Apprendre à reconnaître un défaut : ce que l’entraînement des systèmes de vision industrielle nous apprend sur la mémoire humaine

Un contrôleur qualité expérimenté repère une rayure ou une soudure mal faite en une fraction de seconde. Un débutant, lui, regarde la même pièce sans rien remarquer. Entre les deux, il y a des centaines d’heures passées à observer, à comparer et à se tromper. Cette capacité à reconnaître un défaut ne tombe pas du ciel : elle s’apprend, et les ingénieurs qui conçoivent les systèmes de contrôle automatique dans les usines se heurtent exactement à la même question.

Sur certaines lignes de production, une caméra 3D peut acquérir le relief des pièces qui défilent. Les images seules ne suffisent pas. Il faut ensuite apprendre à un logiciel de vision à distinguer une pièce conforme d’une pièce défectueuse. La façon dont on « entraîne » ces logiciels ressemble beaucoup à ce que les sciences cognitives disent de nos propres apprentissages. De quoi éclairer, au passage, la manière dont nos élèves révisent.

À l’usine, une machine aussi doit apprendre

Dans un système de vision industrielle, chaque élément a son rôle. La caméra capture l’image, l’éclairage fait ressortir les détails utiles et le logiciel analyse ces images pour prendre une décision. C’est dans cette dernière étape que se joue l’apprentissage.

Des règles écrites à la main

La méthode historique consiste à programmer des règles précises : une longueur doit rester entre deux valeurs, un trou doit avoir tel diamètre, une surface ne doit pas dépasser telle hauteur. Cette approche fonctionne bien pour les mesures simples. Elle atteint vite ses limites quand le défaut change d’aspect d’une pièce à l’autre, comme une rayure, une tache ou une bulle dans un plastique.

Des exemples plutôt que des règles

Pour ces cas plus flous, les ingénieurs se tournent vers l’apprentissage automatique. Plutôt que d’écrire chaque règle, ils montrent au logiciel des milliers d’images annotées : ici une pièce correcte, là une pièce avec un défaut. Le logiciel en déduit peu à peu ce qui distingue les deux catégories. Autrement dit, il apprend par l’exemple, un peu comme un enfant qui finit par reconnaître un chien après en avoir croisé beaucoup.

Ce que l’entraînement d’une machine a en commun avec nos révisions

Les règles qu’appliquent les ingénieurs pour entraîner un logiciel de vision recoupent plusieurs résultats bien connus de la psychologie cognitive. On en retrouve au moins cinq :

• Des exemples nombreux et variés : un logiciel entraîné sur des pièces toujours photographiées sous le même angle échoue dès que l’éclairage change. Un élève qui n’a vu qu’un seul type d’exercice bloque de la même façon devant une consigne formulée autrement.
• Des contre-exemples : pour reconnaître un défaut, il faut aussi voir beaucoup de pièces correctes. En classe, comparer une bonne réponse à une erreur fréquente aide à fixer la frontière entre les deux.
• Le mélange des cas : présenter les défauts dans le désordre oblige à chercher ce qui les distingue. Chez l’humain, c’est le principe de la pratique entrelacée, qui consiste à alterner plusieurs types de problèmes au lieu de les traiter en blocs.
• Le test sur de l’inédit : un système de vision se juge sur des images qu’il n’a jamais vues. Pour un élève, la meilleure vérification reste un exercice qu’il n’a jamais fait.
• Le retour sur l’erreur : chaque erreur de classement corrigée améliore le logiciel. Une copie rendue vite, avec une correction précise, produit le même effet chez l’élève.

Le parallèle a ses limites, bien sûr, mais il donne un vocabulaire concret pour parler de méthodes que les enseignants connaissent souvent sans toujours pouvoir les justifier.

Le piège du « par cœur »

Les ingénieurs redoutent un problème qu’ils appellent le surapprentissage. Le logiciel donne des résultats parfaits sur ses images d’entraînement, puis se trompe dès qu’on lui présente une pièce nouvelle. Il a mémorisé les exemples au lieu d’en extraire ce qui compte.

Le phénomène rappelle l’élève qui connaît son cours mot pour mot et reste démuni face à une question posée différemment. Relire plusieurs fois une leçon donne une impression de maîtrise, parce que le texte devient familier. Or reconnaître un texte et savoir s’en servir sont deux choses distinctes. La récupération active, qui consiste à se tester sans regarder ses notes, aide justement à vérifier ce qui est acquis.

Là où le cerveau garde une longueur d’avance

Un logiciel de vision a besoin de grandes quantités d’images, souvent des milliers, pour atteindre un bon niveau. Un enfant peut retenir une catégorie nouvelle à partir de quelques exemples seulement, surtout quand on lui explique ce qu’il doit regarder. Il relie aussi ce qu’il voit à ce qu’il sait déjà, ce qu’aucun système industriel ne sait faire.

Le cerveau humain s’adapte également mieux aux changements. Quand une usine modifie un produit ou un réglage, les ingénieurs doivent souvent réentraîner leur logiciel avec de nouvelles images. Un contrôleur expérimenté, lui, ajuste son regard en quelques jours. C’est d’ailleurs pour cette raison que l’œil humain garde une place dans le contrôle qualité, aux côtés des systèmes automatiques.

Ce que l’on peut en retenir pour réviser

Vous l’aurez compris, reconnaître un défaut, une erreur de grammaire ou un type de problème en maths repose sur la même mécanique : voir beaucoup d’exemples variés, les comparer à des contre-exemples et se tester sur du neuf. Pour la prochaine séance de révision, proposez à votre enfant ou à vos élèves de mélanger les exercices de plusieurs chapitres et de corriger leurs erreurs tout de suite après. Dix minutes suffisent, et une erreur corrigée à chaud a plus de chances d’être retenue.

Article publié dans le cadre d’un partenariat commercial