« Ma teneur moyenne est conforme, mais est-elle uniforme ? Combien d’objets, et de quelle forme ? Celui-ci est-il comme les autres ? » Trois questions auxquelles une mesure en un point, qui rend une moyenne, ne répond pas.
L’imagerie, elle, rend une carte, et elle sait compter. Deux techniques distinctes se rangent sous ce mot.
Où on la rencontre : comptage et morphologie d’organismes en agroalimentaire, répartition d’un actif dans un comprimé.
L’essentiel en quatre points
- Rend une carte, pas une moyenne : uniformité de mélange, couverture d’un coating, ségrégation, agglomérats.
- Compte, mesure et classe des objets un par un, et détecte celui qui n’est pas comme les autres, avec une reproductibilité constante.
- Deux techniques sous un même mot : la vision industrielle dit combien d’objets, de quelle forme ; l’imagerie hyperspectrale dit quel constituant, et où.
- Référentiels : en pharma, Ph. Eur. 5.24 et USP <1776> ; hors pharma, ISO 13322-1 et -2 pour la taille de particule.
Le principe de la mesure
Un mélange à 5,0 % de principe actif peut l’être partout, ou 0 % ici et 15 % trois millimètres plus loin. Une mesure ponctuelle rend la moyenne ; l’imagerie rend la carte.
Elle sait aussi compter : dénombrer des objets, mesurer leur taille un par un, classer leur forme.
Applications typiques
Uniformité de teneur
La répartition dans la surface, là où une valeur moyenne ne tranche pas.
Contrôle à 100 % en ligne
Chaque unité vue en entier, face à un contrôle par échantillonnage.
Comptage et morphologie
Dénombrer, mesurer et classer des objets un par un.
Exemples d’application
Comptage ; couleur en sortie de four de cuisson, en agroalimentaire ; mirage, en pharma.
Le cas d’école développé plus bas montre un comptage d’organismes vivants, du signal brut à la décision.
Carte d’identité de la technique
| Critère | Imagerie et vision |
|---|---|
| Ce que la mesure voit | Une géométrie en vision industrielle : nombre d’objets, taille, forme, couleur, présence d’un défaut. En hyperspectral, un spectre par pixel — donc un cube de données. |
| Sélectivité | Sans objet en vision industrielle : l’image dit combien et de quelle forme, pas ce que sont les objets. Celle du NIR ou du RAMAN en hyperspectral, sur des spectres nettement plus bruités. |
| Ce qui interfère | L’éclairage décide, pas la caméra. Lampe qui vieillit, hublot encrassé, vibration, lumière ambiante : une chaîne de vision dérive par la mécanique avant de dériver par le modèle. |
| Présentation de l’échantillon | Sans contact, en ligne, sur cent pour cent des unités — mais une surface, ou quelques dizaines à centaines de microns sous elle en hyperspectral. |
| Ce que le modèle demande | Rien pour une grandeur géométrique. Un modèle, et sa justification devant un auditeur, dès qu’on classe par apprentissage. |
| Référentiels | En pharma : Ph. Eur. 5.24, Imagerie chimique, est le chapitre général du sujet ; USP <1776> Image Analysis of Pharmaceutical Systems en décrit les descripteurs. La méthode se valide sur elle-même, au sens d’ICH Q2(R2). Hors pharma : ISO 13322-1 (analyse d’image statique) et ISO 13322-2 (dynamique) pour la taille de particule ; pour un comptage ou un classement, validation contre la méthode de référence de votre laboratoire. |
Deux techniques sous un même mot
Le mot « imagerie » recouvre deux mondes. Ils partagent une caméra et une optique. Ils ne partagent ni le coût d’entrée, ni la nature de l’information, ni le travail de validation.
Vision industrielle, l’image porte une géométrie
Une caméra, un éclairage, un algorithme. Chaque pixel porte une intensité ou une couleur. Ce qu’on en tire est morphologique : un nombre d’objets, une longueur, une aire, un rapport d’allongement, une couleur, la présence d’un défaut.
La grandeur sort de la géométrie de l’image, pas d’un modèle appris sur des analyses de référence. Un étalon dimensionnel suffit à convertir des pixels en microns. Il n’y a pas de chimiométrie ici : ce qui ne veut pas dire qu’il n’y a rien à construire, voir plus bas.
Imagerie hyperspectrale. Un spectre par pixel
La même scène, mais chaque pixel porte un spectre complet, NIR ou RAMAN selon la variante. On n’obtient plus une image : on obtient un cube de données, deux dimensions d’espace et une de longueur d’onde.
C’est la spectroscopie de ce site, à laquelle on ajoute la dimension spatiale. Elle en hérite toute la puissance chimique, et tout l’effort de calibration, appliquée cette fois à chaque pixel de l’image.
La règle qui évite le malentendu : la vision industrielle vous dit combien d’objets, de quelle forme. L’imagerie hyperspectrale vous dit quel constituant, et à quel endroit. La première ne connaît pas la chimie. La seconde ne compte pas les objets aussi bien qu’une caméra rapide.
Un projet qui commence par « on va mettre une caméra » sans avoir tranché laquelle des deux questions il pose. Trancher d’abord ne coûte presque rien, et c’est ce qui donne le bon dimensionnement du premier coup.
Ce que l’instrument rend réellement
| Grandeur | D’où elle sort | Ce qu’elle ne dit pas |
|---|---|---|
| Nombre d’objets dans le champ | Segmentation de l’image : on sépare l’objet du fond, on compte les régions | Rien sur ce que sont ces objets chimiquement, ni sur ceux qui se recouvrent |
| Taille et distribution de taille | Aire ou dimension de chaque région, converties par un étalon dimensionnel | Une projection en deux dimensions. La troisième est estimée, pas mesurée |
| Forme, allongement, classe morphologique | Descripteurs géométriques, puis règle de décision ou modèle d’apprentissage | Une classe n’est pas une identité : elle vaut ce que vaut la population d’apprentissage |
| Carte de répartition d’un constituant | Modèle spectral appliqué pixel par pixel sur le cube hyperspectral | Une valeur absolue fiable en tout point : la statistique par pixel est bien plus bruitée qu’un spectre unique moyenné |
| Indice d’homogénéité de mélange | Écart-type de la carte de répartition, ou statistique de distribution des domaines | La cause de l’hétérogénéité. Il faut le process pour cela |
Le facteur d’ingénierie qui décide des projets
L’éclairage décide, pas la caméra.
C’est la vérité la moins intuitive de cette famille, et la plus constante. Un capteur médiocre correctement éclairé donne une mesure exploitable. Un capteur excellent mal éclairé donne une image dont aucun algorithme ne tirera rien de stable. La géométrie d’éclairage (incidence rasante, rétroéclairage, éclairage annulaire, lumière structurée) détermine si le contraste qui vous intéresse existe dans l’image, ou pas.
Un défaut de surface visible en incidence rasante disparaît en éclairage diffus. Un objet transparent devient dénombrable en rétroéclairage et invisible autrement. Le choix se fait par l’essai, et il précède le choix de la caméra.
Ce qui se stabilise, et ce qui dérive
Une chaîne de vision dérive par la mécanique et l’optique avant de dériver par le modèle. Lampe qui vieillit, hublot qui s’encrasse, vibration qui décale le champ, lumière ambiante qui entre quand on ouvre une porte. Le carénage et l’obturation du poste font partie de la mesure, pas de l’habillage.
C’est le pendant exact de ce que la tomographie optique cohérente demande sur la distance de travail. Le coût d’entrée existe, il est simplement déplacé de la calibration vers l’implantation.
Où une autre voie sert mieux
Elle lit une surface
Une caméra voit une surface, et l’hyperspectral en NIR quelques dizaines à quelques centaines de microns sous cette surface. Pour l’intérieur d’un volume opaque, c’est la tomographie électrique. Pour un produit emballé, le TERAHERTZ.
Des contrastes plutôt qu’une valeur absolue
Une carte hyperspectrale est excellente pour comparer des zones entre elles et détecter une hétérogénéité. Elle est bien moins juste qu’une mesure ponctuelle quand il s’agit d’affirmer une valeur absolue. La statistique d’un pixel n’est pas celle d’un spectre moyenné.
Un classifieur appris reste un modèle
Une classification par apprentissage profond est un modèle de plus, dont on ne sait pas expliquer la décision. En environnement réglementé, c’est exactement la question qu’un auditeur posera. Ce qu’une méthode doit démontrer.
Le volume de données : l’avez-vous chiffré avant de commencer ?
Un spectre ponctuel, c’est quelques kilo-octets. Une image hyperspectrale, c’est un cube. Et une ligne de production qui en produit plusieurs par seconde génère un flux sans commune mesure avec tout le reste de ce site. La question du stockage se pose avant l’installation, pas après. Ce qu’on garde, ce qu’on jette, et ce qu’on saura retrouver dans trois ans pour une inspection.
C’est le seul cas où le dimensionnement informatique décide du sort d’un projet de mesure. Ce que deviennent les données, et qui les porte.
Un cas d’école : compter des organismes vivants
Un élevage d’organismes vivants conduit en milieu contrôlé pose une question de comptage qui résume assez bien cette page.
La question posée n’est pas celle qu’on croit. Compter les individus est utile, mais ce n’est pas le but : le but est de savoir quand arrêter la culture. Une population croît, passe par un maximum, puis décline. Et ce que l’élevage doit produire suit la population. Récolter à date fixe, c’est récolter à côté du pic.
Le contrôle usuel ne permet pas de voir ce pic. Il repose sur un dénombrement d’individus vivants par gramme, fait à l’œil sous loupe binoculaire, sur quelques prélèvements espacés de plusieurs semaines. Quatre points ne localisent pas un maximum. Ils ne disent pas davantage pourquoi deux bacs conduits de la même façon ne se comportent pas pareil.
La problématique est nettement moins simple à résoudre qu’à énoncer. Les objets sont petits, mobiles, ils se recouvrent, et le fond est un milieu de culture qui ressemble par endroits à ce qu’on cherche.
Ce qui décide : la lumière et la géométrie
Ce qui décide ici, c’est la géométrie de prise de vue et la lumière. La transmission est écartée : rien d’exploitable ne traverse le substrat. Reste la réflexion. C’est la bande d’éclairage qui sépare l’objet de son fond : celle qui les distingue est à trouver en comparant, et rien ne dit à l’avance laquelle ce sera. Et un éclairage en dôme, par le dessous du plateau, supprime les reflets qui rendent les images inutilisables.
Le dénombrement fonctionne ensuite. Avec en prime des descripteurs de forme, aire, circularité, allongement, qui ouvrent la voie à la distinction des stades de développement.
Ce que ce cas dit de la famille entière. Aucune des décisions ci-dessus ne porte sur la caméra. Toutes portent sur l’éclairage et la géométrie. C’est ce qui est écrit plus haut sur cette page, et ce cas en est la démonstration.
C’est aussi ce qui fait de la vision un projet d’éclairage avant d’être un projet de logiciel. Mieux vaut le savoir au début qu’à la fin.
Questions fréquentes
Vision industrielle ou imagerie hyperspectrale : comment savoir laquelle il me faut ?
Posez la question en une phrase. Si elle contient « combien », « quelle taille », « quelle forme », « y a-t-il un défaut » : vision industrielle, et le projet est d’abord un projet d’éclairage. Si elle contient « quel constituant » ou « est-ce bien réparti » : hyperspectral, et le projet est un projet de chimiométrie avec une dimension de plus. Si elle contient les deux, ce sont deux projets, et il vaut mieux les mener dans cet ordre.
L’imagerie hyperspectrale demande-t-elle plus de calibration que le NIR classique ?
Oui, et pour une raison qu’on sous-estime. Le modèle est le même dans son principe, mais il s’applique à des spectres beaucoup plus bruités. Un pixel reçoit une fraction du flux que reçoit une sonde ponctuelle. Il faut donc soit des références plus nombreuses, soit accepter de ne pas exploiter la valeur absolue et de ne lire que des contrastes. La deuxième voie est souvent la bonne, et elle est rarement proposée.
Peut-on utiliser l’apprentissage profond en environnement réglementé ?
Rien ne l’interdit, et c’est parfois la seule approche qui fonctionne sur une morphologie complexe. Mais le fardeau de la démonstration se déplace. Il faut documenter la population d’apprentissage, montrer le comportement sur des cas limites, et disposer d’un mécanisme qui signale une entrée hors du domaine appris. Un modèle qu’on ne sait pas expliquer doit au minimum savoir dire qu’il n’est pas à l’aise. C’est un travail de validation, pas une case à cocher.
Une caméra suffit-elle à remplacer un contrôle libératoire ?
Pour un critère de présence, d’intégrité ou de forme, un contrôle unitaire à cent pour cent est un argument très fort. Souvent plus fort qu’un contrôle par échantillonnage. Pour un critère de composition, non : voir la limite énoncée plus haut sur la valeur absolue. Comme toujours sur ce site, la réponse dépend de la question posée, pas de la technologie.
Sait-on vite si ça marche ?
Très vite pour la vision industrielle, et c’est sa qualité : de courts essais d’éclairage sur votre matière disent si le contraste existe. S’il n’existe pas, aucun développement logiciel ne le créera, et vous l’aurez appris à moindre coût. Plus long pour l’hyperspectral, où le délai est celui d’une preuve de concept chimiométrique ordinaire.
Le matériel que nous mettons en œuvre
ClearView Imaging, vision industrielle et imagerie. Caméras, optiques, éclairages et systèmes de vision. Notre partenaire sur cette famille d’applications.
C’est la plus récente de nos neuf familles, et celle dont l’offre est la moins standardisée. Chaque application se construit sur mesure, à partir de composants. Nous le disons parce que c’est vrai, et parce que cela change la façon dont un projet commence.
Envoyez-nous des images de votre produit, même prises au téléphone. C’est par là qu’on commence.
Quarante-cinq minutes suffisent : si le contraste qui vous intéresse peut exister dans une image, quelle géométrie d’éclairage l’y ferait apparaître, et si la question relève de la vision industrielle ou de l’hyperspectral. Si le contraste n’est pas dans l’image, nous vous le dirons — et vers quelle voie regarder.