être acceptable sur une pièce et critique sur une autre selon sa fonction ou sa visibilité chez le client final.

C’est précisément cette zone grise qui rend le contrôle manuel difficile à standardiser.

Dans beaucoup d’usines, les spécifications qualité restent partielles ou implicites. Les opérateurs apprennent “à l’œil”, par transmission terrain, sans critères visuels réellement formalisés.

Le résultat est connu :

• variabilité des décisions,

• faux rejets,

• passes au travers,

• tensions entre qualité et production,

• et difficulté à stabiliser les taux de rebut.

 Pourquoi la vision industrielle classique atteint vite ses limites

Les systèmes de vision traditionnels fonctionnent avec des règles fixes. Ils recherchent un motif précis défini à l’avance.

Cette approche fonctionne bien pour des applications simples :

• présence/absence,

• contrôle géométrique répétable,

• vérification de composants standardisés.

Mais en injection plastique, la réalité terrain est plus complexe.

Les pièces présentent souvent :

• des textures irrégulières,

• des défauts nouveaux ou difficiles à repérer

• des géométries non planes,

Les systèmes classiques deviennent alors sensibles au moindre changement d’éclairage ou de positionnement.

L’IA fonctionne différemment.

Au lieu de rechercher un défaut précis, Spark apprend ce qu’est une pièce conforme à partir d’un ensemble de pièces bonnes. Lorsqu’une nouvelle pièce est inspectée, l’IA mesure son écart visuel par rapport à cette normalité.

Cette approche est particulièrement adaptée à l’injection plastique, où les défauts évoluent souvent sous forme de dérives progressives plutôt que sous forme d’événements binaires.

Pour fiabiliser l’inspection injection plastique sur ces pièces, Spark de Scortex s’appuie sur plusieurs leviers :

• Plusieurs angles de vue avec une installation allant jusqu’à 4 caméras,

• Positionnement indépendant des caméras,

• Eclairage adapté,

• apprentissage enrichi sur différentes variations acceptables.

 Cette approche de Spark MultiView permet notamment de :

• couvrir des zones cachées,

• adapter la sensibilité selon les faces inspectées,

• et éviter qu’un reflet soit interprété comme un défaut critique.

Le vrai enjeu : détecter plus tôt les dérives process

L’automatisation du contrôle qualité permet de détecter les dérives plus rapidement et plus objectivement.

C’est une distinction essentielle.

Dans beaucoup d’usines, les défauts sont découverts après plusieurs dizaines de minutes, parfois après plusieurs heures de production. Entre-temps :

• les rebuts s’accumulent,

• les lots doivent être triés,

• les coûts augmentent,

• et les causes deviennent difficiles à identifier.

Avec Spark de Scortex et le Quality Center, les industriels peuvent suivre :

• le taux d’éjection en temps réel,

• les pics anormaux,

• les zones récurrentes de défauts via les heatmaps,

• et les évolutions de dérive dans le temps.

Dans certains cas, ces analyses ont permis d’identifier :

• des problèmes matière fournisseur,

• des dérives de température,

• ou des défauts liés à l’outillage.

 Le contrôle qualité devient alors un outil de pilotage process, et plus seulement un filtre de sortie.

Pourquoi les équipes qualité restent au centre du système

L’une des erreurs fréquentes dans les projets IA est de penser que la machine remplacera automatiquement le jugement humain.

En réalité, les meilleurs résultats apparaissent lorsque les équipes qualité sont impliquées dès le départ :

1. sélection des pièces d’entraînement,

2. définition des seuils de sensibilité,

3. validation des cas limites,

4. enrichissement continu du dataset.

Cette implication permet de réduire fortement :

• les faux positifs,

• les passes au travers,

• et les incohérences de calibration.

 Chez l’un de nos clients, fabricant de pièces automobiles en injection plastique, la reprise des annotations avec les équipes qualité a permis de faire passer le taux de faux positifs de 65 % à 25 %, sans modifier le modèle IA.

L’IA seule ne suffit donc pas. La performance vient de la combinaison entre technologie et expertise terrain.

Ce qu’il faut préparer avant d’automatiser

Un projet de contrôle qualité des pièces en injection plastique ne commence pas par l’installation des caméras.

Les projets les plus robustes passent d’abord par :

• une étude de faisabilité sur pièces réelles,

• une analyse du contrôle existant,

• une clarification des critères qualité,

• et une définition réaliste des attentes.

L’automatisation met souvent en lumière un problème plus profond : l’absence de standard qualité réellement partagé.

Certaines entreprises découvrent alors que leurs critères initiaux sont impossibles à tenir industriellement. D’autres formalisent pour la première fois leurs défauts critiques, moyens ou tolérés.

Cette phase est essentielle.

FAQ – Contrôle qualité pièces en injection plastique et IA

Quels défauts l’IA peut-elle détecter en injection plastique ?

L’IA peut détecter des

• bavures,

• manques de matière,

• brûlures,

• fissures,

• traces de flux,

• rayures,

• occlusions

• ou variations de brillance sur les pièces injectées.

Pourquoi les pièces en injection plastique sont-elles difficiles à inspecter ?

Les pièces en injection plastique sont difficiles à inspecter car leur apparence varie naturellement selon la matière, les reflets ou les conditions de production, tandis que les défauts d’aspect restent souvent très subtils. Une technologie d’inspection visuelle par IA comme Spark permet de mieux gérer cette variabilité et de fiabiliser la détection des anomalies à cadence industrielle.

Pourquoi les défauts en injection plastique apparaissent-ils de façon irrégulière ?

Parce qu’ils sont souvent liés à des dérives process évolutives : température, matière, pression d’injection ou usure moule. Une inspection visuelle par IA permet de détecter plus tôt ces variations avant qu’elles ne impactent des séries entières.

Pourquoi les pièces plastiques brillantes posent-elles problème en contrôle qualité ?

Les reflets masquent ou amplifient certains défauts selon l’angle de vue et l’éclairage. Une approche multi-angle avec IA, comme le propose Spark de Scortex, permet de mieux différencier un simple reflet d’une anomalie réelle.

Voici d’autres articles qui pourraient vous intéresser :

·        Le contrôle qualité automatisé par IA: industrie automobile

·        La détection de défauts sur pièces plastiques automobiles par IA

·        Spak et Spark Multi View, deux solutions pour un contrôle qualité sans faille, avec IA