CAS D'USAGE IA
Détection de défauts tissu par caméra
Détecte automatiquement les défauts de tissu sur le métier pour les petites filatures, sans équipement d'inspection coûteux.
De quoi il s'agit
Une caméra fixe ou montée sur smartphone scanne les rouleaux de tissu à la sortie du métier, utilisant la vision par ordinateur pour détecter en temps réel les bourres, trous, taches et fils manquants. Le système enregistre les défauts par mètre, offrant aux petites filatures un ratio premiers/seconds fiable pour la première fois. Les résultats typiques incluent une réduction de 30 à 50 % des tissus défectueux livrés aux clients et 2 à 4 heures économisées par jour sur le contrôle visuel manuel. La mise en place ne nécessite pas d'équipe ML spécialisée — un dispositif edge plug-and-play gère l'inférence localement.
Données nécessaires
A camera feed of fabric rolls during production, ideally with some labelled examples of known defect types (even 50–100 annotated images is sufficient to fine-tune).
Systèmes requis
- none
Pourquoi ça marche
- Install consistent, diffuse LED lighting around the camera mount before any model training begins.
- Designate one quality lead who reviews the defect dashboard weekly and closes the feedback loop by labelling new edge cases.
- Start with the two or three most commercially damaging defect types rather than trying to detect everything at once.
- Use an edge inference device (e.g. NVIDIA Jetson or Raspberry Pi with Coral) to avoid cloud latency and keep running costs low.
Comment ça rate
- Lighting variations on the shop floor cause false positives or missed defects, undermining operator trust.
- No labelled defect images available at start, so the model ships with low accuracy and is abandoned before enough data accumulates.
- Defect logs are collected but never reviewed — reporting dashboard isn't adopted because no one owns the data review process.
- Camera angle or resolution is insufficient for catching fine-weave defects, leading to poor recall on the most costly fault types.
Quand NE PAS faire ça
Don't deploy this if your mill has no consistent lighting and no one with 2–3 hours per week to review flagged defects and retrain the model — the system degrades quickly without a human in the loop.
Fournisseurs à considérer
Sources
Ce cas d'usage fait partie d'un catalogue Data & IA construit à partir de 50+ programmes de transformation en entreprise. Lancez le diagnostic gratuit pour voir comment il se classe dans votre contexte.