SYSTÈME DE COLLECTE ET DÉTECTION DE DÉFAUTS SUR LES TUILES DE TAPIS PAR IA

La détection des défauts dans l’industrie textile constitue un enjeu majeur pour garantir la qualité des produits et réduire les pertes. Cependant, l’inspection manuelle, encore largement utilisée, est coûteuse, lente et sujette à des erreurs humaines. De plus, la forte variabilité des tapis modulaires en termes de textures, motifs et conditions d’éclairage rend la détection automatique particulièrement complexe, notamment en présence de nouveaux designs.

Dans ce contexte, ce travail propose un système complet combinant collecte de données et détection automatique des défauts. Une station d’acquisition d’images standardisée a été conçue afin d’assurer des conditions de capture reproductibles. Une interface web interactive, basée sur Angular et Python, permet à des utilisateurs non spécialistes de collecter et organiser les données de manière structurée. Les images sont ensuite prétraitées (recadrage, normalisation, corrections) et exploitées via des méthodes de détection d’anomalies basées sur l’apprentissage profond, notamment PaDiM et PatchCore, qui modélisent le comportement normal à partir d’échantillons sans défaut.

Les résultats expérimentaux montrent des performances élevées, avec des scores de précision et de rappel supérieurs à 90 %, et une détection efficace des défauts. PatchCore se distingue par de meilleures performances globales, tandis que PaDiM présente une bonne capacité de modélisation. Toutefois, la variabilité des données et l’introduction de nouveaux designs restent des défis majeurs, soulignant la nécessité de développer des approches plus robustes et généralisables.