70 % des industriels collectent encore les données à la main
L'IA lit les affichages des vieux équipements à partir d'une photo
Une enquête du Manufacturing Leadership Council auprès du NAM révèle que 70 % des industriels collectent encore les données manuellement. Pas parce qu'ils n'ont pas de stratégie de transformation numérique. Mais parce que les équipements sur le terrain — le compteur de production vissé sur une presse des années 90, l'affichage de température d'un four pré-IdO, le panneau à sept segments d'un convoyeur ancien — ont été construits avant que les ports réseau ne soient la norme. Remplacer l'équipement coûte six chiffres et arrête la production. Ajouter des capteurs implique du câblage, de la programmation d'automates et des problèmes de protocole. Cet article présente la troisième option : photographier l'affichage et laisser l'IA lire le nombre directement sur l'image.
Points clés
- 70 % des fabricants collectent encore les données de production à la main sur les écrans des équipements en service, alors que 44 % d'entre eux ont déjà besoin de deux fois plus de données qu'il y a deux ans.
- Le compteur de production brille déjà sur un panneau LED en fonctionnement — la seule chose qui l'empêche d'arriver dans votre tableur est un intervalle de 60 cm comblé par une personne avec un bloc-notes, une tâche qu'un machiniste a décrite sans détour comme « toujours vouée à l'échec ».
- Photographiez ce même écran et laissez ImageToTable.ai lire le chiffre — une tâche de lecture et de retranscription de 30 secondes par machine passe à une photo de 2 secondes, et chaque ligne extraite arrive avec son image source comme piste d'audit.
70 % manuel. Pas par choix.
L'enquête du Manufacturing Leadership Council n'a pas interrogé sur les préférences, mais sur les pratiques : comment les données de production passent-elles réellement de la machine au système ? Pour 70 % des répondants, la réponse est « une personne les lit et les saisit ». Ce chiffre n'est pas dû à un rejet de la technologie — 44 % des mêmes répondants indiquent que le volume de données dans leur organisation a au moins doublé en deux ans. L'appétit pour les données grandit. La méthode de collecte, elle, reste bloquée.
Pourquoi ce blocage ? Parce que les équipements qui génèrent les données n'ont pas été conçus pour la connectivité. Un jeune ingénieur en fabrication sur Reddit décrit le point de départ sans détour : « Notre ligne de production n'a pratiquement aucune collecte de données. Je cherche à commencer simplement. » Sa ligne n'était pas cassée. Elle datait simplement d'avant l'ère des machines équipées de ports Ethernet. C'est l'état par défaut de dizaines de milliers de lignes de production dans le monde : des équipements fonctionnels, zéro sortie numérique.
70 % des fabricants collectent les données manuellement. 67 % citent le vieillissement des équipements comme leur principal défi futur. 44 % ont vu leur volume de données doubler en deux ans. L'écart entre « besoin de plus de données » et « mêmes méthodes manuelles » se creuse chaque trimestre.
Pour une vue d'ensemble sur la façon dont l'IA lit tout type de compteur ou jauge — eau, gaz, électricité et industriel — à partir d'une photo, consultez notre guide complet de la lecture de compteurs par IA sans compteurs intelligents.
Mais il y a déjà un affichage qui indique le nombre
C'est le détail qui passe inaperçu dans les discussions sur la transformation numérique. La plupart des équipements anciens ont déjà un affichage numérique. Le compteur de production sur une presse à emboutir indique le nombre de cycles sur un panneau LED. Le régulateur de température d'un four de polymérisation affiche la consigne actuelle. Le totalisateur de débit d'un système de dosage chimique montre le volume accumulé sur un afficheur LCD à sept segments. Les chiffres existent. Ils sont visibles. Ils sont précis. Ils ne sont simplement connectés à rien.
Un ingénieur de fabrication mettant en place de nouvelles lignes de production manuelles a demandé sur le forum comment les autres usines suivent leur production. Les réponses allaient de « tableau blanc et marqueur » à « relevés manuels de l'opérateur sur un bloc-notes » en passant par « quelqu'un qui fait le tour de l'atelier toutes les heures avec un carnet ». Un machiniste suivant l'usure des plaquettes et le nombre de pièces était plus direct : « La plupart des tentatives pour faire compter les opérateurs à chaque fois qu'ils changent une plaquette après 'x' pièces échouent toujours et nos données sont faussées. » La méthode de collecte de données n'est pas seulement lente — elle est peu fiable. Les opérateurs oublient. Les comptes dérivent. Les chiffres qui arrivent dans le tableur sont une approximation de bonne volonté, pas une mesure.
| Équipement | Type d'affichage | Ce qu'il indique | Méthode de collecte actuelle |
|---|---|---|---|
| Presse à emboutir | Compteur de production LED | Nombre de cycles / pièces produites | L'opérateur note sur un tableau blanc chaque équipe |
| Four de polymérisation | Régulateur de température numérique | Consigne et température réelle | Relevé horaire avec un bloc-notes |
| Dosage chimique | Totaliseur de débit à 7 segments | Volume total dosé | Saisie manuelle en fin de lot |
| Machine CNC | Compteur de durée de vie d'outil LCD | Pièces par plaquette / outil | Comptage opérateur — « toujours défaillant » (Reddit) |
| Système de convoyage | Affichage numérique de vitesse | Vitesse de ligne (unités/min) | Rarement enregistré sauf en cas de problème |
| Ligne de conditionnement | Compteur de lots numérique | Unités emballées par équipe | Le superviseur collecte au changement d'équipe |
Dans chaque cas, l'affichage est directement sur la machine — fonctionnel, lisible, indiquant exactement le nombre dont l'usine a besoin. Le problème n'est pas l'accès aux données. C'est l'étape entre « la machine affiche un nombre » et « le nombre est dans le système de production ». Cette étape est actuellement une personne.
Pourquoi le rétrofit IoT n'est pas la première solution
La solution standard à ce problème implique des capteurs, des passerelles périphériques, de la programmation d'automates et une conversion de protocole — généralement un pont OPC-UA ou MQTT vers un historien de données ou un MES. Cela fonctionne. C'est la solution permanente. C'est aussi coûteux, lent et étonnamment sujet aux pannes : 58 % des échecs de projets IoT sont attribués à des problèmes au niveau des appareils, et le marché de l'IIoT, bien qu'il croisse de 8,1 % par an pour atteindre 286,3 milliards de dollars d'ici 2029, reflète une réalité où des déploiements soigneusement planifiés mettent des trimestres ou des années à se concrétiser.
Pour l'ingénieur de production qui cherche à obtenir des données de base d'une ligne qui n'a jamais été instrumentée, la voie IoT exige un budget d'investissement, une sélection de fournisseurs, des délais d'approvisionnement, un arrêt pour installation et un engagement de maintenance continue — avant qu'un seul point de données n'atteigne le tableau de bord. C'est la bonne solution pour une ligne qui fonctionnera encore dix ans. C'est la mauvaise première étape pour prouver que la collecte de données en vaut la peine.
Les recherches de McKinsey sur la numérisation des usines confirment le potentiel : jusqu'à 20 % de réduction des coûts de qualité et jusqu'à 40 % de réduction des coûts de maintenance. Mais ces retours supposent que le projet de numérisation est terminé. Les 70 % d'usines qui collectent encore les données manuellement n'ont pas commencé, et l'écart entre « pas de données » et « instrumentation IoT complète » est assez large pour que beaucoup ne le franchissent jamais.
La question pratique n'est pas « devrions-nous installer l'IoT ? » La question pratique est « pouvons-nous obtenir des données de production dans un tableur cette semaine, à partir des équipements que nous avons déjà, sans arrêter la ligne ni dépenser de budget d'investissement ? » Pour la plupart des usines encore dans les 70 %, la réponse à cette question importe plus que la feuille de route IIoT sur cinq ans.
Comment l'IA lit un affichage numérique à partir d'une photo
Le mécanisme est le même que l'approche d'extraction des noms de colonnes utilisée pour les jauges analogiques, les compteurs de services publics et les données d'inspection terrain. Il fonctionne sur les affichages numériques car l'IA n'a pas besoin de comprendre la technologie d'affichage — elle doit simplement comprendre que ce qu'elle voit est un nombre.
Un compteur LED à sept segments affichant « 8472 » est trivial pour un grand modèle de vision. Les chiffres sont standardisés, à fort contraste et sans ambiguïté. Un vieux panneau LCD aux segments légèrement délavés est plus difficile mais généralement acceptable. L'IA lit l'affichage comme le ferait une personne — en reconnaissant les formes des chiffres — mais sans la baisse d'attention qui rend les relevés manuels peu fiables sur un quart de travail de huit heures.
En pratique, le flux de travail est le suivant : l'opérateur photographie l'affichage → télécharge via le Lien de collecte (sans connexion) → saisit les noms de colonnes comme « ID machine, Compteur de cycles, Horodatage » → l'IA extrait les valeurs → le résultat est une ligne Excel par photo. Le même traitement par lot de F1-F3 s'applique : photographiez 30 affichages pendant un quart de travail, téléchargez-les ensemble, recevez 30 lignes remplies. Lire le flux de travail complet des données terrain →
Ce qui change : l'opérateur photographie le compteur de production au lieu de noter le nombre. L'action « lire et écrire » de 30 secondes devient une photo de 2 secondes. Le décompte manuel de fin de quart — « toujours erroné », selon le machiniste de Reddit — est remplacé par un fichier Excel où chaque ligne est appuyée par une photo horodatée.
Démo en direct : Photographiez un affichage, obtenez la lecture
Téléchargez une photo contenant un affichage numérique lisible — un compteur, un panneau de température, un affichage à sept segments — pour voir l'extraction en action.
Les fichiers sont traités de manière sécurisée et non conservés.
Quand photographier, quand instrumenter
Le choix entre la lecture par photo via IA et l'instrumentation IoT complète n'est pas philosophique. Il dépend de la fréquence, de la criticité et du calendrier :
| Si vous avez besoin... | Lecture IA par photo | Instrumentation IoT |
|---|---|---|
| Données cette semaine | Oui — démarrez aujourd'hui, sans matériel | Non — approvisionnement, installation, tests prennent des mois |
| Relevés par quart ou quotidiens | Idéal — l'opérateur photographie lors des tournées existantes | Disproportionné pour cette fréquence |
| Données en temps réel seconde par seconde | Non — nécessite un capteur en continu | Oui — la solution permanente |
| Preuve de concept avant demande de budget | Idéal — démontrez la valeur sans investissement | Mauvais point de départ |
| Données de 30 modèles de machines différents | Fonctionne — une IA, n'importe quel affichage | 30 projets d'intégration distincts |
| Déclencheurs d'alarme critiques pour la sécurité | Non — données par lots, pas d'alertes en temps réel | Oui — conçu pour cela |
Les deux approches ne sont pas concurrentes. Elles sont séquentielles. La lecture IA par photo permet d'obtenir des données dès cette semaine et prouve la valeur d'une surveillance instrumentée — préparant le terrain pour la modernisation IoT qui suit. Les usines encore dans les 70 % ont besoin de la première étape avant de pouvoir justifier la seconde. Le même mécanisme d'IA gère les jauges analogiques lors des tournées →
Questions fréquentes
Fonctionne-t-il sur les afficheurs délavés ou endommagés ?
Un délavage modéré est géré — l'IA reconnaît les formes des chiffres même avec un contraste réduit. Les segments morts (ex : un segment d'afficheur 7 segments grillé et toujours éteint) peuvent provoquer des erreurs de lecture, tout comme ils perturbent un lecteur humain. Les écrans LCD très dégradés avec rémanence ou fuite de lumière peuvent donner des relevés peu fiables. Le test pratique : si une personne peut lire le nombre sur la photo sans hésitation, l'IA le peut généralement aussi.
Et pour les afficheurs qui font défiler plusieurs valeurs sur différents écrans ?
Une seule photo capture ce qui est affiché à l'instant de la prise de vue. Cela fonctionne bien pour les afficheurs statiques et les écrans à lecture unique. Pour les équipements qui font défiler plusieurs écrans de paramètres (ex : « temp → pression → vitesse → temp »), il faut une photo par écran à capturer, synchronisée avec le cycle d'affichage. L'IA extrait le nombre présent sur chaque photo — l'opérateur doit simplement savoir quel écran il a photographié.
Une seule personne peut-elle photographier des dizaines de machines en une seule tournée ?
Oui. Une tournée qui nécessitait auparavant de s'arrêter à chaque machine pour lire l'afficheur et noter le nombre devient une tournée où l'opérateur photographie chaque afficheur et passe à la suivante. Le lot est téléchargé à la fin de la tournée via un lien de collecte. Tous les relevés alimentent un seul fichier Excel. Le gain de temps est proportionnel au nombre de machines : 30 machines à 30 secondes chacune (lire + écrire + vérifier) représentent 15 minutes de saisie par tournée. Photographier 30 machines prend environ 60 secondes.
Quelle est la précision selon les différents types d'afficheurs ?
Les afficheurs LED et à sept segments atteignent une précision quasi parfaite en conditions normales — la forme des chiffres est standardisée et très contrastée. Les écrans LCD rétroéclairés sont tout aussi fiables. Les anciens LCD réfléchissants (sans rétroéclairage, courants sur les équipements des années 1990) dépendent de l'éclairage ambiant lors de la photo — un cliché bien éclairé donne des relevés précis. Les afficheurs à matrice de points (à caractères, non graphiques) fonctionnent bien pour le contenu numérique mais peuvent peiner avec les formats mixtes texte-chiffres.
Les données sont-elles traçables jusqu'à la photo source ?
Oui. Chaque ligne extraite correspond à une photo téléchargée. Dans les environnements de production où la traçabilité est cruciale, la photo sert à la fois de source de données et de preuve d'audit. Si un relevé semble suspect, l'image originale est disponible pour vérification. C'est une capacité que les relevés manuels ne peuvent offrir — une fois que l'opérateur note « 8472 » sur le bloc-notes, personne ne peut vérifier si l'afficheur montrait bien 8472 ou 8427.