« L’objectif est d’entraîner un modèle sur la définition de la qualité propre à chaque client »

Aujourd’hui dirigée par Théo Dabin, qui a rejoint l’entreprise familiale en 2024 pour en assurer la reprise, la société travaille à l’intégration progressive de l’intelligence artificielle dans ses équipements industriels.

Son premier terrain d’application concerne une problématique très concrète : l’inspection de barres de bois de six mètres, jusqu’ici réalisée manuellement par des opérateurs chargés d’identifier les défauts, le cintrage ou les zones de non-qualité. MTI a développé une solution de vision automatisée, qui permet de photographier les quatre faces de la pièce et de transférer l’analyse sur écran. La prochaine étape, soutenue dans le cadre de France 2030, consiste à entraîner un modèle d’IA à partir des annotations, afin d’automatiser progressivement la détection des défauts et l’optimisation du débit matière.

Pour Théo Dabin, l’enjeu dépasse la seule automatisation : il s’agit de capitaliser sur l’expertise métier des industriels, d’adapter les modèles à leur propre définition de la qualité et de réduire les pertes de matière première. Une approche pragmatique de l’IA, pensée comme un outil de compétitivité industrielle autant que comme un levier de performance et de sobriété.

Techniques de l’Ingénieur : MTI est une entreprise familiale spécialisée dans les machines industrielles. Pouvez-vous rappeler son histoire et son positionnement ?

Théo Dabin : MTI est une société familiale fondée par mon père en 1992. Je suis arrivé en 2024 pour assurer la reprise de l’entreprise. Historiquement, l’activité a commencé par la maintenance industrielle. Aujourd’hui, nous avons deux sociétés : MTI Maintenance, qui correspond à cette activité historique, et MTI Engineering, qui conçoit et fabrique des machines pour l’industrie.

MTI Engineering compte aujourd’hui 45 salariés. Nous travaillons beaucoup pour les acteurs de la menuiserie, dans le bois, l’aluminium ou le PVC. Nous sommes implantés dans le Grand Ouest, un territoire où il existe un tissu industriel important dans ces métiers. Depuis longtemps, nous accompagnons ces industriels dans leurs projets de développement et d’industrialisation.

Dans quel contexte votre projet d’intelligence artificielle est-il né ?

Le projet est né à partir d’un besoin très concret d’un client menuisier. Sur certaines lignes de production, les opérateurs manipulent des barres de bois de six mètres. Aujourd’hui, un salarié doit les observer manuellement, les tourner, regarder les quatre faces, repérer les défauts ou le cintrage, puis marquer à la craie les zones à couper pour éviter que ces défauts ne se retrouvent sur le produit final.

La première problématique du client était donc liée à l’ergonomie et à la pénibilité du poste. Notre première réponse n’a pas été directement de mettre de l’IA, mais d’automatiser la visualisation. Nous avons développé un système avec des caméras qui se déplacent le long de la barre et produisent des images des quatre faces. L’opérateur n’a plus à manipuler la pièce de la même manière : il peut analyser les vues depuis un écran.

Concrètement, quelles données sont collectées pour préparer l’usage de l’IA ?

Nous travaillons sur de la photo. Le système produit quatre images, correspondant aux quatre faces de la barre. Nous ne sommes pas sur un scanner qui irait voir à l’intérieur du bois : nous reproduisons ce que l’opérateur fait aujourd’hui visuellement, à partir de l’état de surface périphérique de la pièce.

La première étape consiste à traiter correctement ces images. Il faut délimiter automatiquement la partie réellement exploitable de la barre, car la pièce n’est pas toujours parfaitement régulière. Il peut y avoir des décalages, des couches, des extrémités qui ne sont pas utilisables. Nous travaillons donc d’abord sur des algorithmes capables de nettoyer l’image, d’éliminer certaines pollutions lumineuses et de ne garder que l’information utile.

Quel sera le rôle du machine learning dans ce dispositif ?

Le projet France 2030 porte précisément sur cette étape. Dans un premier temps, il faut annoter les images. Il s’agit d’indiquer ce qui est considéré comme un défaut, ce qui relève d’une non‑qualité, mais aussi ce qui correspond à une belle qualité de bois pouvant être conservée telle quelle, par exemple pour une finition où l’état de surface reste apparent.

Ces annotations sont très importantes, parce qu’elles constituent la matière première du futur modèle. L’objectif est d’entraîner une IA à reconnaître automatiquement la définition de la qualité propre à ce client. Nous ne voulons pas imposer notre définition du défaut ou de la qualité. Ce qui nous intéresse, c’est le respect de l’expertise métier du client final.

À terme, le modèle devra permettre d’automatiser la détection, puis d’optimiser les débits de bois en fonction des défauts repérés et des usages possibles de la matière.

Pourquoi cette personnalisation est-elle si importante ?

Parce que la qualité ne se définit pas de la même manière d’un client à l’autre. Deux menuisiers qui travaillent la même essence de bois peuvent avoir des exigences différentes selon leur gamme, leur produit final, leur positionnement ou leur manière d’utiliser la matière.

Un défaut pour un client ne sera pas nécessairement un défaut pour un autre. Le modèle entraîné pour un industriel ne sera donc pas réutilisable tel quel chez un autre, même si les métiers sont proches. Il y aura sans doute des similitudes, mais nous devons être capables d’adapter la solution à la définition de la qualité de chaque client.

C’est l’un des intérêts de l’IA : permettre une industrialisation sur mesure, fondée sur l’expérience terrain.

Où en êtes-vous aujourd’hui dans le développement du projet ?

Une première étape est en cours de livraison chez le client. Elle concerne la visualisation, la détection de certains éléments comme le cintrage et l’annotation.

Pour le moment, nous cherchons à enregistrer le maximum de données exploitables. Il est encore trop tôt pour dire combien d’images ou combien de barres seront nécessaires pour entraîner un modèle réellement pertinent. C’est justement l’un des apprentissages du projet. Avant d’entraîner l’IA, il faut s’assurer que la donnée est de bonne qualité.

À plus long terme, l’objectif est d’entrer dans une logique d’amélioration continue : continuer à collecter des données, enrichir les annotations et améliorer progressivement le modèle.

Quel impact cette automatisation peut-elle avoir sur les opérateurs ?

Le premier objectif est de réduire la pénibilité et d’apporter une assistance au poste. Aujourd’hui, l’opérateur réalise une tâche physique et répétitive, tout en mobilisant une expertise importante. Avec le système de vision, il conserve un rôle central dans l’annotation et la qualification.

Son expertise restera importante, notamment pour vérifier que l’IA continue à faire correctement son travail dans le temps. L’enjeu n’est donc pas seulement de remplacer un geste manuel, mais de capitaliser sur une compétence métier pour la transférer progressivement dans un système industriel.

Au-delà du bois, quelles perspectives voyez-vous pour ce type de solution ?

La première application concerne la menuiserie bois, mais le potentiel est plus large. Nous avons déjà identifié de l’intérêt dans la menuiserie aluminium, par exemple pour détecter des défauts de laquage, des défauts de perçage, des défauts de fabrication ou des problèmes de positionnement dans le process.

Nous travaillons d’abord sur l’état de surface, pas sur l’analyse interne de la matière. Mais cette approche peut déjà répondre à de nombreux besoins industriels. Dans le bois, l’enjeu n’est pas seulement de détecter les défauts : il s’agit aussi d’optimiser l’utilisation de la matière première. Le bois est une ressource qu’il faut économiser. Si l’on détecte mieux les défauts, on peut mieux décider où couper et comment utiliser au maximum la matière disponible.

Cette dimension rejoint aussi les enjeux RSE. Réduire les rebuts, mieux valoriser la matière et fiabiliser la production sont des objectifs importants pour nos clients.

Ce projet représente-t-il aussi un enjeu de compétitivité pour MTI ?

Oui, clairement. En France, il reste peu d’acteurs positionnés sur ce type de machines spéciales, et beaucoup de machinistes rencontrent des difficultés. Dans le même temps, nous faisons face à des industries italiennes et allemandes très fortes, et nous restons vigilants vis-à-vis de la concurrence chinoise.

Pour MTI, l’innovation est donc indispensable. Nous faisons partie des 100 ambassadeurs de la French Fab, et nous essayons de maîtriser un maximum de compétences en interne : conception, fabrication, soudure, automatismes, logiciel. L’objectif est de proposer des solutions dédiées et personnalisées aux besoins industriels de nos clients.

L’IA s’inscrit dans cette stratégie : elle doit nous permettre d’apporter des machines plus intelligentes, plus adaptées et capables de répondre à des problématiques très concrètes de production.

Propos recueillis par Pierre Thouverez