Sur une ligne de production, le capteur le plus répandu ne voit rien : il rend un bit. Une cellule photoélectrique dit présent ou absent, un détecteur inductif dit métal ou pas métal, un contact de fin de course dit fermé ou ouvert. Depuis une quinzaine d’années, une partie de ces fonctions migre vers des caméras, et le discours commercial résume volontiers l’affaire par « la caméra remplace le capteur ». C’est vrai sur le papier, et faux dans le détail : une caméra ne rend jamais un bit, mais une mesure bruitée dont un logiciel tire une décision. Tout le métier de la vision industrielle tient dans cet écart — et c’est là que se logent ses limites, y compris celles que l’apprentissage profond n’a pas levées.
Un capteur rend un bit, une caméra rend une statistique
La différence est d’abord physique. Le signal d’un pixel est un comptage de photoélectrons, et ce comptage fluctue : la loi qui le régit est poissonienne, ce qui signifie que la variance du bruit est égale au nombre moyen d’électrons accumulés. Le standard EMVA 1288 de l’European Machine Vision Association, qui sert de référence à toute l’industrie pour caractériser capteurs et caméras, en tire la conséquence directe : pour un capteur idéal, le rapport signal sur bruit vaut la racine carrée du nombre de photons reçus (texte du standard, release 3.0). Autrement dit : quadrupler l’éclairage ne fait que doubler la qualité du signal. Ce n’est pas un défaut d’ingénierie qu’un meilleur capteur corrigera, c’est de la physique quantique appliquée à un atelier.
Le même document définit les deux bornes qui décrivent réellement une caméra : le seuil absolu de sensibilité, c’est-à-dire le nombre moyen de photons nécessaire pour que le rapport signal sur bruit atteigne 1, et la plage dynamique, qui est simplement le rapport entre l’irradiation de saturation et ce seuil. Ce sont ces grandeurs-là — avec l’efficacité quantique, le bruit d’obscurité, les non-uniformités DSNU et PRNU — qui prédisent si une inspection tiendra, bien davantage que le nombre de mégapixels affiché sur la fiche produit. La release 4.0 du standard, publiée le 16 mars 2021, a étendu la méthode aux caméras non linéaires, à la bande spectrale de l’ultraviolet au SWIR et aux capteurs de polarisation ; le corpus est aujourd’hui porté à l’ISO sous la référence ISO 24942 (comité technique TC 42, groupe de travail 28).
Le pixel et le temps de pose décident avant l’algorithme
Deux règles de dimensionnement suffisent à écarter la moitié des projets mal partis. La première fixe la résolution utile : elle s’obtient en divisant la taille de l’objet par la taille du plus petit détail à inspecter, formule que Basler énonce telle quelle dans son guide de sélection. Un champ de 200 mm dans lequel on cherche un défaut de 0,2 mm réclame donc 1 000 pixels sur cette dimension — et c’est un plancher théorique : un défaut qui ne couvre qu’un pixel se confond avec le bruit, la pratique demande d’en couvrir plusieurs.
La seconde règle concerne le mouvement. La documentation Basler la formule sans détour : il faut choisir un temps de pose assez court pour que l’image de l’objet ne se déplace pas de plus d’un pixel pendant l’exposition. Sur un convoyeur à 1 m/s avec un pixel qui couvre 0,2 mm au sol, cela donne 200 µs. Et comme la même page le rappelle, on ne compense pas en montant le gain : le gain amplifie le signal et le bruit. Reste donc une seule variable d’ajustement — l’éclairage. C’est pourquoi, dans une cellule de vision, l’éclairage coûte souvent plus cher en études que la caméra, et pourquoi une installation qui fonctionne en février peut dériver en juillet quand le soleil entre par la verrière.
L’apprentissage profond a déplacé la spécification, pas la physique
L’argument le plus fort en faveur de la caméra reste celui-ci : certains défauts ne se spécifient pas. Une rayure, un coup, une pollution de surface ne s’écrivent pas sous forme de seuil géométrique, alors qu’un opérateur les reconnaît instantanément. C’est le terrain naturel des méthodes non supervisées, entraînées uniquement sur des pièces conformes — approche réaliste, puisqu’un procédé bien réglé produit justement très peu de rebuts à montrer à un modèle.
Le jeu de données de référence dans ce domaine, MVTec AD, présenté à CVPR 2019, donne la mesure du problème : 5 354 images haute résolution, 15 catégories (5 textures et 10 objets), 73 types de défauts, 1 888 régions annotées au pixel près, réparties en 3 629 images d’entraînement et 1 725 images de test. Les auteurs, qui évaluaient au passage les méthodes de l’état de l’art de l’époque, concluaient qu’il restait « une marge d’amélioration considérable ». Six ans plus tard, le constat reste prudent : une évaluation publiée le 24 septembre 2025 a confronté plusieurs modèles de fondation récents — ceux qui promettent de remplacer l’annotation par une simple description textuelle du défaut — à des images industrielles réelles. Résultat : tous échouent sur les données de terrain, alors que ces mêmes modèles se comportent bien sur les jeux de données publics. Une performance annoncée sur un benchmark ne dit donc rien de la tenue sur vos propres pièces, et le coût d’annotation reste la ligne budgétaire qu’aucun modèle générique n’efface. Nous l’avions déjà observé à propos des progrès de l’IA en reconnaissance d’images : les gains de laboratoire ne se transposent pas tels quels.
Sortir de l’îlot : parler automate
Une caméra qui décide seule ne sert à rien ; il faut que l’automate reçoive le verdict, change de recette quand la série change et sache dans quel état se trouve le système. C’est l’objet de la spécification OPC UA for Machine Vision (OPC 40100-1), écrite avec le VDMA, qui modélise un système de vision comme une machine à états et normalise la gestion des recettes, des configurations et des résultats — le contenu restant propre à chaque fournisseur. Sa définition est volontairement large : tout système capable d’acquérir et de traiter des images, de la caméra intelligente au poste multi-caméras, entre dans le cadre. Côté acquisition, c’est le standard GenICam qui fournit l’interface de programmation commune, par-dessus GigE Vision, USB3 Vision, CoaXPress ou Camera Link. Sans ces couches, un changement de fournisseur signifie réécrire l’intégration — un piège classique, voisin de celui que nous décrivions à propos des cobots dans les petits ateliers.
Là où la caméra ne remplace pas le capteur : la sécurité
Reste le domaine où la substitution atteint sa limite la plus nette. Les dispositifs de protection par vision existent et sont reconnus : l’INRS leur consacre un chapitre entier de son aide au choix d’un dispositif de protection sensible (brochure ED 6281). On y trouve deux familles — celles qui surveillent l’obstruction d’un motif de référence passif (VBPDPP) et celles qui exploitent la stéréovision (VBPDST) — et surtout leurs performances réelles. Les premières affichent des temps de réponse minimaux de l’ordre de 20 ms et une capacité de détection de 20 à 40 mm ; les secondes annoncent de 150 ms à environ 2 000 ms, une valeur qui peut varier d’un facteur 10 selon le temps de calcul alloué et le filtrage retenu. Le document précise aussi que l’éclairement minimal nécessaire va de 15 à 1 600 lux selon la configuration, qu’une poussière ou une fumée provoque des déclenchements intempestifs, et qu’un vêtement réfléchissant porté par l’opérateur est purement et simplement incompatible avec un dispositif à motif de référence.
Le classement normatif dit le reste. La norme NF EN 61496-1 définit trois types d’équipements de protection électrosensibles (2, 3 et 4), reliés aux niveaux de performance de l’ISO 13849-1. Dans l’inventaire de l’état de la technique dressé par l’INRS, les dispositifs à vision apparaissent jusqu’au type 3 / PL d / SIL 2 ; au niveau supérieur — type 4, PL e, SIL 3 — la seule technologie classiquement rencontrée reste la barrière immatérielle. Une caméra peut donc surveiller une zone, pas arbitrer n’importe quel risque.
Le contexte économique invite au même réalisme : le VDMA attend pour 2026 un chiffre d’affaires de 14,1 milliards d’euros pour la robotique et l’automation allemandes, en recul de 5 %. Dans un marché sous tension, les projets de vision qui aboutissent ne sont pas les plus ambitieux, mais ceux où quelqu’un a posé, avant d’acheter, les trois questions qui décident : combien de pixels sur le défaut, combien de microsecondes de pose, et que fait-on du verdict une fois qu’il est rendu.