Le meilleur des équipements de process et de packaging

logo french fab

Vision industrielle : l’agroalimentaire, un monde à part

Alias FR
vision-industrielle-agroalimentaire
Titre principal FR
Vision industrielle : l’agroalimentaire, un monde à part
Chapeau FR
« La caractérisation de la qualité est beaucoup plus complexe sur un produit alimentaire que sur un composant électronique ; une bonne méthodologie est essentielle », explique Baptiste Amato-Gagnon, fondateur de Psycle Research, interviewé par le Geppia.
Article FR

Expert en vision, il parle d’expérience, puisqu’il a développé des systèmes de contrôle dans des industries très diverses : « dans l’agroalimentaire, le produit est vivant, il est rarement identique à 100 %. Lorsqu’il est contrôlé par des humains, la décision de conformité est le fruit d’une concertation entre différents experts, sur différentes typologies de défauts. L’enjeu pour le système de vision est de tenir compte de toutes ces expertises et, en même temps, de lisser la subjectivité humaine. »

Baptiste Amato-Gagnon recommande une approche pragmatique et progressive pour garantir la performance des systèmes qualité automatisés avec la vision car « il n’y a pas », dit-il, « de magie en technologie ». Pour lui, les seuls systèmes capables de répondre aux besoins de l’industrie agroalimentaire sont des systèmes apprenants et supervisés : « cela va permettre à la machine d’éliminer les critères qui ne sont pas pertinents pour caractériser tel ou tel type de défaut. De ce fait, le système sera beaucoup plus précis. J’ai vu des systèmes non supervisés avec des taux d’éjection énormes, pas du tout représentatifs de la qualité réelle. » Un système apprenant est aussi un système qui permet à l’entreprise de capitaliser l’expertise humaine. « Lorsqu’un opérateur retire un produit de la ligne, il apporte sa valeur à un instant précis. S’il apprend à la machine pourquoi il l’a fait, il crée une valeur que l’entreprise peut exploiter pendant des années », explique Baptiste Amato-Gagnon, qui ajoute : « la machine va aussi rendre cette valeur à l’opérateur en lui permettant d’identifier plus facilement les causes racines de ses problèmes en production, pour revenir plus rapidement à un produit conforme. » Aux fabricants de produits agroalimentaires qui hésiteraient encore à se lancer, Baptiste Amato-Gagnon conclut sur un dernier conseil : « ne pas chercher d’emblée à identifier tous les défauts. Il est préférable de se concentrer sur les défauts qui font perdre le plus d’argent. On arrive ainsi très rapidement à de bons résultats, avec des retours sur investissement en quelques mois, voire quelques semaines. »

Alias EN
industrial-vision-agri-food
Titre principal EN
Industrial vision: agri-food, a world apart
Chapeau EN
«The characterization of quality is much more complex on a food product than on an electronic component; a good methodology is essential», explains Baptiste Amato-Gagnon, founder of Psycle Research, interviewed by Geppia.
Article EN

An expert in vision, he speaks from experience, having developed control systems in a wide variety of industries: “In agri-food, the product is alive, it is rarely 100% identical. When it is controlled by humans, the decision to comply is the result of consultation between different experts, on different types of defects. The challenge for the vision system is to take into account all these expertises and, at the same time, to smooth out human subjectivity.”

Baptiste Amato-Gagnon recommends a pragmatic and progressive approach to guarantee the performance of automated quality systems with vision because «there is no», he says, «magic in technology». For him, the only systems capable of meeting the needs of the agri-food industry are learner and supervised systems: "This will allow the machine to eliminate criteria that are not relevant to characterize a particular type of defect. As a result, the system will be much more accurate. I’ve seen unsupervised systems with huge ejection rates, not at all representative of actual quality.” A learning system is also a system that allows the company to capitalize on human expertise. “When an operator removes a product from the line, it adds value at a specific time. If he learns the machine why he did it, he creates a value that the company can exploit for years,” explains Baptiste Amato-Gagnon, who adds: “the machine will also return this value to the operator by making it easier for him to identify the root causes of his problems in production, to return more quickly to a compliant product.” For agri-food manufacturers who are still hesitant to get started, Baptiste Amato-Gagnon concludes with one last piece of advice: “Do not immediately seek to identify all defects. It is better to focus on the defects that make losing the most money. This results in very fast results, with returns on investment in a few months or even weeks.”

Illustration tendance
Image libre de droit - Unsplash
Légende FR
Image libre de droit - Unsplash
Légende EN
Image libre de droit - Unsplash
Navigation

En naviguant sur notre site, vous acceptez l’utilisation de cookies pour une navigation optimale et nous permettre de réaliser des statistiques de visites.