Contrôle non destructif des soudures de pont roulant par vision IA

La qualité des cordons de soudure sur la poutre principale du pont roulant détermine directement sa durée de vie et son coefficient de sécurité. Une fissure de soudure apparemment anodine peut, après plusieurs années de propagation sous charge cyclique, provoquer la rupture de la poutre principale. Lors de nos évaluations de sécurité structurelle sur des ponts roulants anciens, près d'un tiers des fissures de fatigue trouvaient leur origine au niveau des cordons de soudure. Or, les méthodes traditionnelles de contrôle des soudures reposent sur l'inspection visuelle manuelle et la magnétoscopie, une approche à la fois peu efficace et dont les résultats varient selon l'opérateur.

La véritable avancée de l'inspection par vision IA ces deux dernières années ne réside pas dans la profondeur des modèles, mais dans la capacité à intégrer caméras industrielles, éclairage et moteur d'inférence dans une solution déployable directement en chaîne de production. Un fabricant de ponts roulants soude chaque jour des dizaines de mètres de cordons sur les poutres principales : l'œil humain ne suffit plus. Avec YOLOv8 et un système optique adapté, des fissures de moins de 1 mm de largeur sont détectées sur les cordons, et une seule carte graphique fait tourner 4 caméras simultanément sans aucune difficulté.

Cet article présente la solution technique complète, du choix des caméras au déploiement du modèle. L'investissement matériel se situe entre 5 000 et 12 000 €, incluant PC industriel, caméras industrielles, éclairage et logiciel d'IA. Le temps d'inspection d'un cordon passe de 5 à 10 minutes en contrôle manuel à 15 secondes, et le taux de détection grimpe de 70 à 80 % à plus de 92 %.

Architecture générale du système d'inspection par vision

Le système d'inspection par IA des soudures adopte une architecture en chaîne de production : chaque module traite les données puis les transmet au module suivant :

2. Système de caméra industrielle et d'éclairage

Dans le contrôle de soudure, la difficulté ne réside pas tant dans le modèle d'IA que dans l'obtention d'une image exploitable. La surface d'un cordon de soudure sur pont roulant présente des scories, des projections et de la calamine. Une caméra standard produit des images à faible contraste et fortement réfléchissantes, rendant l'IA inefficace, aussi performante soit-elle.

Choix de la caméra : Nous recommandons une caméra industrielle matricielle de 12 MP (4096×3000), avec une taille de pixel de 3,45 μm et un obturateur rolling shutter. Équipée d'un objectif industriel à focale fixe de 25 mm, elle offre un champ de vision d'environ 200×150 mm à une distance de travail de 300 mm, soit une résolution d'environ 0,05 mm par pixel. À cette résolution, une fissure de 0,5 mm occupe 10 pixels, ce qui est largement suffisant pour l'identification par l'IA. La cadence n'a pas besoin d'être élevée : 15 fps suffisent (le contrôle de soudure s'effectue à l'arrêt, et non en continu).

Solution d'éclairage : La surface du cordon de soudure étant texturée, un éclairage structurel ou un éclairage basse angle en barre est nécessaire pour faire ressortir les défauts. Nous recommandons une barrette lumineuse bleue (longueur d'onde 460 nm) avec un angle d'incidence de 30°, associée à un filtre passe-bande de même longueur d'onde pour éliminer efficacement les interférences de l'arc. Un système d'éclairage complet avec contrôleur coûte environ 3 000 à 5 000 € — un poste souvent sous-estimé mais absolument indispensable dans l'ensemble du système.

Entraînement et déploiement du modèle d'IA

3.1 Construction du jeu de données

Le jeu de données pour la détection des défauts sur cordon de soudure par pont roulant provient de deux sources : d'une part, des images réelles de défauts collectées sur les sites de fabrication (les plus précieuses, mais en nombre limité), et d'autre part, des images de défauts générées par augmentation de données pour compléter l'échantillonnage. Une approche mixte est recommandée : 500 à 1 000 images réelles, complétées par augmentation synthétique pour atteindre 3 000 à 5 000 images au total.

La classification des défauts s'appuie sur la norme ISO 17642 (équivalente à la norme chinoise GB/T 3323-2023 relative au contrôle non destructif des soudures) et distingue quatre catégories :

Pour l'annotation, nous recommandons LabelImg ou CVAT. Chaque image annotée est exportée au format YOLO (classe + centre x + centre y + largeur w + hauteur h, le tout normalisé entre 0 et 1).

3.2 Sélection et entraînement du modèle

Le modèle recommandé est YOLOv8s (version small, environ 11M de paramètres), offrant le meilleur compromis entre précision et vitesse. Configuration d'entraînement :

from ultralytics import YOLO # Chargement du modèle pré-entraîné type model = YOLO("yolov8s.pt") # Entraînement（RTX4060environ3heures pour terminer300epoch） results = model.train( data="weld_dataset.yaml", epochs=300, imgsz=640, batch=16, lr0=0.01, augment=True, device=0 # GPU ) # Validation metrics = model.val() print(f"mAP@0.5: {metrics.box.map50:.3f}") print(f"mAP@0.5:0.95: {metrics.box.map:.3f}")

Une fois l'entraînement terminé, optimisez la vitesse d'inférence avec TensorRT : la latence d'inférence native de YOLOv8s sur RTX4060 est d'environ 12 ms, réduite à 4~5 ms après optimisation FP16 avec TensorRT. L'inférence par rotation sur 4 caméras ne dépasse pas 35 ms, ce qui satisfait aux exigences de temps réel de la détection en ligne.

# TensorRTExportation model.export(format="engine", dynamic=True, half=True) # Inférence import tensorrt as trt import pycuda.driver as cuda engine = trt.Runtime(trt.Logger()).deserialize_cuda_engine( open("yolov8s_weld.engine", "rb").read()) # Temps d5ms (RTX4060)

Déploiement du système de détection en ligne

Le système est installé en poste de fin de ligne sur la chaîne de production de soudage de la poutre principale du pont roulant. Une fois le soudage terminé, la poutre principale est automatiquement transférée vers le poste de détection. La caméra industrielle image séparément les quatre cordons de soudure principaux (deux sur la plaque de couverture supérieure et deux sur la plaque inférieure). Chaque cordon est photographié en 3 à 5 images (couvrant toute sa longueur), et l'IA détecte et marque automatiquement la position des défauts.

Paramètres de déploiement :

5. Points clés de mise en œuvre

1. L'éclairage prime sur le modèle. C'est la règle d'or en vision industrielle. Lors de notre premier essai, nous utilisions un éclairage annulaire standard : les reflets sur le cordon de soudure étaient si intenses que les fissures étaient invisibles — même un YOLOv8 ne peut pas détecter ce qu'il ne voit pas. En passant à un éclairage barre bleue à faible angle, le contraste des défauts a été multiplié par plus de 3, et le mAP du modèle est passé de 68 % à 89 %. L'éclairage ne représente pas plus de 10 % du coût total du système, mais il contribue à 80 % de son efficacité. Pour une approche plus globale du diagnostic de pannes sur ponts roulants, consultez notre article sur la Maintenance Prédictive des grues et systèmes PHM.

2. Manque d'échantillons de défauts : que faire ? La rareté des échantillons de défauts réels est un défi commun à tous les projets de vision industrielle. Notre approche : nous avons d'abord généré 500 images de défauts simulés (entailles artificielles réalisées par Électroérosion à Fil sur des plaques d'essai) pour entraîner un premier modèle. Après déploiement, ce modèle sert au pré-tri ; les images de défauts réels, confirmées manuellement, sont ensuite réinjectées dans l'ensemble d'entraînement pour itérer. Après trois cycles d'itération, les performances du modèle sur données réelles surpassent celles du modèle entraîné uniquement sur données simulées.

3. Arbitrage entre faux positifs et faux négatifs. Les caractéristiques visuelles des caniveaux et des surépaisseurs de soudure se chevauchent avec celles des projections de laitier, ce qui rend leur taux de faux positifs naturellement plus élevé que pour les fissures. Stratégie industrielle adoptée : pour les fissures et les soufflures, un seuil de confiance élevé (≥ 0,7) déclenche une décision directe de non-conformité ; pour les caniveaux et les surépaisseurs, un seuil plus bas (≥ 0,4) les marque comme « à confirmer manuellement ». Cette approche garantit qu'aucun défaut critique n'est manqué, tout en évitant de submerger les opérateurs de fausses alertes.

4. Interface avec le PLC de la ligne de production. Le système de détection envoie un signal tout-ou-rien au PLC (via Modbus TCP ou E/S numériques) : en cas de fissure ou de soufflure, il déclenche une alarme lumineuse et l'arrêt du convoyeur. Le rapport de détection au format XML est transmis par FTP au système MES pour archivage. Aucune modification du programme PLC existant n'est nécessaire — le système de détection fonctionne comme un équipement autonome qui émet uniquement un signal OK/NG.

5. L'étalonnage régulier est indispensable. La dérive des caméras et de l'éclairage affecte la cohérence des détections. Nous recommandons un étalonnage mensuel à l'aide d'une plaque de référence (contenant des défauts connus). Si l'écart entre trois contrôles consécutifs et la référence dépasse 10 %, le système invite automatiquement à un ré-étalonnage ou au remplacement de la source lumineuse.

Conclusion

La détection visuelle par IA des cordons de soudure n'est pas une technologie nouvelle — elle est utilisée depuis des années dans l'industrie automobile et les pipelines. La spécificité du secteur des ponts roulants réside dans la longueur des soudures (une poutre principale de 30 m comporte quatre cordons longitudinaux), la complexité de l'état de surface (nombreuses projections de laitier) et les critères de défauts définis par la norme ISO 17636 (équivalent de la norme GB/T 3323). Une fois ces conditions adaptées, la vision par IA sur les soudures de ponts roulants rivalise avec le contrôle humain, tout en offrant une efficacité et une cohérence bien supérieures.

Nous avons mené un essai de six mois sur une ligne de soudage de poutre principale pour un pont roulant de 32 t : 286 cordons de soudure contrôlés au total, 17 défauts de type fissure détectés par l'IA (dont 2 manqués lors du contrôle manuel initial), un taux de détection global de 94,6 % et un temps moyen de 12 secondes par cordon. Notre prochaine étape consiste à intégrer ces données de détection dans la plateforme de Jumeau Numérique du pont roulant afin de corréler l'historique des défauts de soudure de chaque appareil avec les données de surveillance de l'intégrité structurelle en service.

FAQ