Vision par ordinateur

  • Concept
  • Intermédiaire
  • Transversal
  • Toujours utilisé

En bref

La vision par ordinateur est la branche de l’intelligence artificielle qui permet à une machine d’analyser et d’interpréter des images ou des vidéos.

Définition complète

La vision par ordinateur (en anglais computer vision) est une branche de l’intelligence artificielle qui donne aux machines la capacité d’analyser, de comprendre et d’interpréter des images ou des vidéos, un peu comme l’œil humain le fait avec le cerveau. Elle permet par exemple à un logiciel de reconnaître un visage, de détecter un objet défectueux sur une chaîne de production, ou de lire automatiquement le texte d’une facture scannée.

Concrètement, une caméra de vidéosurveillance équipée de vision par ordinateur peut compter automatiquement le nombre de clients qui entrent dans une boutique, sans intervention humaine, en analysant chaque image captée en temps réel.

Attention : la vision par ordinateur ne « voit » pas comme un humain : elle repère des motifs statistiques (formes, couleurs, contrastes) appris à partir de milliers d’exemples, ce qui explique pourquoi elle peut se tromper face à une image inhabituelle, mal éclairée ou jamais rencontrée pendant son apprentissage.

À quoi ça sert

La vision par ordinateur sert à automatiser des tâches visuelles qui demanderaient sinon un temps humain considérable ou une attention constante. Elle permet par exemple de contrôler la qualité de milliers de pièces industrielles en continu, de surveiller un site sensible, ou de trier automatiquement des documents scannés selon leur contenu.

Elle aide aussi à fiabiliser certaines décisions en réduisant la fatigue et les oublis humains : un contrôleur qualité humain perd en vigilance après plusieurs heures, alors qu’un système de vision par ordinateur maintient le même niveau d’attention en continu.

Enfin, elle ouvre des usages nouveaux, comme l’analyse d’images médicales en appui du diagnostic, la reconnaissance de produits en rayon pour la gestion des stocks, ou l’accessibilité pour les personnes malvoyantes grâce à des applications qui décrivent leur environnement.

Cas d'usage typiques

– Contrôler : détecter automatiquement les pièces défectueuses sur une chaîne de production.
– Sécuriser : repérer une intrusion ou un comportement suspect sur des caméras de surveillance.
– Compter : mesurer la fréquentation d’un magasin en analysant le flux de clients filmés.
– Lire : extraire automatiquement le texte d’une facture, d’un ticket de caisse ou d’un formulaire scanné.
– Trier : classer des photos de produits par catégorie dans un catalogue en ligne.
– Diagnostiquer : aider un radiologue à repérer une anomalie sur une image médicale, sous supervision humaine.

Ce que tu sauras faire

Savoir reconnaître les situations professionnelles où l’analyse automatique d’images ou de vidéos peut faire gagner du temps ou fiabiliser un contrôle, et comprendre les limites de fiabilité d’un tel système.

Mises en situation

Situation 1 : contrôle qualité dans un atelier de fabrication

Contexte : Un atelier qui fabrique des pièces plastiques installe une caméra reliée à un logiciel de vision par ordinateur pour repérer les pièces rayées ou mal moulées avant l’emballage.

Application : Chaque pièce passe devant la caméra ; le logiciel compare son image à des milliers d’exemples de pièces conformes et défectueuses appris pendant son entraînement, puis écarte automatiquement les pièces suspectes.

Résultat attendu : Le taux de pièces défectueuses expédiées aux clients diminue fortement, et les contrôleurs humains se concentrent sur les cas ambigus signalés par le système.

Situation 2 : une supérette qui automatise le comptage de fréquentation

Contexte : Le gérant d’une supérette veut savoir à quelles heures son magasin est le plus fréquenté, sans embaucher quelqu’un pour compter les entrées.

Application : Une caméra reliée à un logiciel de vision par ordinateur compte automatiquement les entrées et sorties tout au long de la journée, et génère un graphique de fréquentation.

Résultat attendu : Le gérant ajuste ses horaires de personnel en fonction des pics de fréquentation réels, ce qu’il n’aurait pas pu mesurer précisément sans cet outil.

Situation 3 : un cabinet médical qui utilise mal la vision par ordinateur

Contexte : Un cabinet de radiologie utilise un outil de vision par ordinateur pour pré-trier les images sans faire relire systématiquement les cas jugés « normaux » par un radiologue.

Application : Un cas atypique, mal représenté dans les données d’entraînement du logiciel, est classé à tort comme normal et n’est pas examiné par un médecin.

Résultat attendu : Cette situation illustre le risque d’un usage non supervisé : la vision par ordinateur doit rester un outil d’aide à la décision, jamais un substitut complet au jugement humain dans un domaine sensible.

Application guidée : choisir un cas d’usage pertinent

Contexte : Une entreprise de logistique hésite entre deux projets : utiliser la vision par ordinateur pour lire automatiquement les étiquettes de colis, ou pour deviner l’humeur des livreurs sur des vidéos de caméras embarquées.

Question : Lequel des deux projets est le plus pertinent et le plus fiable techniquement ?

Résultat attendu : La lecture automatique des étiquettes est un cas d’usage fiable et bien maîtrisé (reconnaissance de texte sur une image nette et standardisée). Deviner une émotion humaine sur vidéo reste un exercice beaucoup moins fiable et pose en plus des questions éthiques sur la surveillance des salariés.

Application guidée : évaluer la fiabilité d’un système

Contexte : Un logiciel de vision par ordinateur installé dans un supermarché reconnaît correctement 96 fruits et légumes sur 100 passés en caisse automatique, mais confond régulièrement deux variétés de pommes proches visuellement.

Question : Ce taux de réussite de 96 % est-il suffisant pour un déploiement sans aucune supervision humaine ?

Résultat attendu : Un taux de 96 % laisse encore 4 erreurs sur 100 passages, ce qui peut représenter un volume important sur une journée entière de caisses. Il est préférable de garder un contrôle humain léger (bouton de correction facile) plutôt que de retirer toute supervision, surtout tant que les erreurs se concentrent sur des cas identifiables comme les variétés proches.

Pour bien le retenir

L'analogie

Imaginez un contrôleur qualité qui a examiné des dizaines de milliers de pièces industrielles au cours de sa carrière. À force d’expérience, il repère un défaut d’un simple coup d’œil, sans avoir besoin de mesurer chaque détail. La vision par ordinateur fonctionne de manière comparable : elle a « regardé » un très grand nombre d’images pendant son entraînement, et elle applique ensuite les mêmes repères visuels pour reconnaître rapidement une forme, un objet ou une anomalie.

« Donner des yeux à un ordinateur, pas un jugement humain. »

Pièges à éviter

À ne pas confondre avec

Une confusion fréquente consiste à croire que la vision par ordinateur « comprend » une image comme un humain, avec du bon sens. En réalité, elle reconnaît des motifs statistiques appris pendant son entraînement, ce qui explique qu’elle puisse se tromper sur une image inhabituelle, même si l’erreur paraît évidente pour un œil humain.

Une autre erreur est de confondre vision par ordinateur et reconnaissance faciale : la reconnaissance faciale n’est qu’une application particulière de la vision par ordinateur, parmi beaucoup d’autres comme la détection d’objets, la lecture de texte ou l’analyse de mouvement.

Enfin, il faut éviter de croire qu’un système performant en laboratoire le restera automatiquement une fois déployé en conditions réelles : la luminosité, l’angle de caméra ou la qualité d’image peuvent fortement dégrader ses résultats.

Évolution historique

Apparition : Depuis les années 1960, avec un essor fort dans les années 2010

Quels changements depuis l’arrivée de l’IA ?

Avant

Les premiers systèmes de vision par ordinateur, dans les années 1990 et 2000, reposaient sur des règles écrites à la main par des ingénieurs : on leur indiquait explicitement quelles formes ou quels contours chercher. Ces systèmes étaient rigides et fonctionnaient mal dès que les conditions changeaient (luminosité, angle, arrière-plan).

Aujourd’hui

Avec les réseaux de neurones profonds (deep learning) popularisés dans les années 2010, la vision par ordinateur a fait un bond en précision : reconnaissance faciale, lecture automatique de documents, tri d’images médicales ou détection d’objets en temps réel sont devenus accessibles à des entreprises de toute taille, parfois via de simples applications mobiles, sans expertise technique poussée.

Évolution historique

Années 1960-1970 : les premières recherches universitaires tentent de faire « voir » un ordinateur, avec des résultats très limités sur des formes simples.

Années 1990-2000 : apparition d’applications concrètes mais spécialisées, comme la reconnaissance de plaques d’immatriculation ou le tri postal automatisé.

Années 2010 : les réseaux de neurones convolutifs (un type de modèle mathématique inspiré du fonctionnement du cerveau) permettent des progrès spectaculaires en reconnaissance d’images.

Fin des années 2010 : la vision par ordinateur se démocratise dans l’industrie, la sécurité, la santé et le commerce, avec des outils accessibles sans compétence technique poussée.

Années 2020 : elle se combine avec les IA génératives capables de créer des images, et s’intègre dans des usages quotidiens comme la recherche visuelle sur smartphone ou l’analyse automatique de documents.