« Combien y en a-t-il dans ce champ, et de quelle taille chacun ? Celui-ci a-t-il la bonne forme ? Combien sont encore vivants ? » Trois questions dont la réponse n’est pas une moyenne mais un dénombrement, objet par objet.
Une mesure spectroscopique rend une valeur sur le volume qu’elle a sondé. Elle ne sait pas dire combien, ni de quelle forme, ni lequel n’est pas comme les autres. Ces trois questions relèvent de l’image.
Le comptage à l’œil, sous binoculaire ou sur cellule, reste la méthode de référence dans beaucoup de laboratoires, et c’est sa valeur qui fait foi. Elle demande du temps et de l’attention soutenue, et son résultat porte la marque de l’opérateur qui l’a produit.
Ce qu’une caméra apporte n’est pas d’abord de la vitesse. C’est une reproductibilité : le même critère appliqué à chaque objet, à chaque champ, à chaque équipe.
En bref
La vision industrielle rend le nombre, la taille, la forme et la position, sans contact et sans calibration pour une géométrie. L’imagerie hyperspectrale ajoute le constituant présent en chaque point. La SR-DLS rend une distribution de tailles en milieu concentré, sans dénombrer.
Ce qui se mesure vraiment
Un dénombrement, pas une concentration
Le résultat est un nombre d’objets dans un champ de surface ou de volume connu. La concentration s’en déduit par le volume analysé, ce qui déplace la question de la précision vers celle de la représentativité du champ observé.
Une taille et une forme, objet par objet
Chaque objet détecté porte ses propres descripteurs : diamètre équivalent, allongement, circularité, aire. On obtient une distribution réelle plutôt qu’une moyenne, et la queue de cette distribution est souvent ce qui décide.
Celui qui n’est pas comme les autres
Détecter l’exception est une question distincte du comptage, et plus exigeante. Elle suppose d’avoir défini ce qu’est la normalité sur une population suffisante, et de savoir ce qu’on fait de l’objet détecté.
Compter et mesurer une géométrie ne demande aucun modèle chimiométrique. Un diamètre, une aire, un allongement sortent de la géométrie de l’image et de l’étalonnage en pixels par millimètre. La grandeur sort de la physique de la mesure.
Le modèle réapparaît dès qu’il faut classer : vivant ou mort, conforme ou non, stade A ou stade B. Un classement appris se justifie alors devant un auditeur comme n’importe quel modèle — sur sa population d’apprentissage, ses performances et son maintien. Pourquoi certaines mesures demandent un modèle et d’autres non.
Quelle technologie pour quel cas
| Technologie | Ce qu’elle rend | Où elle se place | Effort de calibration | Limite connue |
|---|---|---|---|---|
| Vision industrielle | Nombre, taille, forme, position. Le mouvement, si la cadence d’images le permet | Sans contact, au-dessus d’un flux, d’un tapis ou d’une cellule | Aucun pour une géométrie. Complet pour un classement appris | Ne connaît pas la chimie. Deux objets de même forme et de composition différente sont identiques pour elle |
| Imagerie hyperspectrale | La même géométrie, plus le constituant présent en chaque point | Sans contact, sur une ligne ou une surface immobile | Complet dès qu’on attribue un constituant | Compte moins bien qu’une caméra rapide, et produit un volume de données qu’il faut avoir prévu |
| SR-DLS | Une distribution de tailles en milieu concentré, sans dénombrer | À travers une paroi transparente, ou sur une boucle de dérivation | Aucun | Ne rend ni la forme des objets ni leur nombre. C’est une voie complémentaire, pas une alternative |
Des chapitres de pharmacopée encadrent déjà l’analyse d’image — mais pas cet usage-là. Trois au moins traitent le sujet de front : USP <1776> Image Analysis of Pharmaceutical Systems, qui définit l’analyse d’image comme « primarily a size and shape analysis » et énumère les descripteurs que cette page cite — diamètre équivalent, diamètre de Feret, allongement, circularité ; USP <776> Optical Microscopy, harmonisé avec la Ph. Eur. 2.9.37, qui traite la taille et la forme et pose un essai limite par comptage ; et USP <1788.3> Flow Imaging Method for the Determination of Subvisible Particulate Matter, où le dénombrement s’accompagne explicitement de paramètres morphologiques.
Leur périmètre est borné, et c’est là que se joue la différence. Ils visent la contamination particulaire des préparations injectables et ophtalmiques — USP <788>, Ph. Eur. 2.9.19 et 2.9.20 — et la caractérisation de poudres et d’excipients : des particules en suspension dans un liquide, mesurées sur une prise, avec des seuils en micromètres. Aucun ne décrit le comptage et la classification morphologique d’objets qui défilent sur une ligne.
Hors de ce périmètre, il n’existe donc pas de méthode compendiale applicable telle quelle : la méthode se valide intégralement sur elle-même, contre un comptage de référence établi et figé — justesse, fidélité, domaine de validité, et comportement face aux objets qu’elle n’a jamais vus. La remarque vaut aussi pour les deux autres voies du tableau : la diffusion dynamique de la lumière est normée (USP <430>, harmonisé), sa variante résolue spatialement ne l’est pas ; et l’imagerie hyperspectrale ne fait à ce jour l’objet d’aucun chapitre général dédié. En agroalimentaire, c’est votre plan de maîtrise sanitaire qui fixe ce que ce contrôle doit démontrer et à quelle fréquence ; la référence à ICH Q2(R2) ne vaut que pour un usage pharmaceutique.
C’est l’éclairage qui décide, pas la caméra
C’est un point souvent sous-estimé dans les projets d’imagerie, et il décide souvent de leur sort.
Un objet transparent sur fond clair disparaît. Le même objet en éclairage rasant montre son relief. Le même encore, en rétro-éclairage, donne un contour net et rien d’autre. Ce n’est pas la caméra qui change, c’est ce qu’on rend visible.
La conséquence pratique est que le travail d’ingénierie porte sur la géométrie d’éclairage, sur la stabilité de la lumière ambiante, et sur la présentation de l’objet au capteur. Une fois cela réglé, le traitement d’image devient souvent simple. Réglé à l’envers, aucun algorithme ne rattrape le déficit.
C’est aussi pourquoi un essai d’imagerie commence par des images de votre produit, dans vos conditions, et non par le choix d’un capteur.
Ce qu’il faut prévoir de votre côté
- Des images représentatives, y compris des cas difficiles. Les objets accolés, les champs surchargés, les produits en limite de conformité. Un jeu d’images qui ne contient que des cas faciles ne dit rien de ce qui se passera en production.
- Une vérité de terrain. Pour un comptage, c’est un dénombrement manuel sur les mêmes champs. Pour un classement, c’est l’avis d’un opérateur expérimenté, objet par objet. C’est le travail le plus ingrat du projet, et il n’a pas de substitut.
- La définition du critère, écrite. Qu’est-ce qu’un objet à compter, et qu’est-ce qui n’en est pas un ? Un fragment compte-t-il ? Deux objets accolés font-ils un ou deux ? Ces règles doivent être arrêtées avant, parce que la machine les appliquera à la lettre.
- Ce qu’on fait du résultat. Un comptage qui n’alimente aucune décision reste un indicateur. Savoir à l’avance quel seuil déclenche quelle action est ce qui donne sa valeur à la mesure.
Conditions de réussite et limites
L’imagerie ne voit que la surface
Ce qui est masqué par un autre objet n’est pas compté. Sur un champ dense, la superposition devient la première source d’erreur, et c’est la préparation du champ — dilution, étalement, mise en mouvement — qui règle le problème, pas le traitement d’image.
Un classement appris se maintient
Une population qui dérive, un lot de matière différent, un éclairage vieillissant : un modèle de classement perd sa pertinence comme n’importe quel autre. La fréquence de révision se déduit du procédé, jamais d’un calendrier. Ce que faire vivre un modèle demande.
La cadence se décide avant le capteur
Compter des objets immobiles et compter des objets qui défilent à un mètre par seconde ne sont pas le même problème. Le temps d’exposition, l’éclairage et la profondeur de champ en découlent. C’est la première contrainte à poser, et elle est mécanique avant d’être informatique.
Le volume de données est une contrainte réelle
Une caméra qui produit des images en continu génère un flux qu’il faut stocker, ou décider de ne pas stocker. La question se tranche au cadrage : conserve-t-on les images, les résultats, ou les deux, et pour combien de temps ? Ce que les données demandent aux systèmes.
Ce que cela change, en pratique
Un comptage manuel se fait sur quelques champs, parce qu’il coûte du temps. Un comptage automatique se fait sur tous, parce qu’il n’en coûte plus. Le changement n’est pas de degré : on passe d’un échantillon à une population.
La conséquence la plus immédiate est statistique. Une différence entre deux lots qui n’était pas décelable sur cinquante objets le devient sur cinquante mille. Des tendances lentes deviennent visibles. Des dérives qui se perdaient dans la variabilité du comptage manuel apparaissent.
La seconde conséquence est organisationnelle, et elle compte autant. Un critère appliqué par une machine est un critère écrit. Le formaliser oblige à trancher des cas que l’usage laissait à l’appréciation, et cette clarification vaut souvent par elle-même, indépendamment de l’instrument.
Questions fréquentes
Faut-il de l’intelligence artificielle pour compter des objets ?
Le plus souvent, non. Compter, mesurer et classer par la forme relèvent du traitement d’image classique : seuillage, morphologie, descripteurs géométriques. C’est déterministe, explicable et facile à justifier. L’apprentissage devient utile quand le critère ne s’écrit pas — distinguer deux stades biologiques, reconnaître un défaut que l’opérateur identifie sans savoir le décrire. Le choix se fait sur le critère, pas sur la mode.
Combien d’images faut-il pour commencer ?
Pour savoir si le comptage est faisable, quelques dizaines d’images suffisent, à condition qu’elles couvrent les cas difficiles. Pour construire un classement appris, l’ordre de grandeur est tout autre, et il dépend du nombre de classes et de leur ressemblance. La première question se tranche vite ; la seconde se chiffre après, une fois qu’on sait que l’image porte l’information.
Peut-on compter des objets vivants ?
Oui, et le mouvement est souvent le critère le plus sûr : ce qui se déplace d’une image à l’autre est vivant, ce qui reste immobile ne l’est pas. Cela demande une cadence d’images suffisante et un éclairage qui tienne sur la durée d’observation. C’est un cas où la vision fait ce qu’aucune spectroscopie ne sait faire.
Que devient le comptage manuel ?
Il reste la référence, et c’est lui qui qualifie la mesure automatique puis la vérifie périodiquement. Ce qui change est sa fréquence : d’un contrôle de routine, il devient une vérification. C’est le même mouvement que pour toutes les mesures en ligne de ce site.
Envoyez-nous des images de votre produit, y compris les cas difficiles. C’est par là qu’on commence.
Quarante-cinq minutes suffisent : si vos objets se détectent, ce que l’éclairage exigerait sur votre équipement, et si le critère qui vous intéresse relève du traitement d’image ou d’un classement appris. Si l’image ne porte pas l’information, nous vous le dirons — et vers quelle voie regarder.