Le client est un fabricant flamand de micro-ingrédients et d'additifs fonctionnels pour le secteur de l'alimentation animale, avec des clients dans le monde entier. Son site principal en Belgique regroupe la production, la distribution, le laboratoire et l'activité commerciale, et compte plus de quatre-vingts collaborateurs. Un environnement certifié ISO avec une forte discipline qualité, sans application d'IA préalable sur le terrain de production.

Les défauts de finition des coutures des sacs remplis sont à peine visibles à l'œil nu. Ils n'apparaissent que lorsqu'un sac fuit pendant le transport, avec à la clé des conteneurs refusés dans les pays d'exportation, des pertes financières et une atteinte à l'image auprès des clients internationaux.

Plusieurs lignes tournent en continu, ce qui rend impossible un contrôle visuel de chaque sac. Un échantillonnage laisse par définition passer des défauts. La question était claire : contrôler chaque sac sans ralentir la ligne.

Le projet a démarré largement, à l'échelle de tout le site. Les opérateurs de production, les contrôleurs qualité, le personnel logistique, le laboratoire et la direction ont partagé leurs points de friction, chacun à son rythme, via un bot IA. Le contrôle qualité visuel des sacs après remplissage est ressorti comme priorité.

Lors d'un atelier d'une demi-journée, le cas d'usage a été évalué. Fort impact, vu le lien direct avec la perte de chiffre d'affaires et de réputation. Techniquement exigeant, car la vision par ordinateur demande de la précision. Bonne disponibilité des données, les images étant faciles à collecter via des caméras. Faible risque au regard de l'AI Act, puisque le système n'évalue que la qualité du produit, pas des personnes.

Les critères de réussite étaient fixés à l'avance : détecter au moins nonante pour cent des défauts avec moins de cinq pour cent de fausses alertes, et une décision de tri en moins d'une seconde, en temps réel sur la ligne.

La solution finale est le fruit de plusieurs itérations techniques. Xylos a élaboré différentes architectures avant d'arriver à la combinaison adaptée à cet environnement de production.

Un modèle YOLOX reconnaît en temps réel la position et le mouvement de chaque sac sur la bande, ce qui permet de cibler le contrôle sur la bonne zone. Un modèle EfficientAD repère les anomalies. Ce modèle apprend à partir d'images de coutures correctes et détecte tout ce qui s'en écarte, sans qu'il faille étiqueter chaque type de défaut au préalable.

Les modèles tournent localement sur un réseau de Raspberry Pi, avec un contrôleur central. De l'edge AI plutôt qu'une solution cloud, car une ligne de production ne supporte aucun retard et le coût ne représente qu'une fraction d'une solution PC industrielle. Le système a fonctionné deux semaines en parallèle du contrôle humain existant, de sorte que chaque détection pouvait être comparée et ajustée. Il est ensuite devenu le contrôle principal, les opérateurs jouant le rôle de filet de sécurité.

Pendant la période de test, le système a analysé des milliers de sacs, avec un taux de détection conforme au critère et un taux de fausses alertes largement sous le seuil. Le test d'adoption a recueilli une réponse unanimement positive, tant chez les opérateurs que chez le management qualité. Six mois de production plus tard :

• Les sacs défectueux quittent la ligne avant d'atteindre le conteneur, ce qui réduit fortement la perte de produit.

• Les refus de conteneurs à l'export ont nettement diminué, avec des coûts de transport et de réexpédition plus bas.

• Le contrôle des coutures demande nettement moins de présence humaine, ce qui permet aux opérateurs de se concentrer sur des contrôles à plus forte valeur ajoutée.

• Les clients internationaux constatent moins d'incidents de qualité, ce qui renforce la position de fournisseur fiable.

D'autres étapes critiques pour la qualité suivent à présent, comme la palettisation et la finition de l'emballage. L'expérience avec l'edge AI a mis en évidence un point en interne : une IA avancée ne doit pas nécessairement représenter un investissement lourd.

Ne découvrez-vous les défauts de votre production que chez le client ? Trouvons ensemble où l'IA peut inverser cela le plus rapidement.