🏭 Détecteur de Défauts Visuels — Ligne d'Inspection Qualité par CNN

Les poids des noyaux ici sont fixes et choisis à la main, non appris par descente de gradient sur des données de défauts étiquetées. C'est une simplification délibérée. Ce que la simulation reproduit fidèlement, c'est le calcul de propagation avant que tout CNN effectue à l'inférence : convolution → seuillage de la carte de caractéristiques → regroupement de composantes connexes en boîtes englobantes → décision réussite/échec — le même pipeline qu'exécute un réseau de détection de défauts entraîné, mais avec des poids choisis à la main plutôt qu'appris à partir de milliers de pièces étiquetées.

Chaque pièce commence comme une texture de base en métal brossé : bruit directionnel plus un grain sinusoïdal léger. Une rayure est dessinée comme une fine ligne à angle aléatoire dont les pixels sont assombris le long d'un tracé légèrement tremblé avec un dégradé doux de chaque côté. Une bosse est un creux d'intensité gaussien circulaire avec un bord légèrement éclairci, imitant la façon dont la lumière accroche le bord surélevé d'une vraie bosse. Le défaut d'alignement est simulé en décalant vers l'intérieur ou l'extérieur le bord attendu de la pièce d'un côté, créant une discontinuité d'intensité nette à l'intérieur du cadre là où le CNN ne l'attend pas. Les trois sont de vraies modifications par pixel de la grille sur laquelle la convolution s'exécute réellement.

Après le seuillage, la simulation regroupe les pixels signalés adjacents en composantes connexes à l'aide d'un remplissage par diffusion à 4-connexité (le même algorithme de base utilisé pour l'étiquetage des composantes connexes dans les vrais pipelines de vision par ordinateur). Les composantes plus petites qu'un nombre minimal de pixels sont écartées comme du bruit. La boîte englobante de chaque composante survivante est dessinée sur la vue agrandie de la pièce, et son activation moyenne alimente directement la décision réussite/échec et le score de confiance — ainsi chaque boîte à l'écran correspond à un véritable regroupement de sortie de convolution seuillée, pas à une superposition décorative.

Chaque pièce est générée avec une vérité terrain connue (si une rayure, une bosse ou un défaut d'alignement a réellement été injecté) et un verdict du CNN (réussite ou échec) dérivé purement de la carte d'activation seuillée. Comparer les deux produit une matrice de confusion en direct : vrais positifs (défaut réel, correctement rejeté), faux positifs (pièce propre, rejetée à tort), vrais négatifs (pièce propre, correctement acceptée) et faux négatifs (défaut réel, manqué). Le taux de réussite est simplement acceptées/total sur la session en cours. Observer ces chiffres évoluer en déplaçant le curseur de sensibilité est le même exercice qu'effectue un ingénieur qualité en ajustant le seuil d'alarme d'une véritable ligne d'inspection.

Basculer le noyau de détection entre Sobel seul, Laplacien seul et la fusion combinée par maximum change quelle carte d'activation pilote réellement la décision réussite/échec, pas seulement ce qui est affiché. Avec Sobel seul sélectionné, les pièces bosselées passent fréquemment comme faux négatifs car un creux lisse produit peu de gradient ; avec Laplacien seul sélectionné, les fines rayures sont souvent manquées car leur signal de courbure est faible. Seule la carte combinée capture de manière fiable les trois classes de défauts à un seuil unique, ce qui est la raison pratique pour laquelle les vrais CNN d'inspection utilisent de nombreux canaux de convolution plutôt qu'un seul filtre, aussi bien réglé soit-il.