100+ entreprises ont confié leur transformation IA à JUWA

Vision par ordinateur

Vos images deviennent une donnée fiable, à la cadence de votre ligne

Détection de défauts, comptage, lecture de codes et d'étiquettes, analyse de flux vidéo. On entraîne les modèles sur vos images à vous, on les déploie là où ça se joue, en atelier ou dans le cloud, et on les surveille quand vos conditions changent.

  • Modèles entraînés sur vos pièces, vos défauts et votre éclairage, pas sur un jeu de données public
  • Inférence en local sur la ligne quand la cadence l'exige, sans dépendre du réseau de l'usine
  • Taux de faux négatifs arbitré avec vos qualiticiens avant le développement, pas découvert en recette
Échanger avec un expert30 minutes, sans engagement

Parlez-nous de votre projet

Réponse en moins d'une heure ouvrée

ou
Planifier un échange

En envoyant ce formulaire, vous acceptez que JUWA traite vos données pour répondre à votre demande, conformément à notre politique de confidentialité. Ce formulaire est protégé par Cloudflare Turnstile afin de prévenir les envois automatisés ; ce service ne dépose aucun cookie et ne sert pas à vous suivre.

100+ entreprises ont confié leur transformation IA à JUWA

  • La Tournée
  • Heineken
  • BlaBlaCar
  • Zénior
  • Bulldozer
  • DataBird
  • Hellosafe
  • Praline
  • Upgradelle
  • LiveBlocks
  • FullEnrich
  • Ajilink
  • Abeille Assurance
Impact mesuré

Ce que la vision change sur une ligne, une fois qu'elle tourne

Équipe JUWA en session de travail

Une approche terrain, centrée sur l'impact mesurable. Nous auditons vos processus avant de transformer.

100 %

des pièces contrôlées

Le contrôle par échantillonnage laisse passer ce qui n'a pas été tiré au sort. Une caméra regarde chaque pièce, avec le même critère à 6 h et à 22 h.

< 200 ms

par décision

L'inférence tourne sur la machine, au rythme du convoyeur. Pas d'aller-retour vers un cloud qui ajoute de la latence et dépend du réseau de l'atelier.

−70 %

d'images à annoter

En détection d'anomalies, le modèle apprend sur des pièces conformes. Vous n'avez pas à constituer une collection de défauts rares avant de démarrer.

Partenariats & agréments

AnthropicPartenaire AnthropicNos assistants et agents s'appuient sur les modèles Claude.
République françaiseAgréé CIINos prestations ouvrent droit au Crédit d'Impôt Innovation pour les PME éligibles.
BpifranceRéférencé BpifranceDiag Data & IA : 10 jours d'accompagnement cofinancés.
Hébergement souverainImages et flux vidéo traités en UE ou directement sur vos machines.

Comprendre vos enjeux

Le contrôle visuel repose sur des yeux humains, et ça se voit.

Un opérateur expérimenté repère un défaut en une demi-seconde. Au bout de six heures de poste, il en laisse passer. Deux opérateurs ne classent pas la même pièce de la même façon, et personne dans l'atelier ne sait dire de combien.

Technicien mesurant une pièce mécanique au pied à coulisse numérique en atelier

Un projet de vision se joue rarement sur le modèle. Il se joue sur l'éclairage, la position de la caméra et la répétabilité de la prise de vue. C'est là que la plupart des projets échouent, donc c'est par là qu'on commence.

Contrôle par échantillonnage

Une pièce sur cinquante est vérifiée. Les quarante-neuf autres partent au client.

Critères variables d'un opérateur à l'autre

Le même défaut est accepté le matin et refusé l'après-midi.

Détection trop tardive

Le défaut remonte trois postes plus loin, quand la pièce a déjà de la valeur ajoutée.

Vidéo et cadre légal

Filmer un atelier où travaillent des salariés ne se décide pas sans le CSE ni le DPO.

Échanger avec un expert
Notre approche

Les briques de vision qu'on maîtrise, et la façon dont on les assemble

Contrôle qualité & détection de défauts

Ce qui se voit, et ce qui ne se voit qu'à la loupe

Détection & suivi d'objets

Compter, suivre, déclencher

Lecture d'images & OCR terrain

Les caractères que les scanners refusent

Vision embarquée & edge

Le calcul là où la pièce défile

Analyse de flux vidéo

Des heures de vidéo, quelques événements utiles

Modèles multimodaux

L'image lue comme un document

Comment on procède

De la prise de vue à une décision sur la ligne

L'étape qui compte le plus est la première. Une image mal éclairée ne se rattrape pas avec un meilleur modèle. On commence donc par le banc d'acquisition, chez vous, avec vos pièces.

  1. 1

    Acquisition

    Choix du capteur et du montage sur votre poste, jusqu'à obtenir une image répétable.

    caméra · optique · éclairage
  2. 2

    Jeu d'images

    On collecte sur site et on fige avec vos qualiticiens ce qui est bon et ce qui ne l'est pas.

    collecte · annotation · critères
  3. 3

    Entraînement

    Le type de modèle dépend de ce que vous avez : des défauts documentés, ou seulement des bonnes pièces.

    supervision · anomalie · augmentation
  4. 4

    Déploiement

    Inférence sur la machine ou au bord du réseau, résultat renvoyé à l'automate ou à votre MES.

    edge · GPU · automate
  5. 5

    Surveillance & dérive

    Nouveau fournisseur, éclairage modifié, nouvelle référence : le modèle est réévalué avant de dériver.

    faux négatifs · nouvelles références

Architecture

Les images restent sur votre site, les décisions partent dans vos systèmes

Les flux arrivent de vos caméras et de vos appareils terrain. Ce qui en ressort est une décision ou une donnée structurée, envoyée à votre automate, votre MES ou votre ERP. Les images brutes, elles, n'ont aucune raison de quitter votre réseau.

Vos sources

Caméras & capteursGigE, USB3, caméras IP
Photos terrain & mobilessmartphones, tablettes durcies
Archives images & vidéoNVR, stockage interne

Votre couche vision

Inférence en edge sur la ligne, ou en UE pour les traitements par lot

Vos usages

Automates & supervisionAPI, MES, SCADA
Qualité & traçabilitéERP, GED, dossier de lot
Pilotage & alertestableaux de bord, notifications
Cas clients

Des projets IA livrés, chiffres à l'appui

RAG & OCRIndustrie
-55 %temps de recherche SAV

Assistant IA documentaire pour une PME industrielle

Voir le cas
IA BTPAutomatisation
-70 %de temps par note de débours

Automatisation IA des débours et DPGF : PME du BTP

Voir le cas
Agents IASaaS B2B
×10productivité, verbatim du fondateur

Superhote, 4 agents IA livrés en 12 jours sur AWS Bedrock

Voir le cas
Voir tous nos cas clients

Simulateur de gains

Combien d'heures vos équipes passent-elles à contrôler des pièces à l'œil ?

Trois curseurs, trente secondes. Le calcul reprend un facteur mesuré chez nos clients : plus de la moitié du temps passé sur les tâches répétitives de contrôle et de ressaisie récupéré une fois l'IA branchée sur votre SI.

  • Facteur calibré sur des projets réellement livrés, pas une promesse marketing
  • Estimation immédiate, affichée à l'écran
  • Un ingénieur IA vous rappelle pour confronter l'estimation à votre terrain

Je pars d'un profil

Personnes concernées par ce cas d'usagepers.
Heures/semaine passées au contrôle visuel et à la reprise des défautsh
Coût horaire chargé€
435 hperdues
−55%
240 hrécupérées
/ mois

240h

/ mois

/ mois

/ an

Hypothèse : le contrôle automatisé récupère plus de la moitié du temps consacré à l'inspection visuelle et à la saisie des relevés qualité (facteur mesuré en production). Base 47 semaines / an.

Méthode JUWA

Du diagnostic à la production, avec un seul interlocuteur

Vous gardez la main à chaque jalon : comité Go/No-Go, livrable utilisable, transparence totale sur les choix techniques. Aucune boîte noire, aucune dérive de périmètre.

05 phases~ 8-12 semaines1 référent du diagnostic au go-live

  1. Atelier de cartographie des processus au tableau01
    01

    On qualifie le besoin avant d'écrire la moindre ligne

    Diagnostic & faisabilité

    On vient sur site, on regarde les pièces, la cadence et l'éclairage existant, et on prend nous-mêmes quelques centaines d'images. Il arrive qu'on conclue qu'un capteur à 200 euros suffit. On vous le dit franchement.

    Durée1 à 2 semainesÉquipeUn expert de notre équipe IA + un ingénieur vision

    Ce que vous recevez

    • Analyse du poste et des conditions de prise de vue
    • Évaluation de faisabilité sur images réelles
    • Périmètre et métriques de succès
  2. Atelier de cadrage avec les décideurs02
    02

    Vous validez le périmètre, ensuite on construit

    Cadrage & architecture

    Choix du matériel d'acquisition, de la cible de déploiement et du protocole d'évaluation. On arbitre avec vos qualiticiens le coût relatif d'un faux négatif et d'un faux positif. Comité Go/No-Go formel avant le build.

    Durée1 semaineÉquipeUn interlocuteur référent + un architecte IA

    Ce que vous recevez

    • Architecture cible et spécification du banc
    • Protocole d'évaluation et seuils acceptés
    • Business case chiffré
  3. Ingénieur en train de développer la solution03
    03

    Sprints courts, une démo chaque semaine

    Build & itérations

    Sprints hebdomadaires avec démo à votre sponsor. Chaque version passe le jeu de test constitué au cadrage, sur des images que le modèle n'a jamais vues.

    Durée4 à 6 semainesÉquipeUn référent + un ou deux ingénieurs IA

    Ce que vous recevez

    • Prototype exécutable à chaque fin de sprint
    • Pipeline d'inférence de bout en bout
    • Code source livré sur votre dépôt Git
  4. Infrastructure serveur pour la mise en production04
    04

    Ce qui sépare une démo d'un poste en production

    Industrialisation

    Intégration à l'automate, tenue du temps de cycle, comportement en cas de coupure réseau, rétention des images, maîtrise des coûts. Un ingénieur JUWA extérieur au projet passe l'architecture au crible.

    Durée2 à 3 semainesÉquipeUn ingénieur DevOps + un référent technique

    Ce que vous recevez

    • Déploiement en pré-production sur la ligne
    • Monitoring qualité, latence et dérive
    • Runbook incident et documentation conformité
  5. Équipe en phase d'adoption et de suivi05
    05

    On reste là, bien après la mise en production

    Go-live & TMA 12 mois

    On forme vos opérateurs et votre service qualité à lire les résultats et à signaler les cas douteux. Ce retour alimente le réentraînement. Vous gardez la main : le code est sur votre dépôt.

    DuréeGo-live + TMA 12 moisÉquipeUn référent JUWA + une équipe support N2

    Ce que vous recevez

    • Plan de formation opérateurs et qualité
    • Comité de pilotage et suivi des indicateurs
    • Support N2, réentraînement et évolutions inclus
  6. La suite vous appartient

    On démarre par 30 minutes pour cadrer votre cas concret.

    Une visio sans engagement. Vous repartez avec un retour qualifié sur la faisabilité, l'ordre de grandeur ROI et les prochaines étapes, même si vous décidez de ne pas avancer avec nous.

    Échanger avec un expert
    6 sem.
    MVP en production
    100+
    PME et ETI accompagnées
    45 %
    Coûts opérationnels en moins
    4,9/5
    Satisfaction Trustpilot
Pourquoi ce modèle

Vision JUWA, solution sur étagère, ou intégrateur de machine spéciale

Trois façons d'automatiser un contrôle visuel. Une solution sur étagère se branche vite tant que vos pièces ressemblent à celles prévues par l'éditeur. Un intégrateur de machine spéciale maîtrise la mécanique et l'optique, beaucoup moins les modèles. On fait les deux.

Adaptation à vos pièces

JUWA · vision sur mesureModèles entraînés sur vos références, vos défauts et votre éclairage
Solution de vision sur étagèreBon sur les cas prévus par l'éditeur, en échec au-delà
Intégrateur machine spécialeRègles déterministes, sensibles à la moindre variation

Souveraineté des images

JUWA · vision sur mesureTraitées sur vos machines ou en UE, rétention paramétrée avec vous
Solution de vision sur étagèreImages souvent renvoyées vers le cloud de l'éditeur
Intégrateur machine spécialeReste sur site, mais sans traçabilité des décisions

Intégration au SI et à l'automate

JUWA · vision sur mesureConnecté à votre MES, votre ERP et votre supervision
Solution de vision sur étagèreConnecteurs standards, personnalisation limitée
Intégrateur machine spécialeBonne maîtrise de l'automate, peu du reste du SI

Tenue dans la durée

JUWA · vision sur mesureSuivi de dérive, réentraînement et TMA 12 mois par nos ingénieurs
Solution de vision sur étagèreVous subissez la feuille de route de l'éditeur
Intégrateur machine spécialeMaintenance mécanique assurée, pas l'évolution des modèles

Un défaut qui passe encore trop souvent ?

On regarde ensemble ce qui relève vraiment de la vision par ordinateur, et ce qu'un capteur bien placé règlerait pour beaucoup moins cher.

Échanger avec un expert
Stack technologique

Des technologies éprouvées, de la caméra jusqu'à votre ERP

Bibliothèques de vision, modèles de détection et de segmentation, modèles vision-langage pour les cas très variables, exécution en edge sur GPU embarqué. On assemble les bonnes briques et on les raccorde à votre SI. Vos images restent souveraines.

  • AWS — Cloud
  • React — Langages
  • PostgreSQL — Bases de données
  • Mistral AI — LLMs & IA
  • PyTorch — Data & ML
  • Python — Langages
  • OpenCV — Data & ML
  • OpenAI — LLMs & IA
  • Claude — LLMs & IA
  • Docker — Cloud
  • Next.js — Langages
  • TypeScript — Langages
  • Pandas — Data & ML
  • NVIDIA — Data & ML
  • Microsoft Azure — Cloud
  • Google Cloud — Cloud
  • Node.js — Langages
  • n8n — Automatisation
  • scikit-learn — Data & ML
  • FastAPI — Langages
  • Kubernetes — Cloud

Diagnostic gratuit · Lecture par un expert IA · Sans engagement

Note Trustpilot 4,7 sur 5
Ils témoignent

Ce qu'en disent les équipes

Responsable qualité
“Ils ont passé deux jours à régler l'éclairage avant de parler de modèle. Sur le coup ça nous a surpris. C'est ce qui a fait la différence avec l'essai précédent.”

Responsable qualité

Direction qualité, PME industrielle, 220 salariés

FAQ

Questions fréquentes

Ça dépend de l'approche. En classification supervisée, quelques centaines d'exemples par type de défaut suffisent souvent, à condition qu'ils soient représentatifs. En détection d'anomalies, on apprend sur des pièces conformes uniquement : deux à trois cents images propres permettent déjà de démarrer. C'est l'approche qu'on privilégie quand vos défauts sont rares, ce qui est le cas le plus fréquent sur une ligne bien réglée.
Non, c'est plutôt la norme. Une ligne à 0,5 % de rebut produit deux cents bonnes pièces pour un défaut, et un modèle supervisé entraîné naïvement là-dessus apprend à tout déclarer conforme. On traite ce déséquilibre par la détection d'anomalies, l'augmentation de données et parfois la génération synthétique de défauts. Le vrai sujet est ailleurs : combien vous coûte un défaut qui part chez le client.
Souvent oui, et ça coûte moins cher que ce que les gens imaginent. Une caméra de vidéosurveillance filme pour l'œil humain, pas pour un modèle : compression agressive, mise au point automatique, exposition variable. Pour du contrôle fin, il faut un capteur adapté, une optique choisie et surtout un éclairage maîtrisé. On spécifie le matériel pendant le diagnostic et vous l'achetez directement, sans marge de notre côté.
Sur site dès que la cadence ou la confidentialité l'imposent. Un contrôle à la pièce sur convoyeur tourne sur un GPU embarqué posé à côté de la machine : la décision tombe en quelques dizaines de millisecondes et rien ne dépend du réseau. Pour de l'analyse par lot ou des volumes irréguliers, un traitement en UE coûte moins cher à exploiter. Le choix se fait au cadrage, sur des critères de latence et de coût, pas par principe.
Les performances baissent, parfois sans que personne ne s'en aperçoive. Un changement de fournisseur de matière, des néons remplacés par des LED, une nouvelle référence : ce sont les causes de dérive les plus courantes. On instrumente donc le modèle dès la mise en production, avec un suivi des scores et un échantillon revu périodiquement par vos qualiticiens. Le réentraînement fait partie de la TMA.
Il y a un cadre à respecter et il se traite. Information des salariés, consultation du CSE, base légale documentée, durée de conservation limitée, accès restreints. On évite la surveillance individuelle, on floute ou on anonymise à la source quand des personnes apparaissent, et on n'utilise jamais de reconnaissance biométrique. L'AI Act ajoute des obligations sur certains usages, notamment la reconnaissance d'émotions au travail, qui est interdite. On cadre ça avec votre DPO dès la première phase.
Un premier livrable utile sort en général en 4 à 8 semaines, selon la complexité et le nombre d'intégrations. On avance en sprints courts, avec des jalons hebdomadaires. Côté budget, on cadre d'abord le périmètre, le matériel d'acquisition et les gains attendus, puis on chiffre un projet aligné sur ce qui vous crée de la valeur. Vous gardez la main, jalon après jalon.
Un cabinet de conseil cadre puis sous-traite la livraison ; une ESN exécute mais rarement avec le cadrage stratégique. Nous faisons les deux, avec le même interlocuteur senior du diagnostic à la production. Pas de cascade de sous-traitance, pas de profils juniors facturés au prix fort. Et on reste après le go-live, avec la TMA.
Planifier un rendez-vous
Heineken
BlaBlaCar
DataBird
HelloSafe

Un contrôle visuel que vous aimeriez ne plus faire à la main ?

Échanger avec un expert

Nos expertises

Explorez nos autres savoir-faire IA

Le même cabinet de conseil et agence IA, décliné par compétence. Chaque savoir-faire se combine aux autres dans vos projets.

Toutes nos expertises