La détection automatisée de défaut ce n’est pas nouveau. Depuis plusieurs années déjà, les industriels cherchent à s’équiper de solutions performantes pour automatiser le contrôle qualité. La start-up rennaise (Ille-et-Vilaine) DeepHawk, lauréate d’un Global Industrie award lors de l'édition 2024 du salon industriel, innove avec un logiciel qui apprend à distinguer tout type de défaut à partir d’une pièce conforme. Et non pas à repérer une liste de défauts appris en amont. Concrètement, n’importe quelle imperfection sur un produit peut être détectée.
Actuellement, les solutions sur le marché reposent surtout sur des algorithmes d’apprentissage profond, ou deep learning, qui apprennent à détecter une liste de défauts sur des milliers d’images. A l’inverse, DeepHawk mise sur un algorithme qui a besoin d’une cinquantaine d’images de pièces sans défaut pour fonctionner. La difficulté réside en l’apprentissage du produit.
DeepHawk parle d'un logiciel frugal
Derrière chaque solution implémentée en usine, ce sont les mêmes algorithmes. Ce qui varie : les modèles conçus lors de la phase d’entraînement qui sont spécifiques à chaque produit. «Si la pièce subit un changement de design, il faut de nouveau passer par la phase d’apprentissage pour obtenir un nouveau modèle», résume auprès de L'Usine Nouvelle Gilles Allain, cofondateur de DeepHawk. Et 30 minutes suffisent pour la phase d’apprentissage.
DeepHawk se targue d’avoir mis au point un logiciel frugal demandant peu de ressources informatiques. Gilles Allain évoque «une réduction de l’empreinte carbone d’un facteur 375 par rapport à des solutions d’apprentissage profond qui brassent des milliers de photos.» Autre avantage qui en découle, le logiciel s’installe facilement sur toute la ligne de production. Il ne tourne pas dans le cloud mais sur les serveurs de l’entreprise. Un point qui séduit d’ailleurs les industriels pour des raisons de simplicité et de confidentialité.
Détecter 100% des défauts
Ce produit est le fruit de la recherche de Tomas Crivelli, l’autre cofondateur, dont DeepHawk ne révèle pas le contenu protégé par un brevet. «100% des défauts sont détectés pour seulement moins de 1% de faux positif, c’est-à-dire un défaut détecté alors qu’il n’y en a pas», ajoute Gilles Allain. Et DeepHawk assure repérer des défauts presque invisibles à l’œil nu, sauf pour des responsables qualité avisés. «Pour les pièces de fonderie analysées au rayon X, des petites bulles, des copeaux ou un manque de matière sont détectés», liste Gilles Allain.
La start-up fournit uniquement le logiciel. A charge pour l’industriel d’avoir déjà un système pour récupérer des images que ce soit des caméras, des caméras infrarouge, des rayons x pour les pièces de métal, des images microscopiques, etc. «Il suffit de se connecter au système informatique de l’entreprise pour récupérer des images des produits ou le flux vidéo durant la fabrication», déclare Gilles Allain. En 15 millisecondes ces images sont analysées par le logiciel et les défauts trouvés. Différentes prises de vue d’un même produit peuvent être analysées.
Des alertes sont transmises en direct lorsqu’un produit est défectueux. A l’industriel de dire si le produit doit être retiré, notifié comme étant défectueux ou la ligne de production arrêtée. La localisation du défaut est précisée. Pour l’instant DeepHawk s’attaque aux pièces mécaniques et automobiles, mais son logiciel peut très bien fonctionner avec d’autres pièces. Des projets sont actuellement en cours sur du contrôle qualité de moteur d’avion ou de pièces d’horlogerie.
Remplacer des outils qui ne fonctionnent pas
Le marché du contrôle qualité est conséquent puisque celui des pièces mécaniques et automobiles s’élève à plus de 100 milliards de dollars par an. Beaucoup d’acteurs proposent donc des solutions. «Nos clients ont souvent essayé plusieurs technologies et sont déçus», souligne Gilles Allain. Près de la moitié des projets menés par la start-up consiste donc à remplacer ces systèmes qui ne fonctionnent pas bien que ce soit parce qu’ils sont trop complexes à programmer ou à utiliser, ou que les résultats ne sont pas bons.
Elle commercialise son logiciel sous la forme d’un abonnement, comme une solution SaaS, même si le logiciel ne tourne pas dans le cloud. Forte de quatre salariés, la start-up revendique trois clients dont deux en France et un en Allemagne. «Beaucoup d’autres testent le logiciel», précise Gilles Allain qui pense signer de nombreux clients d’ici l’été. DeepHawk attend d’avoir un revenu récurrent suffisant pour lever des fonds. Un critère désormais essentiel pour les start-up qui souhaitent lever des fonds. Depuis le Covid, les fonds d’investissement sont plus vigilants même si les pépites de l'IA continuent de séduire.
