{"id":4478,"date":"2026-07-07T18:49:27","date_gmt":"2026-07-07T16:49:27","guid":{"rendered":"https:\/\/bulltec.it\/?p=4478"},"modified":"2026-08-26T09:35:33","modified_gmt":"2026-08-26T07:35:33","slug":"selection-qualite-par-vision-artificielle-en-fruits-et-legumes-criteres-limites-et-benefices","status":"publish","type":"post","link":"https:\/\/bulltec.it\/fr\/2026\/07\/07\/selection-qualite-par-vision-artificielle-en-fruits-et-legumes-criteres-limites-et-benefices\/","title":{"rendered":"S\u00e9lection qualit\u00e9 par vision artificielle en fruits et l\u00e9gumes : crit\u00e8res, limites et b\u00e9n\u00e9fices"},"content":{"rendered":"\n<ul class=\"wp-block-list\">\n<li>La vision artificielle en fruits et l\u00e9gumes pour la s\u00e9lection qualit\u00e9 standardise le jugement et rend mesurables des crit\u00e8res comme le calibre, la couleur, les d\u00e9fauts externes et la forme, r\u00e9duisant la variabilit\u00e9 et les r\u00e9clamations.<\/li>\n\n\n\n<li>Elle fonctionne bien lorsque le produit est pr\u00e9sent\u00e9 de mani\u00e8re stable (individualis\u00e9, vitesse constante, \u00e9clairage contr\u00f4l\u00e9) : la m\u00e9canique de ligne compte autant que les cam\u00e9ras.<\/li>\n\n\n\n<li>La cl\u00e9 n&rsquo;est pas \u00ab l&rsquo;IA \u00bb, mais l&rsquo;\u00e9talonnage + les recettes par vari\u00e9t\u00e9\/lot + le contr\u00f4le des faux rebuts : sans gouvernance des donn\u00e9es, l&rsquo;installation perd en pr\u00e9cision.<\/li>\n\n\n\n<li>Les limites typiques : d\u00e9fauts internes, dommages \u00ab sous la peau \u00bb, surfaces mouill\u00e9es\/sales et changements de saison\/vari\u00e9t\u00e9 ; elles se att\u00e9nuent avec le param\u00e9trage, la maintenance et les m\u00e9triques.<\/li>\n\n\n\n<li>Les b\u00e9n\u00e9fices se mesurent sur des KPI concrets : rendement commercial, rebut, r\u00e9clamations, TRS, giveaway de poids, et s&rsquo;amplifient s&rsquo;ils sont int\u00e9gr\u00e9s \u00e0 la pes\u00e9e et \u00e0 la tra\u00e7abilit\u00e9.<\/li>\n<\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">La vision artificielle pour la s\u00e9lection qualit\u00e9 en fruits et l\u00e9gumes n&rsquo;est pas une \u00ab cam\u00e9ra intelligente \u00bb install\u00e9e en bord de ligne : c&rsquo;est un syst\u00e8me qui transforme un jugement souvent subjectif (le contr\u00f4le qualit\u00e9 manuel) en mesures reproductibles et en donn\u00e9es exploitables pour la production, les achats et la logistique. En post-r\u00e9colte, o\u00f9 de petits d\u00e9fauts deviennent de grandes r\u00e9clamations et o\u00f9 la main-d&rsquo;\u0153uvre est de plus en plus difficile \u00e0 trouver, ce passage fait la diff\u00e9rence entre \u00ab travailler beaucoup \u00bb et travailler bien.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Pour situer la s\u00e9lection qualit\u00e9 dans le flux complet (r\u00e9ception, lavage, calibrage, conditionnement, palettisation), vous pouvez partir du guide complet de l&rsquo;automatisation post-r\u00e9colte pour fruits et l\u00e9gumes.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Qu&rsquo;est-ce que la s\u00e9lection qualit\u00e9 par vision artificielle en fruits et l\u00e9gumes (et ce qui change vraiment)<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">La s\u00e9lection qualit\u00e9 par vision artificielle en fruits et l\u00e9gumes est l&rsquo;ensemble du mat\u00e9riel et des logiciels (\u00e9clairage, capteurs\/cam\u00e9ras, algorithmes, actionneurs de d\u00e9viation) qui inspecte chaque pi\u00e8ce individuellement pendant qu&rsquo;elle d\u00e9file sur la ligne et la classe selon des r\u00e8gles d\u00e9finies (classes de calibre, couleur, d\u00e9fauts, forme), en la d\u00e9viant vers les canaux appropri\u00e9s.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">En pratique : de \u00ab l&rsquo;opinion \u00bb \u00e0 la \u00ab sp\u00e9cification mesurable \u00bb<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Manuellement, deux op\u00e9rateurs peuvent juger la m\u00eame tomate diff\u00e9remment, surtout en fin d&rsquo;\u00e9quipe ou lors de pics de production. La vision artificielle, elle, applique toujours les m\u00eames seuils (par exemple : pourcentage de surface d\u00e9fectueuse visible, plage de couleur, tol\u00e9rance de forme). Cela n&rsquo;\u00e9limine pas la qualit\u00e9 \u00ab humaine \u00bb : elle la d\u00e9place en amont, l\u00e0 o\u00f9 elle est le plus utile, c&rsquo;est-\u00e0-dire dans la d\u00e9finition des crit\u00e8res et le contr\u00f4le du processus.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">O\u00f9 elle se situe sur la ligne<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Typiquement, la vision se trouve<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>avant le calibrage (pour retirer les rebuts grossiers\/corps \u00e9trangers)<\/li>\n\n\n\n<li>pendant le calibrage (pour associer qualit\u00e9 + dimension\/poids)<\/li>\n\n\n\n<li>avant le conditionnement (pour prot\u00e9ger le standard du pack et r\u00e9duire les r\u00e9clamations)<\/li>\n<\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">Dans les lignes modernes, la s\u00e9lection optique travaille en synergie avec des modules de pes\u00e9e et de conditionnement (par ex. syst\u00e8mes de pes\u00e9e combin\u00e9e et de poids minimum garanti) comme ceux pr\u00e9sents parmi les solutions Bulltec (cat\u00e9gories telles que Peso Combinato et Peso Combinato Smart).<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Ce qui peut \u00eatre mesur\u00e9 : la vision artificielle pour la s\u00e9lection qualit\u00e9 en fruits et l\u00e9gumes \u00ab voit \u00bb-t-elle vraiment ?<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Lors de l&rsquo;\u00e9valuation d&rsquo;une solution, la bonne question n&rsquo;est pas \u00ab reconna\u00eet-elle les d\u00e9fauts ? \u00bb mais quels d\u00e9fauts, avec quelle stabilit\u00e9, et dans quelles conditions de ligne.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Calibre et dimensions (diam\u00e8tre, longueur, volume apparent)<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Le diam\u00e8tre et l&rsquo;encombrement sont parmi les mesures les plus robustes : ils fonctionnent bien sur des l\u00e9gumes relativement r\u00e9guliers (pommes de terre, oignons) et sur des produits plus variables si la pr\u00e9sentation est correcte. Sur les lignes de calibrage (par exemple calibreuses \u00e9lectroniques \u00e0 canaux\/palettes), la dimension peut \u00eatre utilis\u00e9e pour trier ou pour alimenter des logiques de conditionnement.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Couleur et maturation \u00ab visuelle \u00bb<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">La vision artificielle mesure la couleur et ses distributions (par ex. pourcentage de rouge\/vert sur la tomate, uniformit\u00e9 de peau sur le poivron).<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Elle est utile pour<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>les classes \u00ab vert \/ tournant \/ m\u00fbr \u00bb<\/li>\n\n\n\n<li>l&rsquo;uniformit\u00e9 du lot pour la GMS<\/li>\n\n\n\n<li>identifier les d\u00e9fauts chromatiques superficiels (jaunissements, d\u00e9colorations)<\/li>\n<\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">Note : \u00ab maturation \u00bb signifie ici maturation per\u00e7ue (externe). Les param\u00e8tres internes (Brix, consistance interne) n\u00e9cessitent d&rsquo;autres techniques (NIR, hyperspectral, essais destructifs).<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">D\u00e9fauts externes (bosses, coupures, pourritures visibles, taches)<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">La s\u00e9lection optique excelle sur les d\u00e9fauts de surface<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>taches et abrasions<\/li>\n\n\n\n<li>blessures\/l\u00e9sions<\/li>\n\n\n\n<li>pourritures visibles<\/li>\n\n\n\n<li>d\u00e9fauts de peau (selon le produit et le contraste)<\/li>\n<\/ul>\n\n\n\n<h3 class=\"wp-block-heading\">Forme et d\u00e9fauts g\u00e9om\u00e9triques<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Les formes trop allong\u00e9es, aplaties ou hors standard peuvent \u00eatre<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>rejet\u00e9es<\/li>\n\n\n\n<li>s\u00e9par\u00e9es en classes d\u00e9di\u00e9es (deuxi\u00e8me choix\/industrie)<\/li>\n<\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">Cela est particuli\u00e8rement utile lorsque le pack requiert une esth\u00e9tique uniforme (plateaux, cagettes, flow-pack).<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Corps \u00e9trangers et non-conformit\u00e9s \u00e9videntes<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Dans certains contextes (par ex. pommes de terre et carottes avec terre\/r\u00e9sidus), la vision peut aider \u00e0 s\u00e9parer les \u00e9l\u00e9ments non conformes s&rsquo;ils sont visuellement distinguables (couleur\/texture\/forme). Le r\u00e9sultat d\u00e9pend beaucoup de la gestion de la salet\u00e9, de l&rsquo;humidit\u00e9 et de l&rsquo;\u00e9clairage.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Ce qui n&rsquo;est pas mesur\u00e9 (ou mal mesur\u00e9) : limites physiques avant d&rsquo;\u00eatre technologiques<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">C&rsquo;est ici que se d\u00e9cide si un projet r\u00e9ussira ou deviendra une \u00ab machine qui rejette trop \u00bb.<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>D\u00e9fauts internes : c\u0153ur noir, dommages internes, vides, probl\u00e8mes non visibles.<\/li>\n\n\n\n<li>Dommages sous la peau : chocs qui n&rsquo;ont pas encore \u00ab marqu\u00e9 \u00bb la surface (\u00e9mergent souvent apr\u00e8s des heures\/jours).<\/li>\n\n\n\n<li>Qualit\u00e9 organoleptique : go\u00fbt, ar\u00f4me, consistance interne ne sont pas des mesures natives d&rsquo;une cam\u00e9ra RGB.<\/li>\n\n\n\n<li>Microbiologie : l&rsquo;hygi\u00e8ne et les contaminations ne se \u00ab voient \u00bb pas avec la seule vision standard ; elles se g\u00e8rent avec le processus, l&rsquo;assainissement et des contr\u00f4les sp\u00e9cifiques.<\/li>\n<\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">Conclusion op\u00e9rationnelle : la vision artificielle doit \u00eatre con\u00e7ue comme partie d&rsquo;un syst\u00e8me qualit\u00e9, pas comme substitut universel de tout contr\u00f4le.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Crit\u00e8res de qualit\u00e9 : traduire les cahiers des charges et standards GMS en r\u00e8gles machine<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Le point critique est de transformer des mots comme \u00ab d\u00e9fauts l\u00e9gers \u00bb ou \u00ab bonne pr\u00e9sentation \u00bb en crit\u00e8res num\u00e9riques.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Du cahier des charges aux seuils : exemple de m\u00e9thode en 4 \u00e9tapes<\/h3>\n\n\n\n<ol class=\"wp-block-list\">\n<li>D\u00e9finissez les classes (Extra \/ I \/ II \/ industrie) et ce qui les diff\u00e9rencie.<\/li>\n\n\n\n<li>Listez les d\u00e9fauts pertinents pour ce produit (par ex. cicatrices, pourriture, fissures, vert r\u00e9siduel).<\/li>\n\n\n\n<li>D\u00e9cidez des seuils : surface d\u00e9fectueuse maximale, intensit\u00e9 de couleur, tol\u00e9rance de forme.<\/li>\n\n\n\n<li>Validez avec des \u00e9chantillons : un ensemble de \u00ab pi\u00e8ces \u00e9cole \u00bb accept\u00e9es\/rejet\u00e9es, partag\u00e9 entre qualit\u00e9, production et commercial.<\/li>\n<\/ol>\n\n\n\n<h3 class=\"wp-block-heading\">L&rsquo;erreur la plus courante : une seule recette pour tout<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">La tomate datterino, la cerise et la tomate en grappe ont des textures et des reflets diff\u00e9rents ; les pommes de terre lav\u00e9es et non lav\u00e9es changent compl\u00e8tement de \u00ab signature \u00bb visuelle.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">La s\u00e9lection qualit\u00e9 fonctionne si vous g\u00e9rez<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>la vari\u00e9t\u00e9<\/li>\n\n\n\n<li>la saison<\/li>\n\n\n\n<li>la provenance\/le lot<\/li>\n\n\n\n<li>les conditions de surface (mouill\u00e9\/sec, pr\u00e9sence de terre)<\/li>\n<\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">Du point de vue de l&rsquo;installation, cette complexit\u00e9 doit \u00eatre anticip\u00e9e dans l&rsquo;agencement et les tampons : si la ligne ne supporte pas les changements de format et de recette, la technologie ne \u00ab r\u00e9cup\u00e8re \u00bb pas avec le logiciel. Approfondissez la partie flux et stabilit\u00e9 avec Concevoir une ligne post-r\u00e9colte sans goulots d&rsquo;\u00e9tranglement.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Donn\u00e9es et \u00e9talonnage : r\u00e9glages, seuils qualit\u00e9, gestion vari\u00e9t\u00e9\/lot, contr\u00f4le des faux rebuts<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">La vision artificielle en fruits et l\u00e9gumes pour la s\u00e9lection qualit\u00e9 vit de l&rsquo;\u00e9talonnage. Il ne suffit pas d&rsquo;installer : il faut la maintenir \u00ab en sp\u00e9cification \u00bb.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Recettes produit : vari\u00e9t\u00e9, lot, saison<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Une bonne pratique est de d\u00e9finir des \u00ab recettes \u00bb qui incluent<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>les param\u00e8tres d&rsquo;\u00e9clairage (intensit\u00e9, exposition)<\/li>\n\n\n\n<li>les seuils de couleur et de d\u00e9fauts<\/li>\n\n\n\n<li>la vitesse de ligne et le timing des actionneurs<\/li>\n\n\n\n<li>les r\u00e8gles de classification par canal<\/li>\n<\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">Lorsque le syst\u00e8me est int\u00e9gr\u00e9 \u00e0 la gestion des lots, la recette peut \u00eatre rappel\u00e9e automatiquement au changement de production, r\u00e9duisant erreurs et temps morts. C&rsquo;est aussi le pont vers la tra\u00e7abilit\u00e9 : voir Tra\u00e7abilit\u00e9 et donn\u00e9es en post-r\u00e9colte : lots, \u00e9tiquettes, MES\/WMS et rapports.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Faux rebuts vs faux accept\u00e9s : comment g\u00e9rer le compromis<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Deux m\u00e9triques dominent<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Faux Rejet (FR) : pi\u00e8ces bonnes rejet\u00e9es \u2192 impacte le rendement et la marge.<\/li>\n\n\n\n<li>Faux Accept\u00e9 (FA) : pi\u00e8ces d\u00e9fectueuses accept\u00e9es \u2192 impacte les r\u00e9clamations et la r\u00e9putation.<\/li>\n<\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">Il n&rsquo;existe pas de seuil \u00ab parfait \u00bb valable toujours.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">L&rsquo;\u00e9talonnage correct d\u00e9pend<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>du canal de vente (GMS vs industrie)<\/li>\n\n\n\n<li>de la tol\u00e9rance contractuelle<\/li>\n\n\n\n<li>du co\u00fbt du rebut vs co\u00fbt de la r\u00e9clamation<\/li>\n<\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">Une r\u00e8gle pratique : au d\u00e9marrage, on part plus \u00ab conservateur \u00bb (moins de FA), puis on optimise pour r\u00e9duire le FR sans augmenter les r\u00e9clamations, en utilisant des donn\u00e9es r\u00e9elles de retour.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Contr\u00f4le de d\u00e9rive : quand la machine \u00ab change d&rsquo;avis \u00bb sans vous le dire<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Au fil du temps changent<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>les conditions de surface (plus d&rsquo;humidit\u00e9, plus de poussi\u00e8re)<\/li>\n\n\n\n<li>l&rsquo;\u00e9clairage (salet\u00e9 sur vitres\/optiques)<\/li>\n\n\n\n<li>les vibrations\/le positionnement<\/li>\n\n\n\n<li>le mix produit<\/li>\n<\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">Pour cela, des routines simples sont n\u00e9cessaires<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>nettoyage programm\u00e9 des optiques et de la zone de vision<\/li>\n\n\n\n<li>v\u00e9rification quotidienne avec des \u00e9chantillons de r\u00e9f\u00e9rence<\/li>\n\n\n\n<li>rapport de rebut par d\u00e9faut\/canal (pour d\u00e9tecter la d\u00e9rive)<\/li>\n<\/ul>\n\n\n\n<figure class=\"wp-block-image size-large\"><img fetchpriority=\"high\" decoding=\"async\" width=\"1024\" height=\"576\" src=\"https:\/\/bulltec.it\/wp-content\/uploads\/2026\/06\/c_chiusura_web-1024x576.jpg\" alt=\"Vista dall'alto di una linea di selezione e classificazione finocchi con vasche di lavaggio e cassette di raccolta\" class=\"wp-image-4476\" srcset=\"https:\/\/bulltec.it\/wp-content\/uploads\/2026\/06\/c_chiusura_web-1024x576.jpg 1024w, https:\/\/bulltec.it\/wp-content\/uploads\/2026\/06\/c_chiusura_web-300x169.jpg 300w, https:\/\/bulltec.it\/wp-content\/uploads\/2026\/06\/c_chiusura_web-768x432.jpg 768w, https:\/\/bulltec.it\/wp-content\/uploads\/2026\/06\/c_chiusura_web-1536x864.jpg 1536w, https:\/\/bulltec.it\/wp-content\/uploads\/2026\/06\/c_chiusura_web.jpg 1920w\" sizes=\"(max-width: 1024px) 100vw, 1024px\" \/><\/figure>\n\n\n\n<h2 class=\"wp-block-heading\">Limites op\u00e9rationnelles et modes de d\u00e9faillance : ce qui peut mal se passer (et comment l&rsquo;\u00e9viter)<\/h2>\n\n\n\n<h3 class=\"wp-block-heading\">Pr\u00e9sentation du produit : individualisation et orientation<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Si les pi\u00e8ces : se touchent, tournent de mani\u00e8re impr\u00e9visible, \u00ab sautent \u00bb sur le tapis, la vision perd en coh\u00e9rence. Il vaut souvent mieux investir dans : des syst\u00e8mes d&rsquo;alimentation r\u00e9guliers, l&rsquo;espacement, une vitesse et des acc\u00e9l\u00e9rations contr\u00f4l\u00e9es, avant m\u00eame des \u00ab algorithmes plus puissants \u00bb.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Surfaces mouill\u00e9es, brillantes ou sales<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">L&rsquo;eau et les reflets peuvent<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>masquer les d\u00e9fauts<\/li>\n\n\n\n<li>cr\u00e9er des faux positifs (reflet confondu avec une tache)<\/li>\n\n\n\n<li>r\u00e9duire le contraste<\/li>\n<\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">Solutions typiques<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>gestion du s\u00e9chage<\/li>\n\n\n\n<li>\u00e9crans<\/li>\n\n\n\n<li>\u00e9clairage adapt\u00e9<\/li>\n\n\n\n<li>maintenance et recettes d\u00e9di\u00e9es \u00ab mouill\u00e9\/sec \u00bb<\/li>\n<\/ul>\n\n\n\n<h3 class=\"wp-block-heading\">Changements rapides de produit et roulements de travail<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Lorsque le changement de lot est fr\u00e9quent, le risque est que l&rsquo;op\u00e9rateur<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>oublie de changer de recette<\/li>\n\n\n\n<li>modifie les seuils \u00ab \u00e0 la vol\u00e9e \u00bb sans les tracer<\/li>\n\n\n\n<li>perde le contr\u00f4le du compromis FR\/FA<\/li>\n<\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">Ici comptent l&rsquo;ergonomie du logiciel et la discipline op\u00e9rationnelle (journal des modifications, profils utilisateur, proc\u00e9dures).<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">B\u00e9n\u00e9fices : r\u00e9duction des rebuts, standardisation qualit\u00e9, tra\u00e7age des causes (avec KPI)<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">La promesse de la vision artificielle n&rsquo;est pas \u00ab z\u00e9ro d\u00e9faut \u00bb : c&rsquo;est le contr\u00f4le. Les b\u00e9n\u00e9fices les plus solides sont mesurables.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">1) Standardisation de la qualit\u00e9 (et moins de r\u00e9clamations)<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Lorsque la s\u00e9lection qualit\u00e9 est coh\u00e9rente<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>les lots sont plus uniformes<\/li>\n\n\n\n<li>les non-conformit\u00e9s diminuent<\/li>\n\n\n\n<li>le service commercial parvient \u00e0 mieux respecter les cahiers des charges et les classes<\/li>\n<\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">En pratique, la qualit\u00e9 devient reproductible m\u00eame quand l&rsquo;\u00e9quipe change ou que le volume augmente.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">2) Meilleur rendement commercial (moins de rebut \u00ab par peur \u00bb)<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Dans de nombreuses lignes manuelles, on rejette en exc\u00e8s pour \u00e9viter les contestations.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Avec des crit\u00e8res mesurables, vous pouvez<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>r\u00e9duire les rebuts \u00ab d\u00e9fensifs \u00bb<\/li>\n\n\n\n<li>cr\u00e9er des classes interm\u00e9diaires vendables (deuxi\u00e8me choix)<\/li>\n\n\n\n<li>orienter automatiquement vers diff\u00e9rents canaux (frais vs industrie)<\/li>\n<\/ul>\n\n\n\n<h3 class=\"wp-block-heading\">3) Donn\u00e9es sur les causes : du \u00ab je pense que \u00bb au Pareto des d\u00e9fauts<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Si le syst\u00e8me enregistre combien d&rsquo;unit\u00e9s sont rejet\u00e9es pour chaque d\u00e9faut (tache, blessure, couleur non conforme), vous obtenez un Pareto qui sert \u00e0<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>am\u00e9liorer la r\u00e9colte et la manutention<\/li>\n\n\n\n<li>corriger le lavage\/brossage<\/li>\n\n\n\n<li>r\u00e9duire les dommages m\u00e9caniques en ligne<\/li>\n\n\n\n<li>mieux n\u00e9gocier avec les fournisseurs (donn\u00e9es en main)<\/li>\n<\/ul>\n\n\n\n<h3 class=\"wp-block-heading\">4) KPI li\u00e9s : TRS et giveaway<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">La s\u00e9lection qualit\u00e9 impacte aussi<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>le TRS (moins d&rsquo;arr\u00eats pour contestations et retraitements)<\/li>\n\n\n\n<li>le giveaway si elle est int\u00e9gr\u00e9e \u00e0 la pes\u00e9e et aux logiques de conditionnement \u00e0 poids minimum (th\u00e8me souvent li\u00e9 aux syst\u00e8mes de pes\u00e9e combin\u00e9e)<\/li>\n<\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">Pour une vision de bout en bout du business case (priorit\u00e9s, ROI, goulots d&rsquo;\u00e9tranglement), reportez-vous au guide complet de l&rsquo;automatisation post-r\u00e9colte pour fruits et l\u00e9gumes.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Comment \u00e9valuer une solution : mini-checklist pour choisir (ou faire un r\u00e9trofit)<\/h2>\n\n\n\n<h3 class=\"wp-block-heading\">Questions techniques (\u00e0 poser avant la d\u00e9monstration)<\/h3>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Quel est le d\u00e9bit requis (pi\u00e8ces\/heure) et avec quels pics saisonniers ?<\/li>\n\n\n\n<li>Combien de classes\/canaux sont vraiment n\u00e9cessaires aujourd&rsquo;hui et dans 2 ans ?<\/li>\n\n\n\n<li>Comment se fait le changement de recette (manuel\/automatique) ?<\/li>\n\n\n\n<li>Est-il trac\u00e9 ?<\/li>\n\n\n\n<li>Existe-t-il des rapports sur FR\/FA, rebut par cause et historique des r\u00e9glages ?<\/li>\n\n\n\n<li>\u00c0 quel point le nettoyage est-il simple (optiques, protections, zones d&rsquo;accumulation) ?<\/li>\n<\/ul>\n\n\n\n<h3 class=\"wp-block-heading\">Questions d&rsquo;int\u00e9gration de ligne<\/h3>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Est-elle compatible avec la pes\u00e9e et le conditionnement existants ?<\/li>\n\n\n\n<li>Faut-il des tampons\/accumulations pour stabiliser le flux ?<\/li>\n\n\n\n<li>Comment sont g\u00e9r\u00e9s les changements de format et le mix produit ?<\/li>\n<\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">Si vous voulez \u00e9viter que la vision devienne le nouveau goulot d&rsquo;\u00e9tranglement, la partie agencement et synchronisation est d\u00e9cisive : Concevoir une ligne post-r\u00e9colte sans goulots d&rsquo;\u00e9tranglement.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Int\u00e9gration avec la tra\u00e7abilit\u00e9 : de la s\u00e9lection qualit\u00e9 au lot (et \u00e0 la palette)<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">La s\u00e9lection qualit\u00e9 cr\u00e9e une donn\u00e9e pr\u00e9cieuse : ce que vous avez rejet\u00e9, quand et pourquoi. Si elle reste dans la machine, elle a peu de valeur. Si elle est li\u00e9e : au lot entrant, \u00e0 la recette appliqu\u00e9e, aux emballages produits, aux poids et unit\u00e9s logistiques, elle devient un outil de contr\u00f4le de gestion et d&rsquo;audit.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Exemples de r\u00e9sultats utiles<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>rendement par lot et par classe<\/li>\n\n\n\n<li>principales causes de rebut par fournisseur\/parcelle<\/li>\n\n\n\n<li>preuves en cas de contestations<\/li>\n\n\n\n<li>r\u00e9conciliation production-exp\u00e9ditions<\/li>\n<\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">Pour concevoir ce niveau (code-barres\/QR, impression-application, MES\/WMS, rapports), voir Tra\u00e7abilit\u00e9 et donn\u00e9es en post-r\u00e9colte : lots, \u00e9tiquettes, MES\/WMS et rapports.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">FAQ<\/h2>\n\n\n\n<h3 class=\"wp-block-heading\">Quelles phases de la post-r\u00e9colte b\u00e9n\u00e9ficient le plus de l&rsquo;automatisation ?<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Les phases qui b\u00e9n\u00e9ficient le plus de l&rsquo;automatisation sont celles \u00e0 forte intensit\u00e9 de main-d&rsquo;\u0153uvre et \u00e0 forte variabilit\u00e9 : alimentation et manutention, calibrage\/s\u00e9lection, conditionnement au poids, \u00e9tiquetage et fin de ligne. En pratique, l&rsquo;automatisation cr\u00e9e de la valeur lorsqu&rsquo;elle r\u00e9duit les erreurs r\u00e9p\u00e9titives (mauvaise classification, poids non conforme), lorsqu&rsquo;elle stabilise le d\u00e9bit et lorsqu&rsquo;elle rend disponibles les donn\u00e9es de production. Une carte compl\u00e8te des phases et des priorit\u00e9s d&rsquo;investissement est d\u00e9crite dans le guide complet de l&rsquo;automatisation post-r\u00e9colte pour fruits et l\u00e9gumes.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Comment savoir si mon goulot d&rsquo;\u00e9tranglement se trouve dans la s\u00e9lection qualit\u00e9 ou ailleurs ?<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">La fa\u00e7on la plus fiable est de mesurer les temps d&rsquo;arr\u00eat, les micro-arr\u00eats et la saturation des stations, en les reliant au d\u00e9bit effectif et \u00e0 la variabilit\u00e9 du mix produit. Souvent, la s\u00e9lection semble lente, mais la cause r\u00e9elle est en amont (alimentation irr\u00e9guli\u00e8re) ou en aval (conditionnement non synchronis\u00e9). Une analyse de l&rsquo;agencement, des tampons et de l&rsquo;\u00e9quilibrage de ligne aide \u00e0 \u00e9viter des investissements \u00ab au mauvais endroit \u00bb : voir Concevoir une ligne post-r\u00e9colte sans goulots d&rsquo;\u00e9tranglement.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">La vision artificielle remplace-t-elle enti\u00e8rement le contr\u00f4le qualit\u00e9 humain ?<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">La vision artificielle ne remplace pas \u00ab la qualit\u00e9 \u00bb mais en automatise la partie r\u00e9p\u00e9titive et mesurable, laissant aux personnes la t\u00e2che \u00e0 plus forte valeur : d\u00e9finir les crit\u00e8res, g\u00e9rer les exceptions, contr\u00f4ler la d\u00e9rive et am\u00e9liorer le processus. Dans de nombreuses installations, le contr\u00f4le humain reste utile comme audit par \u00e9chantillonnage et comme support lors des changements de saison\/vari\u00e9t\u00e9, quand les conditions changent et que les recettes doivent \u00eatre r\u00e9-optimis\u00e9es.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Quels KPI devrais-je suivre pour \u00e9valuer le succ\u00e8s de la s\u00e9lection optique ?<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Les KPI les plus utiles sont ceux qui relient qualit\u00e9 et marge : pourcentage de rebut total et par cause, rendement par classe commerciale, r\u00e9clamations\/contestations, faux rebuts (estim\u00e9s par \u00e9chantillonnage), productivit\u00e9 horaire et impact sur le TRS. Si la ligne inclut un conditionnement \u00e0 poids minimum, le giveaway (exc\u00e9dent de poids) est \u00e9galement important car il impacte directement le co\u00fbt du produit vendu. L&rsquo;objectif n&rsquo;est pas \u00ab moins de rebut \u00bb, mais \u00ab le juste rebut \u00bb selon le canal et les standards.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Comment la s\u00e9lection qualit\u00e9 se relie-t-elle \u00e0 la tra\u00e7abilit\u00e9 et aux rapports pour audit ?<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Elle se relie en enregistrant les \u00e9v\u00e9nements de production (lot, recette, classification, rebuts, poids) et en les rendant disponibles aux syst\u00e8mes de gestion (MES\/WMS\/ERP) ou aux rapports de ligne. Ainsi, vous pouvez remonter non seulement \u00e0 \u00ab quel lot a fini dans quelle palette \u00bb, mais aussi \u00e0 \u00ab quels d\u00e9fauts \u00e9taient pr\u00e9dominants \u00bb et \u00ab quels param\u00e8tres \u00e9taient actifs \u00bb, am\u00e9liorant \u00e0 la fois la gestion des r\u00e9clamations et l&rsquo;am\u00e9lioration continue. Une mise en place pratique du mod\u00e8le de donn\u00e9es et des technologies est expliqu\u00e9e dans Tra\u00e7abilit\u00e9 et donn\u00e9es en post-r\u00e9colte : lots, \u00e9tiquettes, MES\/WMS et rapports.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">La vision artificielle pour la s\u00e9lection qualit\u00e9 en fruits et l\u00e9gumes fonctionne-t-elle sur tous les produits ?<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">La vision artificielle en fruits et l\u00e9gumes pour la s\u00e9lection qualit\u00e9 fonctionne tr\u00e8s bien sur les d\u00e9fauts externes et les crit\u00e8res g\u00e9om\u00e9triques\/chromatiques, mais elle n&rsquo;est pas universelle : les produits tr\u00e8s brillants, tr\u00e8s sales ou avec des d\u00e9fauts principalement internes n\u00e9cessitent des attentes et des configurations diff\u00e9rentes. En g\u00e9n\u00e9ral, plus vous parvenez \u00e0 stabiliser la pr\u00e9sentation, la propret\u00e9 et l&rsquo;\u00e9clairage, plus les performances deviennent reproductibles. C&rsquo;est pourquoi le choix ne porte pas seulement sur \u00ab quelle cam\u00e9ra \u00bb, mais sur \u00ab quelle architecture de ligne \u00bb et quelles proc\u00e9dures op\u00e9rationnelles.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Comment r\u00e9duire les faux rebuts sans augmenter les r\u00e9clamations ?<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">On les r\u00e9duit en travaillant sur trois niveaux : (1) am\u00e9liorer la pr\u00e9sentation du produit et la qualit\u00e9 de l&rsquo;image (individualisation, vitesse stable, optiques propres), (2) utiliser des recettes diff\u00e9renci\u00e9es par vari\u00e9t\u00e9\/lot et r\u00e9\u00e9talonner avec des \u00e9chantillons de r\u00e9f\u00e9rence, (3) mesurer dans le temps l&rsquo;\u00e9quilibre entre faux rebuts et faux accept\u00e9s par \u00e9chantillonnage et retours de r\u00e9clamations. La meilleure approche est it\u00e9rative : on part conservateur et on optimise avec des donn\u00e9es r\u00e9elles, en \u00e9vitant les r\u00e9glages \u00ab au feeling \u00bb.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Quel est le b\u00e9n\u00e9fice le plus sous-estim\u00e9 de la s\u00e9lection qualit\u00e9 par vision artificielle ?<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Le b\u00e9n\u00e9fice le plus sous-estim\u00e9 est la transformation des d\u00e9fauts en information op\u00e9rationnelle : savoir pr\u00e9cis\u00e9ment ce que vous rejetez (et quand) permet d&rsquo;intervenir sur la r\u00e9colte, le transport, le lavage et la manutention interne. Cela r\u00e9duit les dommages m\u00e9caniques, am\u00e9liore le rendement et cr\u00e9e des bases objectives pour comparer les lots, les fournisseurs et les p\u00e9riodes de l&rsquo;ann\u00e9e. En d&rsquo;autres termes, la vision n&rsquo;est pas seulement un s\u00e9lecteur : c&rsquo;est un capteur de processus qui permet l&rsquo;am\u00e9lioration continue.<\/p>\n","protected":false},"excerpt":{"rendered":"<p>La vision artificielle pour la s\u00e9lection qualit\u00e9 en fruits et l\u00e9gumes n&rsquo;est pas une \u00ab cam\u00e9ra intelligente \u00bb install\u00e9e en bord de ligne : c&rsquo;est un syst\u00e8me qui transforme un jugement souvent subjectif (le contr\u00f4le qualit\u00e9 manuel) en mesures reproductibles et en donn\u00e9es exploitables pour la production, les achats et la logistique. En post-r\u00e9colte, o\u00f9 [&hellip;]<\/p>\n","protected":false},"author":3,"featured_media":4477,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_seopress_titles_title":"","_seopress_titles_desc":"","_seopress_robots_index":"","_seopress_robots_follow":"","_seopress_robots_imageindex":"","_seopress_robots_snippet":"","_seopress_robots_primary_cat":"","_seopress_robots_breadcrumbs":"","_seopress_robots_freeze_modified_date":"","_seopress_robots_custom_modified_date":"","_seopress_robots_canonical":"","_seopress_social_fb_title":"","_seopress_social_fb_desc":"","_seopress_social_fb_img":"","_seopress_social_fb_img_attachment_id":0,"_seopress_social_fb_img_width":0,"_seopress_social_fb_img_height":0,"_seopress_social_twitter_title":"","_seopress_social_twitter_desc":"","_seopress_social_twitter_img":"","_seopress_social_twitter_img_attachment_id":0,"_seopress_social_twitter_img_width":0,"_seopress_social_twitter_img_height":0,"_seopress_redirections_value":"","_seopress_redirections_enabled":"","_seopress_redirections_enabled_regex":"","_seopress_redirections_logged_status":"","_seopress_redirections_param":"","_seopress_redirections_type":0,"_seopress_analysis_target_kw":"","footnotes":""},"categories":[41],"tags":[],"class_list":["post-4478","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-analyses"],"_links":{"self":[{"href":"https:\/\/bulltec.it\/fr\/wp-json\/wp\/v2\/posts\/4478","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/bulltec.it\/fr\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/bulltec.it\/fr\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/bulltec.it\/fr\/wp-json\/wp\/v2\/users\/3"}],"replies":[{"embeddable":true,"href":"https:\/\/bulltec.it\/fr\/wp-json\/wp\/v2\/comments?post=4478"}],"version-history":[{"count":1,"href":"https:\/\/bulltec.it\/fr\/wp-json\/wp\/v2\/posts\/4478\/revisions"}],"predecessor-version":[{"id":4479,"href":"https:\/\/bulltec.it\/fr\/wp-json\/wp\/v2\/posts\/4478\/revisions\/4479"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/bulltec.it\/fr\/wp-json\/wp\/v2\/media\/4477"}],"wp:attachment":[{"href":"https:\/\/bulltec.it\/fr\/wp-json\/wp\/v2\/media?parent=4478"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/bulltec.it\/fr\/wp-json\/wp\/v2\/categories?post=4478"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/bulltec.it\/fr\/wp-json\/wp\/v2\/tags?post=4478"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}