Quality control AI vision États-Unis : ce que m’a appris le projet d’un fondeur français qui a sauvé son contrat Caterpillar

Mai 2024. Un fondeur de la région de Charleville-Mézières m’appelle. Il fournit Caterpillar US depuis 11 ans en pièces de carter en fonte sphéroïdale. L’acheteur Cat de Peoria vient de l’informer qu’il « réévalue son panel fournisseurs sur les défauts qualité subtils ». Traduction : si vous ne montez pas votre niveau de contrôle d’ici 18 mois, on vous remplace par un fournisseur indien qui investit massivement en vision IA.

Mon client n’avait jamais touché à de la quality control AI vision États-Unis. Sa boîte tournait avec un contrôle visuel humain (4 contrôleuses formées) et un contrôle dimensionnel par MMT en fin de ligne. Niveau de défauts détectés : correct, mais en aval, après avoir consommé toute la valeur de la pièce. Caterpillar voulait du contrôle en ligne, en temps réel, capable de capturer les défauts de surface invisibles à l’œil nu.

Voici l’histoire de ce projet, ce qu’on a fait, et ce que ça lui a coûté. Avec les leçons que j’en ai tirées et que j’applique maintenant chez d’autres fondeurs et mécaniciens qui veulent garder leurs contrats US.

Le diagnostic initial : pas de données, pas de référence, pas de méthode

Premier rendez-vous chez le fondeur, je passe une journée en atelier. Mes constats : zéro caméra industrielle sur les lignes, contrôle visuel humain non standardisé (chaque contrôleuse avait sa propre méthode), aucun catalogue de défauts numérique avec images, taux de fuite vers le client estimé entre 0,3 et 0,8 % (jamais mesuré précisément).

Pour démarrer un projet de quality control AI, il faut au minimum : 5 000 à 15 000 images étiquetées de pièces conformes et de pièces défectueuses, un référentiel défauts validé, un protocole de prise de vue reproductible. Mon client n’avait rien de tout ça. On partait de zéro.

J’ai mis quatre semaines à le convaincre que la première phase serait de la collecte d’images, pas de l’IA. Il voulait un dashboard avec « du machine learning qui détecte tout seul ». Je lui ai dit : sans données labellisées, ton modèle ne saura rien détecter. C’est un classique chez les industriels qui découvrent l’IA.

La phase de collecte : 5 mois, 28 000 images, 4 stations photos

On a installé quatre stations photo en sortie de quatre lignes de production différentes. Caméras industrielles 12 MP avec éclairage LED structuré, prise de vue automatique à chaque pièce passant sur le convoyeur. Stockage local sur un PC industriel avec sauvegarde quotidienne.

Pendant cinq mois, on a collecté 28 000 images, dont environ 1 100 pièces non conformes (taux de défauts ~4 %). En parallèle, j’ai formé deux contrôleuses du fondeur à devenir « labeleuses ». Elles passaient chaque jour 2 heures à étiqueter les images : type de défaut, localisation, gravité. C’est un travail ingrat mais c’est l’or noir du projet.

Coût de cette phase : 75 000 euros (matériel caméras, intégration, temps interne, prestation IT). Aucune IA encore. Beaucoup de mes clients abandonnent à ce stade. Le fondeur a tenu parce que je lui répétais : « sans cette phase, le reste sera du gaspillage. »

Le choix du modèle : pourquoi on est resté simple

Pour entraîner le modèle, j’ai recommandé un partenaire ESN spécialisé en computer vision industrielle. Pas un éditeur de logiciel généraliste, pas une plateforme cloud opaque. Un partenaire qui pouvait expliquer chaque décision du modèle en langage compréhensible par un opérateur.

Le modèle choisi : un CNN classique (ResNet-50 fine-tuned sur les défauts spécifiques à la fonte) plus une couche de classification multi-label pour gérer les cas où une pièce a plusieurs défauts. Pas de transformers exotiques, pas de modèles ultra-complexes. Du solide, du déployable, du maintenable.

Précision atteinte sur le jeu de test : 94,2 % de détection des défauts critiques (qui auraient causé un retour client), 87 % de détection globale. Faux positifs (pièces bonnes classées défectueuses) : 6 %. C’est important, parce que les faux positifs créent du gaspillage et de la friction opérationnelle. On a calibré le seuil pour limiter les faux positifs à un niveau acceptable.

Le déploiement en ligne : 4 mois supplémentaires

Le passage du modèle entraîné à un système opérationnel en ligne, c’est là où la plupart des projets se cassent les dents. Mon fondeur ne fait pas exception. Il a fallu : intégrer la vision avec son automate de tri, gérer les pièces classées « douteuses » (confidence du modèle entre 70 et 90 %, qui partent en contrôle visuel humain), former les opérateurs à interpréter les sorties du modèle, mettre en place un système d’alerte qualité escaladé au chef d’atelier.

La gestion du « mode dégradé » a été un sujet délicat. Que se passe-t-il quand la caméra tombe en panne ? Quand le serveur d’inférence ne répond plus ? Quand l’éclairage change à cause d’une intervention maintenance ? On a documenté trois scénarios de fallback, avec des protocoles clairs pour les opérateurs.

L’edge computing a été un choix structurant ici. Tout le traitement se fait localement, sans dépendance cloud. Caterpillar US apprécie ce choix parce qu’il limite les risques de fuite de données et garantit le temps de réponse en ligne (moins de 200 ms par pièce).

Les résultats à 12 mois

Janvier 2026, bilan annuel. Taux de fuite client : passé de 0,5 % moyen à 0,06 %. Taux de rebut interne : monté de 4 à 5,2 % (effet de la détection plus fine, qui capture des défauts qui passaient avant). Coût total du projet sur 18 mois : 320 000 euros. Économies estimées en année pleine : 180 000 euros (économies sur retours clients, sur litiges, sur retraitements). ROI sur 22 mois.

Mais le plus important : Caterpillar a renouvelé son contrat pour trois ans, et l’a augmenté de 18 % en volume. Sans ce projet de qualité IA, mon fondeur perdait probablement 40 % de son chiffre d’affaires. Le ROI réel, c’est plusieurs millions de chiffre d’affaires sauvés.

Les leçons que j’applique maintenant systématiquement

Ne pas démarrer par la techno. Démarrer par la collecte de données labellisées. Sans elles, rien ne marche.

Choisir un partenaire ESN qui parle « usine », pas « algorithme ». Vos opérateurs doivent comprendre ce que fait le modèle. Si l’ESN ne sait pas l’expliquer simplement, fuyez.

Calibrer le compromis entre faux positifs et faux négatifs en concertation avec le client final. Caterpillar préfère un faux positif (pièce bonne rebutée) à un faux négatif (pièce mauvaise livrée). C’est une décision business, pas technique.

Prévoir l’industrialisation dès la phase POC. Si vous attendez que le modèle marche pour penser industrialisation, vous perdrez 6 à 9 mois supplémentaires.

Communiquer en interne. Mon fondeur a organisé trois sessions de formation pour ses opérateurs et contrôleuses. Adoption finale supérieure à 90 %. Sans ça, le projet aurait été contourné.

Pourquoi le marché US est demandeur

Le marché américain de la quality control AI vision est l’un des plus dynamiques du monde. Selon le rapport Frost & Sullivan 2024, les investissements industriels US en machine vision et qualité IA ont atteint 3,8 milliards de dollars en 2023, avec une croissance projetée de 18 % par an jusqu’en 2030.

Les secteurs les plus demandeurs : automotive (composants électriques, batteries, carrosserie), aéronautique (composites, soudures critiques), agroalimentaire (contrôle hygiène, étiquetage), pharma (contrôle conditionnement, sérialisation), électronique (BGA, soudures CMS).

Si vous êtes dans un de ces secteurs et que vous fournissez des donneurs d’ordre américains, votre niveau de contrôle qualité va devenir un facteur de compétitivité majeur d’ici 2027. Mes clients qui anticipent maintenant gagneront des contrats. Ceux qui attendent perdront les leurs, comme mon fondeur a failli le faire.

Pour ceux qui veulent se lancer

Si vous envisagez un projet de quality control AI vision pour préserver ou gagner des contrats américains, on peut regarder ensemble votre situation. Je propose un format diagnostic en deux jours, qui inclut une visite atelier, un audit de maturité, et une roadmap chiffrée. Vous pouvez démarrer par un RDV découverte de 20 minutes pour qu’on cadre votre besoin.

L’histoire de mon fondeur ardennais, je l’ai racontée à plusieurs reprises depuis. Chaque fois, le même soulagement chez les dirigeants : « ah, donc c’est faisable, et ça paye. » Oui, c’est faisable. Mais il faut s’y prendre dans le bon ordre. Pour le contexte plus large, voir l’article Industrie 4.0 aux États-Unis.