- La vision artificielle en fruits et légumes pour la sélection qualité standardise le jugement et rend mesurables des critères comme le calibre, la couleur, les défauts externes et la forme, réduisant la variabilité et les réclamations.
- Elle fonctionne bien lorsque le produit est présenté de manière stable (individualisé, vitesse constante, éclairage contrôlé) : la mécanique de ligne compte autant que les caméras.
- La clé n’est pas « l’IA », mais l’étalonnage + les recettes par variété/lot + le contrôle des faux rebuts : sans gouvernance des données, l’installation perd en précision.
- Les limites typiques : défauts internes, dommages « sous la peau », surfaces mouillées/sales et changements de saison/variété ; elles se atténuent avec le paramétrage, la maintenance et les métriques.
- Les bénéfices se mesurent sur des KPI concrets : rendement commercial, rebut, réclamations, TRS, giveaway de poids, et s’amplifient s’ils sont intégrés à la pesée et à la traçabilité.
La vision artificielle pour la sélection qualité en fruits et légumes n’est pas une « caméra intelligente » installée en bord de ligne : c’est un système qui transforme un jugement souvent subjectif (le contrôle qualité manuel) en mesures reproductibles et en données exploitables pour la production, les achats et la logistique. En post-récolte, où de petits défauts deviennent de grandes réclamations et où la main-d’œuvre est de plus en plus difficile à trouver, ce passage fait la différence entre « travailler beaucoup » et travailler bien.
Pour situer la sélection qualité dans le flux complet (réception, lavage, calibrage, conditionnement, palettisation), vous pouvez partir du guide complet de l’automatisation post-récolte pour fruits et légumes.
Qu’est-ce que la sélection qualité par vision artificielle en fruits et légumes (et ce qui change vraiment)
La sélection qualité par vision artificielle en fruits et légumes est l’ensemble du matériel et des logiciels (éclairage, capteurs/caméras, algorithmes, actionneurs de déviation) qui inspecte chaque pièce individuellement pendant qu’elle défile sur la ligne et la classe selon des règles définies (classes de calibre, couleur, défauts, forme), en la déviant vers les canaux appropriés.
En pratique : de « l’opinion » à la « spécification mesurable »
Manuellement, deux opérateurs peuvent juger la même tomate différemment, surtout en fin d’équipe ou lors de pics de production. La vision artificielle, elle, applique toujours les mêmes seuils (par exemple : pourcentage de surface défectueuse visible, plage de couleur, tolérance de forme). Cela n’élimine pas la qualité « humaine » : elle la déplace en amont, là où elle est le plus utile, c’est-à-dire dans la définition des critères et le contrôle du processus.
Où elle se situe sur la ligne
Typiquement, la vision se trouve
- avant le calibrage (pour retirer les rebuts grossiers/corps étrangers)
- pendant le calibrage (pour associer qualité + dimension/poids)
- avant le conditionnement (pour protéger le standard du pack et réduire les réclamations)
Dans les lignes modernes, la sélection optique travaille en synergie avec des modules de pesée et de conditionnement (par ex. systèmes de pesée combinée et de poids minimum garanti) comme ceux présents parmi les solutions Bulltec (catégories telles que Peso Combinato et Peso Combinato Smart).
Ce qui peut être mesuré : la vision artificielle pour la sélection qualité en fruits et légumes « voit »-t-elle vraiment ?
Lors de l’évaluation d’une solution, la bonne question n’est pas « reconnaît-elle les défauts ? » mais quels défauts, avec quelle stabilité, et dans quelles conditions de ligne.
Calibre et dimensions (diamètre, longueur, volume apparent)
Le diamètre et l’encombrement sont parmi les mesures les plus robustes : ils fonctionnent bien sur des légumes relativement réguliers (pommes de terre, oignons) et sur des produits plus variables si la présentation est correcte. Sur les lignes de calibrage (par exemple calibreuses électroniques à canaux/palettes), la dimension peut être utilisée pour trier ou pour alimenter des logiques de conditionnement.
Couleur et maturation « visuelle »
La vision artificielle mesure la couleur et ses distributions (par ex. pourcentage de rouge/vert sur la tomate, uniformité de peau sur le poivron).
Elle est utile pour
- les classes « vert / tournant / mûr »
- l’uniformité du lot pour la GMS
- identifier les défauts chromatiques superficiels (jaunissements, décolorations)
Note : « maturation » signifie ici maturation perçue (externe). Les paramètres internes (Brix, consistance interne) nécessitent d’autres techniques (NIR, hyperspectral, essais destructifs).
Défauts externes (bosses, coupures, pourritures visibles, taches)
La sélection optique excelle sur les défauts de surface
- taches et abrasions
- blessures/lésions
- pourritures visibles
- défauts de peau (selon le produit et le contraste)
Forme et défauts géométriques
Les formes trop allongées, aplaties ou hors standard peuvent être
- rejetées
- séparées en classes dédiées (deuxième choix/industrie)
Cela est particulièrement utile lorsque le pack requiert une esthétique uniforme (plateaux, cagettes, flow-pack).
Corps étrangers et non-conformités évidentes
Dans certains contextes (par ex. pommes de terre et carottes avec terre/résidus), la vision peut aider à séparer les éléments non conformes s’ils sont visuellement distinguables (couleur/texture/forme). Le résultat dépend beaucoup de la gestion de la saleté, de l’humidité et de l’éclairage.
Ce qui n’est pas mesuré (ou mal mesuré) : limites physiques avant d’être technologiques
C’est ici que se décide si un projet réussira ou deviendra une « machine qui rejette trop ».
- Défauts internes : cœur noir, dommages internes, vides, problèmes non visibles.
- Dommages sous la peau : chocs qui n’ont pas encore « marqué » la surface (émergent souvent après des heures/jours).
- Qualité organoleptique : goût, arôme, consistance interne ne sont pas des mesures natives d’une caméra RGB.
- Microbiologie : l’hygiène et les contaminations ne se « voient » pas avec la seule vision standard ; elles se gèrent avec le processus, l’assainissement et des contrôles spécifiques.
Conclusion opérationnelle : la vision artificielle doit être conçue comme partie d’un système qualité, pas comme substitut universel de tout contrôle.
Critères de qualité : traduire les cahiers des charges et standards GMS en règles machine
Le point critique est de transformer des mots comme « défauts légers » ou « bonne présentation » en critères numériques.
Du cahier des charges aux seuils : exemple de méthode en 4 étapes
- Définissez les classes (Extra / I / II / industrie) et ce qui les différencie.
- Listez les défauts pertinents pour ce produit (par ex. cicatrices, pourriture, fissures, vert résiduel).
- Décidez des seuils : surface défectueuse maximale, intensité de couleur, tolérance de forme.
- Validez avec des échantillons : un ensemble de « pièces école » acceptées/rejetées, partagé entre qualité, production et commercial.
L’erreur la plus courante : une seule recette pour tout
La tomate datterino, la cerise et la tomate en grappe ont des textures et des reflets différents ; les pommes de terre lavées et non lavées changent complètement de « signature » visuelle.
La sélection qualité fonctionne si vous gérez
- la variété
- la saison
- la provenance/le lot
- les conditions de surface (mouillé/sec, présence de terre)
Du point de vue de l’installation, cette complexité doit être anticipée dans l’agencement et les tampons : si la ligne ne supporte pas les changements de format et de recette, la technologie ne « récupère » pas avec le logiciel. Approfondissez la partie flux et stabilité avec Concevoir une ligne post-récolte sans goulots d’étranglement.
Données et étalonnage : réglages, seuils qualité, gestion variété/lot, contrôle des faux rebuts
La vision artificielle en fruits et légumes pour la sélection qualité vit de l’étalonnage. Il ne suffit pas d’installer : il faut la maintenir « en spécification ».
Recettes produit : variété, lot, saison
Une bonne pratique est de définir des « recettes » qui incluent
- les paramètres d’éclairage (intensité, exposition)
- les seuils de couleur et de défauts
- la vitesse de ligne et le timing des actionneurs
- les règles de classification par canal
Lorsque le système est intégré à la gestion des lots, la recette peut être rappelée automatiquement au changement de production, réduisant erreurs et temps morts. C’est aussi le pont vers la traçabilité : voir Traçabilité et données en post-récolte : lots, étiquettes, MES/WMS et rapports.
Faux rebuts vs faux acceptés : comment gérer le compromis
Deux métriques dominent
- Faux Rejet (FR) : pièces bonnes rejetées → impacte le rendement et la marge.
- Faux Accepté (FA) : pièces défectueuses acceptées → impacte les réclamations et la réputation.
Il n’existe pas de seuil « parfait » valable toujours.
L’étalonnage correct dépend
- du canal de vente (GMS vs industrie)
- de la tolérance contractuelle
- du coût du rebut vs coût de la réclamation
Une règle pratique : au démarrage, on part plus « conservateur » (moins de FA), puis on optimise pour réduire le FR sans augmenter les réclamations, en utilisant des données réelles de retour.
Contrôle de dérive : quand la machine « change d’avis » sans vous le dire
Au fil du temps changent
- les conditions de surface (plus d’humidité, plus de poussière)
- l’éclairage (saleté sur vitres/optiques)
- les vibrations/le positionnement
- le mix produit
Pour cela, des routines simples sont nécessaires
- nettoyage programmé des optiques et de la zone de vision
- vérification quotidienne avec des échantillons de référence
- rapport de rebut par défaut/canal (pour détecter la dérive)
Limites opérationnelles et modes de défaillance : ce qui peut mal se passer (et comment l’éviter)
Présentation du produit : individualisation et orientation
Si les pièces : se touchent, tournent de manière imprévisible, « sautent » sur le tapis, la vision perd en cohérence. Il vaut souvent mieux investir dans : des systèmes d’alimentation réguliers, l’espacement, une vitesse et des accélérations contrôlées, avant même des « algorithmes plus puissants ».
Surfaces mouillées, brillantes ou sales
L’eau et les reflets peuvent
- masquer les défauts
- créer des faux positifs (reflet confondu avec une tache)
- réduire le contraste
Solutions typiques
- gestion du séchage
- écrans
- éclairage adapté
- maintenance et recettes dédiées « mouillé/sec »
Changements rapides de produit et roulements de travail
Lorsque le changement de lot est fréquent, le risque est que l’opérateur
- oublie de changer de recette
- modifie les seuils « à la volée » sans les tracer
- perde le contrôle du compromis FR/FA
Ici comptent l’ergonomie du logiciel et la discipline opérationnelle (journal des modifications, profils utilisateur, procédures).
Bénéfices : réduction des rebuts, standardisation qualité, traçage des causes (avec KPI)
La promesse de la vision artificielle n’est pas « zéro défaut » : c’est le contrôle. Les bénéfices les plus solides sont mesurables.
1) Standardisation de la qualité (et moins de réclamations)
Lorsque la sélection qualité est cohérente
- les lots sont plus uniformes
- les non-conformités diminuent
- le service commercial parvient à mieux respecter les cahiers des charges et les classes
En pratique, la qualité devient reproductible même quand l’équipe change ou que le volume augmente.
2) Meilleur rendement commercial (moins de rebut « par peur »)
Dans de nombreuses lignes manuelles, on rejette en excès pour éviter les contestations.
Avec des critères mesurables, vous pouvez
- réduire les rebuts « défensifs »
- créer des classes intermédiaires vendables (deuxième choix)
- orienter automatiquement vers différents canaux (frais vs industrie)
3) Données sur les causes : du « je pense que » au Pareto des défauts
Si le système enregistre combien d’unités sont rejetées pour chaque défaut (tache, blessure, couleur non conforme), vous obtenez un Pareto qui sert à
- améliorer la récolte et la manutention
- corriger le lavage/brossage
- réduire les dommages mécaniques en ligne
- mieux négocier avec les fournisseurs (données en main)
4) KPI liés : TRS et giveaway
La sélection qualité impacte aussi
- le TRS (moins d’arrêts pour contestations et retraitements)
- le giveaway si elle est intégrée à la pesée et aux logiques de conditionnement à poids minimum (thème souvent lié aux systèmes de pesée combinée)
Pour une vision de bout en bout du business case (priorités, ROI, goulots d’étranglement), reportez-vous au guide complet de l’automatisation post-récolte pour fruits et légumes.
Comment évaluer une solution : mini-checklist pour choisir (ou faire un rétrofit)
Questions techniques (à poser avant la démonstration)
- Quel est le débit requis (pièces/heure) et avec quels pics saisonniers ?
- Combien de classes/canaux sont vraiment nécessaires aujourd’hui et dans 2 ans ?
- Comment se fait le changement de recette (manuel/automatique) ?
- Est-il tracé ?
- Existe-t-il des rapports sur FR/FA, rebut par cause et historique des réglages ?
- À quel point le nettoyage est-il simple (optiques, protections, zones d’accumulation) ?
Questions d’intégration de ligne
- Est-elle compatible avec la pesée et le conditionnement existants ?
- Faut-il des tampons/accumulations pour stabiliser le flux ?
- Comment sont gérés les changements de format et le mix produit ?
Si vous voulez éviter que la vision devienne le nouveau goulot d’étranglement, la partie agencement et synchronisation est décisive : Concevoir une ligne post-récolte sans goulots d’étranglement.
Intégration avec la traçabilité : de la sélection qualité au lot (et à la palette)
La sélection qualité crée une donnée précieuse : ce que vous avez rejeté, quand et pourquoi. Si elle reste dans la machine, elle a peu de valeur. Si elle est liée : au lot entrant, à la recette appliquée, aux emballages produits, aux poids et unités logistiques, elle devient un outil de contrôle de gestion et d’audit.
Exemples de résultats utiles
- rendement par lot et par classe
- principales causes de rebut par fournisseur/parcelle
- preuves en cas de contestations
- réconciliation production-expéditions
Pour concevoir ce niveau (code-barres/QR, impression-application, MES/WMS, rapports), voir Traçabilité et données en post-récolte : lots, étiquettes, MES/WMS et rapports.
FAQ
Quelles phases de la post-récolte bénéficient le plus de l’automatisation ?
Les phases qui bénéficient le plus de l’automatisation sont celles à forte intensité de main-d’œuvre et à forte variabilité : alimentation et manutention, calibrage/sélection, conditionnement au poids, étiquetage et fin de ligne. En pratique, l’automatisation crée de la valeur lorsqu’elle réduit les erreurs répétitives (mauvaise classification, poids non conforme), lorsqu’elle stabilise le débit et lorsqu’elle rend disponibles les données de production. Une carte complète des phases et des priorités d’investissement est décrite dans le guide complet de l’automatisation post-récolte pour fruits et légumes.
Comment savoir si mon goulot d’étranglement se trouve dans la sélection qualité ou ailleurs ?
La façon la plus fiable est de mesurer les temps d’arrêt, les micro-arrêts et la saturation des stations, en les reliant au débit effectif et à la variabilité du mix produit. Souvent, la sélection semble lente, mais la cause réelle est en amont (alimentation irrégulière) ou en aval (conditionnement non synchronisé). Une analyse de l’agencement, des tampons et de l’équilibrage de ligne aide à éviter des investissements « au mauvais endroit » : voir Concevoir une ligne post-récolte sans goulots d’étranglement.
La vision artificielle remplace-t-elle entièrement le contrôle qualité humain ?
La vision artificielle ne remplace pas « la qualité » mais en automatise la partie répétitive et mesurable, laissant aux personnes la tâche à plus forte valeur : définir les critères, gérer les exceptions, contrôler la dérive et améliorer le processus. Dans de nombreuses installations, le contrôle humain reste utile comme audit par échantillonnage et comme support lors des changements de saison/variété, quand les conditions changent et que les recettes doivent être ré-optimisées.
Quels KPI devrais-je suivre pour évaluer le succès de la sélection optique ?
Les KPI les plus utiles sont ceux qui relient qualité et marge : pourcentage de rebut total et par cause, rendement par classe commerciale, réclamations/contestations, faux rebuts (estimés par échantillonnage), productivité horaire et impact sur le TRS. Si la ligne inclut un conditionnement à poids minimum, le giveaway (excédent de poids) est également important car il impacte directement le coût du produit vendu. L’objectif n’est pas « moins de rebut », mais « le juste rebut » selon le canal et les standards.
Comment la sélection qualité se relie-t-elle à la traçabilité et aux rapports pour audit ?
Elle se relie en enregistrant les événements de production (lot, recette, classification, rebuts, poids) et en les rendant disponibles aux systèmes de gestion (MES/WMS/ERP) ou aux rapports de ligne. Ainsi, vous pouvez remonter non seulement à « quel lot a fini dans quelle palette », mais aussi à « quels défauts étaient prédominants » et « quels paramètres étaient actifs », améliorant à la fois la gestion des réclamations et l’amélioration continue. Une mise en place pratique du modèle de données et des technologies est expliquée dans Traçabilité et données en post-récolte : lots, étiquettes, MES/WMS et rapports.
La vision artificielle pour la sélection qualité en fruits et légumes fonctionne-t-elle sur tous les produits ?
La vision artificielle en fruits et légumes pour la sélection qualité fonctionne très bien sur les défauts externes et les critères géométriques/chromatiques, mais elle n’est pas universelle : les produits très brillants, très sales ou avec des défauts principalement internes nécessitent des attentes et des configurations différentes. En général, plus vous parvenez à stabiliser la présentation, la propreté et l’éclairage, plus les performances deviennent reproductibles. C’est pourquoi le choix ne porte pas seulement sur « quelle caméra », mais sur « quelle architecture de ligne » et quelles procédures opérationnelles.
Comment réduire les faux rebuts sans augmenter les réclamations ?
On les réduit en travaillant sur trois niveaux : (1) améliorer la présentation du produit et la qualité de l’image (individualisation, vitesse stable, optiques propres), (2) utiliser des recettes différenciées par variété/lot et réétalonner avec des échantillons de référence, (3) mesurer dans le temps l’équilibre entre faux rebuts et faux acceptés par échantillonnage et retours de réclamations. La meilleure approche est itérative : on part conservateur et on optimise avec des données réelles, en évitant les réglages « au feeling ».
Quel est le bénéfice le plus sous-estimé de la sélection qualité par vision artificielle ?
Le bénéfice le plus sous-estimé est la transformation des défauts en information opérationnelle : savoir précisément ce que vous rejetez (et quand) permet d’intervenir sur la récolte, le transport, le lavage et la manutention interne. Cela réduit les dommages mécaniques, améliore le rendement et crée des bases objectives pour comparer les lots, les fournisseurs et les périodes de l’année. En d’autres termes, la vision n’est pas seulement un sélecteur : c’est un capteur de processus qui permet l’amélioration continue.
