Automatic Defect Detection and Intelligent Grading System for University Ceramics Integrating Computer Vision

Dans le monde de la céramique, le passage de l'argile brute à une assiette ou un carreau fini et brillant est une danse délicate de chaleur et de chimie. L'étape finale, la cuisson, transforme la matière, mais elle introduit également un ennemi persistant : les défauts de surface. De minuscules fissures, des bulles d'air piégées ou de subtiles variations de couleur peuvent ruiner une pièce, transformant un chef-d'œuvre potentiel en rebut. Pendant des siècles, la seule façon de détecter ces défauts a été l'œil humain. Un inspecteur qualifié scrute la surface, cherchant des imperfections qui pourraient être aussi fines qu'un cheveu ou aussi petites qu'une piqûre d'épingle. Cependant, cette méthode est lente, fatigante et sujette à l'erreur. La fatigue s'installe, les yeux manquent les détails les plus infimes, et le jugement de ce qui constitue un « défaut » peut varier d'une personne à l'autre. Dans les laboratoires universitaires, où les étudiants et les chercheurs façonnent de petits lots de céramiques uniques, artistiques ou expérimentales, ces défis sont amplifiés. Les pièces sont souvent uniques, les cycles de production sont minuscules, et le besoin de données précises et reproductibles pour guider l'enseignement et la recherche est élevé.

C'est ici que l'intersection de l'artisanat ancien et de la technologie moderne offre une nouvelle voie. Des chercheurs de l'Université de la Céramique de Jingdezhen ont développé un système qui agit comme un observateur infatigable et hyper-attentif pour ces pièces de céramique. En combinant des caméras spécialisées avec une intelligence artificielle avancée, ils ont créé un moyen de voir ce que l'œil humain manque souvent et de classer la qualité de chaque pièce avec une cohérence mathématique. L'objectif n'était pas de remplacer l'artiste, mais de fournir un outil fiable capable de gérer la tâche répétitive et à enjeux élevés de l'inspection, libérant ainsi les experts humains pour qu'ils puissent se concentrer sur les aspects créatifs et éducatifs de leur travail. Le résultat est un système qui voit l'invisible, compte l'incalculable et prend des décisions avec une vitesse et une précision qui transforment la manière dont le contrôle de la qualité est effectué dans un cadre académique de petite production.

Le voyage commence par la caméra elle-même, qui fait face à un défi unique : la chose même qui rend la céramique belle — son glaçure brillante et vitreuse — est la même chose qui la rend difficile à inspecter. Lorsque la lumière frappe une surface brillante, elle rebondit en un éblouissement aveuglant, cachant souvent les fissures et les bulles que le système cherche à trouver. Pour résoudre ce problème, les chercheurs ont conçu un dispositif d'éclairage spécial. Ils ont utilisé un anneau de lumières qui émet une lumière polarisée, un type spécifique d'onde lumineuse qui vibre dans une seule direction. Lorsque cette lumière frappe la glaçure lisse et brillante, elle rebondit sans que sa direction ne change. Cependant, lorsqu'elle frappe un défaut comme une fissure ou une bulle, la lumière se disperse et perd sa direction. En plaçant un filtre devant la caméra qui bloque l'éblouissement aveuglant et inchangé mais laisse passer la lumière diffusée provenant des défauts, le système crée une image claire et à haut contraste où les défauts se détachent nettement sur le fond. C'est comme porter des lunettes de soleil qui bloquent l'éclat du soleil mais permettent de voir les détails du paysage en dessous.

Une fois que la caméra a capturé cette image claire, l'ordinateur doit la nettoyer. Les images peuvent être légèrement floues ou déformées en raison de la vibration du tapis roulant ou du mouvement de l'air dans la zone du four. Le système utilise un filtre numérique sophistiqué pour lisser le bruit aléatoire sans estomper les bords nets des défauts. Il analyse ensuite l'image de manière à séparer les motifs réguliers et répétitifs de la texture de la glaçure des motifs irréguliers et chaotiques d'un défaut. Cela permet à l'ordinateur d'ignorer le grain naturel de la céramique et de se concentrer entièrement sur les défauts. Le résultat est une image pure et améliorée, prête pour l'étape suivante : l'intelligence artificielle.

Le cœur du système est un modèle d'apprentissage profond, un type de programme informatique entraîné à reconnaître des formes. Les chercheurs ont choisi une architecture puissante connue sous le nom de YOLO, qui signifie « You Only Look Once » (Vous ne regardez qu'une seule fois), car elle peut détecter des objets dans une image presque instantanément. Cependant, les versions standards de ce modèle avaient du mal avec les défis spécifiques de la céramique, tels que la taille minuscule de certaines bulles ou les formes complexes des fissures. Pour y remédier, l'équipe a ajouté un mécanisme d'attention spécial qui aide l'ordinateur à se concentrer sur les parties les plus importantes de l'image, tout comme un humain le ferait en fixant son regard sur un point précis. Ils ont également optimisé la façon dont le modèle examine l'image à différentes échelles, garantissant qu'il puisse repérer un minuscule trou de pointe aussi facilement qu'une longue fissure dentelée.

Un obstacle important à l'entraînement d'un tel système est le manque de données. Dans un laboratoire universitaire, on ne produit parfois que quelques dizaines de pièces à la fois, et les défauts sont rares. Cela signifie qu'il y a très peu d'exemples de fissures ou de bulles pour que l'ordinateur apprenne. Pour surmonter cela, les chercheurs ont utilisé un outil d'intelligence artificielle générative pour créer des milliers d'images synthétiques réalistes de défauts. Il ne s'agit pas de dessins aléatoires ; ce sont des simulations de haute fidélité de fissures et de bulles qui ressemblent et se comportent comme de vraies, comblant ainsi les lacunes dans les données d'entraînement. Cela a permis au système d'apprendre à partir d'une vaste bibliothèque d'exemples, même si le laboratoire physique ne produisait qu'un petit nombre de pièces défectueuses réelles.

Une fois que le système a identifié un défaut, il doit décider de sa gravité. C'est là qu'intervient le concept de « notation ». Au lieu de simplement dire « défaut trouvé », le système calcule un score de sévérité basé sur la taille, la forme et l'emplacement du défaut. Une fissure longue et fine est traitée différemment d'une petite bulle ronde. Le système utilise un seuil dynamique, ce qui signifie qu'il ajuste ses normes en fonction du lot de céramiques spécifique qui est inspecté. Si les matières premières changent ou si les conditions de cuisson varient légèrement, le système recalibre sa définition de ce qui est acceptable, garantissant que la notation reste juste et cohérente quels que soient les changements externes. Cette approche dynamique s'est avérée bien plus précise que l'utilisation d'une règle fixe et immuable, qui conduit souvent à des erreurs lorsque les conditions varient.

Tout le processus se déroule en une fraction de seconde. Le système a été testé sur un tapis roulant se déplaçant à un rythme d'environ 30 pièces par minute, une vitesse gérable pour un laboratoire universitaire mais impossible à maintenir avec une grande précision pour un inspecteur humain sur une longue période de travail. Les chercheurs ont testé le système sur 360 pièces différentes, incluant des carreaux plats, de la vaisselle et même des œuvres artistiques en bas-relief avec des motifs en relief. Les résultats ont été frappants. Le système a détecté les défauts avec une précision de près de 90 pour cent, dépassant de loin les performances des inspecteurs humains, qui manquaient environ 12 pour cent des défauts visibles. Le système automatisé a réduit le taux de détection manquée à un peu moins de 3 pour cent. De plus, il pouvait classifier le type de défaut et attribuer une note avec une précision de plus de 91 pour cent, correspondant au consensus de trois experts humains indépendants.

Le système a également prouvé sa valeur dans le monde réel du laboratoire. Il a été intégré dans un flux de travail où il ne se contentait pas d'inspecter les pièces, mais envoyait également les données à un ordinateur central. Ces données étaient utilisées pour générer des rapports montrant exactement où les défauts se produisaient et à quelle fréquence. En analysant ces données, les chercheurs ont pu identifier un motif caché : la vitesse à laquelle le four chauffe était directement liée au nombre de bulles apparaissant dans le produit final. Cette analyse a permis d'ajuster le processus de cuisson, réduisant le nombre de bulles de près d'un tiers dans les lots suivants. Cette boucle fermée d'inspection et d'amélioration des processus est la véritable force du système ; il ne se contente pas de trouver les mauvaises pièces, il aide à empêcher leur fabrication.

Il existe, bien sûr, des limites à ce que ce système de vision 2D peut faire. Lorsqu'une pièce de céramique présente une forme tridimensionnelle complexe avec des rainures profondes ou des reliefs, le système rencontre parfois des difficultés. Les ombres projetées par les parties en relief peuvent ressembler à des fissures pour la caméra, entraînant une précision légèrement inférieure pour ces pièces artistiques. Les chercheurs reconnaissent cela et suggèrent que les futures versions pourraient utiliser la technologie de balayage 3D pour voir autour des angles et dans les ombres, comblant ainsi l'écart pour les formes les plus complexes. Pour l'instant, cependant, le système représente un bond en avant majeur pour la céramique universitaire. Il offre un moyen de gérer les lots diversifiés, de petite taille et de haute qualité typiques de la production académique et artistique, avec un niveau de précision et de rapidité auparavant inatteignable.

En fin de compte, ce travail porte sur bien plus que la détection de fissures. Il s'agit de préserver l'intégrité de l'art tout en embrassant les outils du futur. En automatisant la tâche fastidieuse et sujette aux erreurs de l'inspection, le système permet aux experts humains du laboratoire universitaire de se concentrer sur ce qu'ils font de mieux : enseigner, créer et repousser les limites de ce qui est possible avec l'argile et le feu. La technologie ne remplace pas l'artiste ; elle le soutient, garantissant que le produit final est aussi parfait que la vision qui l'a créé. Le système témoigne du pouvoir de combiner l'optique spécialisée, l'intelligence artificielle avancée et une compréhension profonde de la matière pour résoudre un problème qui tourmente les potiers depuis des siècles.