Eprouvée en imagerie médicale, l'intelligence artificielle (IA) permet aussi, au travers de la segmentation intelligente, de combiner vitesse et efficacité dans l'analyse de la structure interne des matériaux plastiques. Une approche que Zeiss intègre désormais dans le logiciel de pilotage de ses microscopes.

Dans le domaine des dispositifs médicaux, garantir la qualité d’un matériau plastique ne repose pas uniquement sur sa conformité apparente. Encore faut-il pouvoir analyser, avec fiabilité, sa microstructure. C’est là qu’intervient un concept clé : la segmentation d’image. En microscopie industrielle, segmenter consiste à identifier et délimiter automatiquement les différentes zones d’intérêt d’un échantillon à partir d’images numériques : grains, inclusions, porosités, fibres, couches ou défauts. Plus les matériaux sont hétérogènes ou les images bruitées, plus la segmentation devient complexe et cruciale dans les étapes du contrôle qualité.

Difficile d'explorer la structure interne des matériaux

C’est particulièrement vrai dans la plasturgie médicale. Les matériaux polymères utilisés (PEEK, polyéthylène, UHMWP, etc.) doivent répondre à des exigences strictes en matière de biocompatibilité, résistance et stabilité. Pourtant, leur structure interne, souvent irrégulière ou sensible à l’environnement, rend leur analyse difficile par des approches classiques.

Jusqu’ici, la microscopie optique permet d’observer visuellement la surface ou la coupe d’un composant plastique. Ces observations, réalisées au microscope ou au MEB (microscopie électronique à balayage), dépendent toutefois de l’interprétation de l’opérateur et sont difficiles à reproduire. Un problème que résout l’intégration de l’intelligence artificielle (IA) dans les logiciels d’analyse d’image.

Détection et classement automatique des motifs complexes

Segmentation et mesure automatique d'épaisseur de couche sur une image au MEB, avec le module Intellisis du logiciel ZEN Core (crédit photo : Zeiss).

L’IA regroupe des techniques qui permettent d’imiter certaines fonctions cognitives humaines. Elle inclut:

• l'apprentissage automatique (ML pour machine learning), qui vise à donner aux machines la capacité d'apprendre à partir des données,
• et un sous-ensemble, l'apprentissage profond (DL pour deep learning), basé sur des réseaux de neurones, plus performant pour traiter des images complexes.

Le DL est particulièrement adapté à l’analyse fine des matériaux hétérogènes ou bruités. Les algorithmes apprennent à détecter automatiquement des motifs complexes dans les images et à les classer sans intervention manuelle. Résultat : une analyse plus rapide, plus fiable et surtout reproductible.

Zeiss, spécialiste de la métrologie optique, a intégré l'approche de traitement par IA dans sa suite logicielle ZEN Core. Le module Intellesis permet une segmentation intelligente par ML, tandis qu’Arivis Cloud propose un traitement DL adapté aux structures les plus complexes.

Ce type d’outils peut, par exemple, mesurer automatiquement l’épaisseur et la porosité des revêtements d’implants orthopédiques, identifier des contaminations particulaires sur des cathéters, ou encore classifier des défauts dans des pièces moulées.

A toutes les étapes de la production

Combinée aux microscopes, cette nouvelle approche pilotée par l’IA s’applique à toutes les étapes de la production : contrôle matière première, inspection post-injection, vérification d’assemblage ou encore analyse de propreté. L’approche est conforme aux normes GxP, traçable et intégrée dans des workflows numériques cohérents.

Dans un secteur aussi réglementé et compétitif que celui du DM, l’IA ne se contente pas d’accélérer l’analyse. Elle renforce la robustesse des décisions qualité et donne aux fabricants une maîtrise inédite de leurs procédés.

www.zeiss.fr