Qu’est-ce que la vision par ordinateur ? Ses usages concrets

Points clés à retenir

• La vision par ordinateur est un domaine de l’IA qui aide les logiciels à interpréter les images et les vidéos.
• Ses usages courants comprennent la lecture de documents, la détection de défauts sur des produits et l’identification d’objets sur les routes.
• Commencez par une tâche limitée et mesurable, protégez les images sensibles et faites vérifier les résultats importants par des personnes.

La vision par ordinateur est une branche de l’intelligence artificielle qui permet aux ordinateurs d’extraire des informations utiles d’une image ou d’une vidéo, par exemple pour identifier des objets, lire du texte ou suivre des mouvements. Elle transforme les données visuelles en résultats que des personnes ou des logiciels peuvent utiliser pour prendre des décisions.

Comment ça fonctionne

Une image numérique est une grille de pixels, chacun contenant des informations sur la couleur et la luminosité. Les systèmes de vision par ordinateur analysent les motifs présents dans ces pixels pour estimer ce que contient l’image.

De nombreux systèmes modernes apprennent à partir de vastes collections d’images. Pendant l’entraînement, un modèle apprend des motifs associés à des objets, des caractéristiques ou des activités. Certaines méthodes d’entraînement utilisent des exemples annotés par des humains ; d’autres apprennent à partir d’images non annotées ou de paires image-texte.

Lorsque le modèle entraîné reçoit une nouvelle image, il produit une prédiction. Il peut s’agir d’une catégorie, d’un emplacement, d’un bloc de texte ou d’une description.

Les tâches courantes de vision par ordinateur comprennent :

• Classification d’images : Attribuer une catégorie à une image, comme « colis endommagé » ou « colis intact ».
• Détection d’objets : Repérer des objets et indiquer leur emplacement, souvent à l’aide de cadres rectangulaires.
• Segmentation : Attribuer une étiquette à chaque pixel pour distinguer des objets ou des zones, par exemple une route d’un trottoir.
• Reconnaissance optique de caractères (OCR) : Convertir du texte visible en texte lisible par une machine.
• Suivi : Suivre un objet d’une image à l’autre dans une vidéo.

Un système opérationnel nécessite généralement plus qu’un modèle. Les caméras, l’éclairage, la préparation des images et les connexions à d’autres logiciels influencent tous le résultat. Une caméra d’entrepôt dont l’objectif est sale peut compromettre un système pourtant performant.

Exemples concrets

Industrie : contrôler la qualité des produits

Les usines utilisent la vision par ordinateur pour inspecter les produits à la recherche de défauts visibles, tels que des rayures, des composants manquants ou des étiquettes incorrectes.

Une caméra capture une image de chaque article, et un logiciel signale les problèmes potentiels en vue d’un rejet ou d’une vérification humaine. Cette approche est particulièrement utile pour les contrôles répétitifs sous un éclairage maîtrisé.

Cependant, un système entraîné sur un produit peut nécessiter des ajustements lorsque l’emballage, le matériau ou la chaîne de production change.

Santé : faciliter l’analyse des images

La vision par ordinateur peut aider les professionnels de santé à analyser des images médicales, notamment des radiographies et des scanners. Selon le système, elle peut mettre en évidence des zones suspectes ou aider à déterminer les cas à examiner en priorité.

Il s’agit d’applications spécialisées qui nécessitent une validation et une supervision appropriées. Un chatbot généraliste capable d’analyser des images ne remplace ni un système d’imagerie médicale ni un professionnel de santé qualifié.

Transport : identifier les conditions routières

Les systèmes d’aide à la conduite et de conduite automatisée utilisent la vision par ordinateur pour détecter des éléments tels que les marquages au sol, les véhicules et les piétons.

Les informations visuelles peuvent être combinées à celles d’un radar ou d’autres capteurs. Les intempéries, l’éblouissement, les obstacles à la visibilité et les situations inhabituelles restent des défis importants : détecter un objet ne signifie donc pas automatiquement qu’un véhicule peut réagir en toute sécurité.

Bureaux : extraire des informations de documents

Les systèmes de traitement documentaire utilisent l’OCR et l’analyse de la mise en page pour transformer des factures, des reçus et des formulaires numérisés en informations consultables ou structurées.

Par exemple, un processus peut extraire un numéro de facture, un nom de fournisseur et un montant total, puis transmettre ces champs à un logiciel de comptabilité.

Les numérisations floues, l’écriture manuscrite et les mises en page inhabituelles peuvent provoquer des erreurs. Les valeurs critiques doivent être vérifiées plutôt qu’acceptées automatiquement.

Commerce et agriculture : surveiller les conditions visibles

Les commerçants peuvent utiliser la vision par ordinateur pour repérer les espaces vides dans les rayons et faciliter les contrôles de stock. Les agriculteurs peuvent utiliser des images de caméras ou de drones pour surveiller l’état des cultures et signaler les zones à inspecter.

Dans les deux cas, les images aident à orienter l’attention. Elles n’expliquent pas nécessairement la cause : une feuille décolorée peut être le signe d’une maladie, d’un stress hydrique ou d’un autre problème.

Avantages et limites

Le principal avantage est de transformer les informations visuelles en éléments consultables, mesurables ou exploitables.

La vision par ordinateur peut réduire les tâches d’inspection répétitives, traiter de vastes collections d’images et aider les personnes à repérer des tendances. Dans des conditions adaptées, elle peut appliquer des critères cohérents à de nombreux articles.

Ses limites sont tout aussi importantes :

• La qualité des images influence les résultats. Le flou, les ombres, une faible résolution et une vue obstruée peuvent masquer des détails importants.
• Les performances peuvent changer dans de nouveaux contextes. Des caméras, des environnements ou des conceptions de produits différents peuvent réduire la précision.
• Les erreurs n’ont pas toutes les mêmes conséquences. Ne pas détecter un défaut dangereux n’équivaut pas à signaler un article intact.
• Les performances peuvent être inégales. Les données d’entraînement peuvent ne pas représenter correctement chaque personne, objet ou situation que le système rencontre.
• La protection de la vie privée doit être anticipée. Les images peuvent révéler des visages, des adresses, des documents et d’autres informations sensibles.

Le score de confiance d’un modèle ne prouve pas que son résultat est correct. Pour les décisions à forts enjeux, prévoyez des vérifications indépendantes, des règles de contrôle claires et un suivi continu.

Comment se lancer

Vous n’avez pas besoin de créer un modèle pour explorer la vision par ordinateur. Commencez par une tâche bien délimitée et un outil existant.

1. Définissez le résultat dont vous avez besoin

Choisissez un objectif concret : « Extraire la date imprimée sur ces reçus » est plus facile à évaluer que « Comprendre nos documents ».

Déterminez ce qui constitue un résultat correct et ce qui doit se passer lorsque le système est incertain.

2. Essayez un outil adapté

ChatGPT accepte les images en entrée et peut vous aider à explorer des tâches telles que la description d’une scène, l’analyse d’un schéma ou l’interprétation de texte visible. Vérifiez ses réponses en les comparant à l’image d’origine, en particulier pour les petits caractères, les dénombrements et les mesures précises.

Dans un processus de conception, Fronty utilise la vision par ordinateur pour convertir des images en HTML et CSS. Considérez le code généré comme un point de départ : vérifiez l’adaptation aux différentes tailles d’écran, l’accessibilité et la maintenabilité avant de publier.

Ne confondez pas l’interprétation d’images avec la génération d’images. Midjourney, par exemple, génère des images à partir d’instructions textuelles ; sa tâche principale est différente de la détection de défauts ou de l’extraction de champs dans des documents.

3. Testez des images représentatives

Utilisez des exemples qui reflètent les conditions réelles de travail, y compris des cas difficiles. Incluez des images floues, des mises en page inhabituelles ou des variations d’éclairage lorsque cela est pertinent.

Consignez à la fois les résultats incorrects et les éléments non détectés. Quelques démonstrations impressionnantes ne suffisent pas à établir la fiabilité.

4. Ajoutez des garde-fous avant de passer à plus grande échelle

Vérifiez les politiques de traitement des données de l’outil avant d’y importer des contenus confidentiels. Maintenez une vérification humaine pour les résultats ayant des conséquences importantes et effectuez de nouveaux tests chaque fois que les données d’entrée ou les processus changent.

Questions fréquentes

La vision par ordinateur est-elle la même chose que la reconnaissance d’images ?

Non. La reconnaissance d’images fait partie de la vision par ordinateur. La vision par ordinateur couvre également des tâches telles que la localisation d’objets, la lecture de texte, l’estimation de la profondeur et le suivi des mouvements dans une vidéo.

La vision par ordinateur comprend-elle les images comme une personne ?

Pas de la même manière. Elle apprend des motifs qui permettent de produire des prédictions utiles, mais elle peut ne pas saisir le contexte et commettre des erreurs qui semblent évidentes à une personne. Des descriptions fluides ne garantissent pas une interprétation visuelle exacte.

Faut-il savoir programmer pour utiliser la vision par ordinateur ?

Pas pour les tâches de base. Les outils existants permettent d’importer des images et de demander des résultats utiles. Les processus personnalisés, les modèles spécialisés et les intégrations avec des logiciels métier nécessitent généralement davantage de travail technique et une évaluation rigoureuse.