Ce qui peut vous intéresser
Des systèmes industriels pilotés par la donnée, pas par l'intuition.
L'automatisation industrielle atteint sa limite dès que les environnements deviennent imprévisibles — variabilité des matières, arrêts non planifiés, capteurs bruités. Nous intervenons pour rendre ces environnements observables et contrôlables : en structurant les flux de données, en intégrant des modèles de décision au plus près des systèmes de contrôle, et en maintenant des capacités de diagnostic opérationnelles dans la durée. Nos travaux en vision industrielle — notamment sur la détection de défauts de soudure selon des exigences aéronautiques — illustrent notre approche : des modèles entraînés sur des benchmarks de référence, validés en conditions réelles, déployés avec des critères de performance traçables.
Crédit image : LoHi-WELD: a novel industrial dataset for weld defect detection and classification (IEEE Access, 2024)
@article{Sylvio2024,
title={LoHi-WELD: a novel industrial dataset for weld defect detection and classification, a deep learning study, and future perspectives},
author={S.B. {BLock}, R.D. da {Silva}, A.E. {Lazzaretti} and R. {Minetto}},
journal={IEEE Access},
year={2024},
volume={1},
number={1},
issn={2169-3536},
pages={1-12},
doi={10.1109/ACCESS.2024.3407019},
url={https://ieeexplore.ieee.org/document/10540490}
}Tenir des exigences de fiabilité de niveau aérospatial avec des contrôles manuels discontinus est structurellement impossible. Nous avons développé des modèles de vision pour la détection et la classification de défauts en conditions réelles, entraînés sur le benchmark LoHi-WELD et complétés par des jeux de données internes. Les défauts non détectés ont diminué, et chaque décision de rejet est désormais documentée et auditable.
Quand la visibilité sur l'état des lignes est insuffisante, la maintenance devient par défaut réactive — et coûteuse. Nous avons déployé des plateformes de monitoring intégrant capteurs industriels et tableaux de bord centralisés, permettant de détecter les dérives avant qu'elles ne dégénèrent et de réduire significativement les cycles de diagnostic.
Le contrôle passe de vérifications ponctuelles à des flux continus de signaux. La maintenance évolue d'une logique réactive à une priorisation basée sur les événements.
Données et modèles branchés là où les décisions se prennent — ligne, cellule, automate — pas seulement dans un rapport en aval.
Entraînement et validation sur vos pièges de production réels, enrichis de références sectorielles quand c'est pertinent (ex. contrôle soudure, LoHi-WELD).
Monitoring, capteurs et alertes pour réduire le délai entre signal terrain et diagnostic, avant que la dérive ne devienne arrêt.
Critères, seuils, versions de modèles et décisions de rejet documentés — exploitables pour l'audit et l'amélioration continue.
Déploiement adapté à la latence, à la confidentialité et à la résilience : calcul au bord de ligne, agrégation centralisée ou les deux.
Cookies & analytics
Nous utilisons des cookies nécessaires et, si vous le souhaitez, des cookies pour l'analyse et le SEO. Choisissez vos préférences ci-dessous. Votre consentement est valable jusqu'à 13 mois. Paramètres des cookies.