La Vision par Ordinateur, également connue sous le terme anglais Computer Vision, est un domaine scientifique interdisciplinaire qui a pour objectif de permettre aux ordinateurs et aux systèmes technologiques d’acquérir, de traiter, d’analyser, de comprendre et d’interpréter des informations visuelles issues du monde réel. En d’autres termes, elle cherche à reproduire et à automatiser les capacités de la vision humaine. Pour ce faire, elle s’appuie sur des images numériques ou des séquences vidéo afin d’en extraire des données significatives et des informations de haute dimension, qui peuvent ensuite être utilisées pour prendre des décisions, déclencher des actions ou assister des opérateurs humains. Ce champ combine des aspects de l’informatique, de l’intelligence artificielle, du traitement du signal, de la physique (optique), des mathématiques (géométrie, statistiques, algèbre linéaire) et de l’ingénierie.
Les concepts fondamentaux et les principes essentiels de la Vision par Ordinateur englobent une chaîne de traitement complexe. Tout commence par l’acquisition d’images, qui implique l’utilisation de capteurs tels que des caméras numériques, des scanners ou des dispositifs d’imagerie spécialisés pour capturer la lumière et la convertir en données numériques. Vient ensuite le prétraitement des images, une étape cruciale visant à améliorer la qualité des données visuelles brutes, par exemple en réduisant le bruit, en ajustant le contraste ou en corrigeant les distorsions géométriques. La segmentation d’images est une autre tâche fondamentale, consistant à partitionner une image en plusieurs régions ou objets significatifs, séparant par exemple les objets d’intérêt de l’arrière-plan. L’extraction de caractéristiques (feature extraction) permet d’identifier et de quantifier des attributs pertinents de l’image, tels que les contours, les coins, les textures ou des points d’intérêt plus complexes décrits par des descripteurs (par exemple, SIFT, SURF, ORB). Ces caractéristiques servent de base à la reconnaissance d’objets ou de motifs, où des algorithmes, souvent issus de l’apprentissage automatique et plus récemment de l’apprentissage profond (deep learning), sont entraînés à classifier et identifier les objets détectés. L’analyse de mouvement et le suivi d’objets (tracking) s’intéressent à la compréhension des dynamiques dans les séquences vidéo, en estimant le flux optique ou en suivant la trajectoire d’éléments spécifiques au fil du temps. Enfin, des techniques plus avancées comme la reconstruction tridimensionnelle (3D) visent à inférer la structure spatiale d’une scène à partir d’une ou plusieurs images bidimensionnelles (par exemple, par stéréovision ou structure à partir du mouvement), tandis que la compréhension de scène cherche à interpréter les relations sémantiques entre les différents objets et le contexte global de l’image.
L’importance de la Vision par Ordinateur dans le monde contemporain est considérable et en croissance constante. Sa pertinence se manifeste par sa capacité à automatiser des tâches qui nécessitaient auparavant une perception visuelle humaine, ouvrant la voie à une efficacité accrue, à une réduction des coûts et à la réalisation de tâches impossibles ou dangereuses pour l’homme. Son impact est transversal et touche de nombreux secteurs. Dans l’industrie, elle révolutionne le contrôle qualité et la maintenance prédictive. En médecine, elle assiste les diagnostics grâce à l’analyse d’images médicales et guide les chirurgiens. Dans le domaine de la sécurité, elle permet une surveillance plus intelligente et des systèmes d’identification biométrique. Les transports bénéficient grandement de ses avancées, notamment avec le développement des véhicules autonomes et des systèmes avancés d’aide à la conduite (ADAS). Elle transforme également le commerce de détail, l’agriculture, le divertissement et la robotique. Au-delà des applications techniques, la Vision par Ordinateur soulève de nouvelles formes d’interaction homme-machine, comme la réalité augmentée et la réalité virtuelle, et a un impact économique significatif en créant de nouveaux marchés et services, tout en soulevant des questions sociétales et éthiques importantes.
Les applications pratiques de la Vision par Ordinateur sont multiples et illustrent son omniprésence croissante. Dans le secteur manufacturier, des systèmes de vision inspectent les produits sur les chaînes de montage pour détecter les défauts avec une rapidité et une précision souvent supérieures à l’œil humain. Par exemple, une usine d’embouteillage peut utiliser la vision par ordinateur pour vérifier le niveau de remplissage des bouteilles ou l’intégrité des étiquettes. En santé, des algorithmes analysent des radiographies, des IRM ou des lames de pathologie pour aider à la détection précoce de maladies comme le cancer ; des systèmes de vision guident également des robots chirurgicaux avec une grande précision. Les systèmes de vidéosurveillance intelligents dans les lieux publics ou les entreprises utilisent la reconnaissance faciale pour identifier des individus ou détectent des comportements suspects, comme un bagage abandonné. Les voitures autonomes s’appuient massivement sur la vision par ordinateur pour percevoir leur environnement : détection des voies de circulation, des autres véhicules, des piétons, des cyclistes et des panneaux de signalisation. Dans le commerce, Amazon Go est un exemple de magasin sans caisse où la vision par ordinateur, combinée à d’autres capteurs, suit les articles pris par les clients. Les agriculteurs utilisent des drones équipés de caméras pour surveiller la santé des cultures et optimiser l’utilisation des ressources (agriculture de précision). Les filtres en temps réel sur les applications de réseaux sociaux, qui modifient les visages ou ajoutent des éléments virtuels, sont une application ludique courante. Enfin, en robotique, la vision permet aux robots de naviguer dans des environnements inconnus, de saisir et de manipuler des objets de manière autonome.
Il existe certaines nuances et interprétations du terme « Vision par Ordinateur ». Il est souvent confondu avec le « Traitement d’Images » (Image Processing). Bien que liés, le traitement d’images se concentre davantage sur la manipulation et l’amélioration des images au niveau des pixels (par exemple, changer la luminosité, appliquer un filtre), tandis que la Vision par Ordinateur vise une compréhension de plus haut niveau du contenu de l’image, cherchant à en extraire une signification. La photogrammétrie, qui se concentre sur l’obtention de mesures précises à partir de photographies, est une discipline connexe mais plus spécialisée. Une distinction importante concerne les approches méthodologiques : les approches « classiques » de la vision par ordinateur reposent sur des algorithmes d’extraction de caractéristiques conçus manuellement, tandis que les approches basées sur l’apprentissage profond (en particulier les réseaux de neurones convolutifs ou CNN) apprennent automatiquement ces caractéristiques à partir de grandes quantités de données. On distingue aussi la vision 2D, qui analyse des images planes, de la vision 3D, qui s’intéresse à la reconstruction et à l’analyse de scènes tridimensionnelles. La vision active implique un système qui peut contrôler activement sa caméra (par exemple, en la déplaçant ou en ajustant ses paramètres) pour mieux percevoir, par opposition à la vision passive qui analyse des images préexistantes.
Pour une compréhension holistique, il est utile de connaître les concepts étroitement liés à la Vision par Ordinateur. L’Intelligence Artificielle (IA) est le domaine plus large auquel appartient la Vision par Ordinateur, cette dernière étant une forme d’IA sensorielle. L’Apprentissage Automatique (Machine Learning) et, plus spécifiquement, l’Apprentissage Profond (Deep Learning) fournissent les outils et techniques algorithmiques essentiels pour de nombreuses tâches de vision modernes, notamment la reconnaissance et la classification. La Reconnaissance de Formes (Pattern Recognition) est un champ qui se chevauche considérablement, s’intéressant à la détection et à l’identification de régularités dans les données. L’Infographie (Computer Graphics) est parfois considérée comme l’inverse de la Vision par Ordinateur : alors que la vision analyse des images pour comprendre le monde, l’infographie génère des images à partir de modèles du monde. La Robotique intègre fréquemment la vision par ordinateur comme un sens clé pour la perception et la navigation. Des termes comme « Vision Artificielle » ou « Vision Numérique » peuvent être considérés comme des synonymes partiels ou contextuels. Il n’existe pas d’antonyme direct, mais on pourrait le contraster avec l’incapacité d’un système à traiter l’information visuelle ou avec des processus de décision basés uniquement sur des données non visuelles.
L’histoire de la Vision par Ordinateur remonte aux années 1960. Un des premiers jalons fut le projet « Summer Vision » initié par Seymour Papert au MIT en 1966, qui visait à résoudre le problème de la vision en un été, une ambition qui s’est avérée largement sous-estimée. Les premières recherches se sont concentrées sur la détection de contours simples, la segmentation d’images et la reconnaissance d’objets dans des environnements très contraints, comme les « blocs-mondes ». Dans les années 1970 et 1980, les travaux de David Marr ont eu une influence considérable, proposant une approche computationnelle de la vision comprenant plusieurs étapes de représentation, du « primal sketch » à la représentation 2.5D puis au modèle 3D. Les décennies suivantes, des années 1990 aux années 2000, ont vu le développement d’algorithmes plus robustes pour l’extraction de caractéristiques, tels que SIFT (Scale-Invariant Feature Transform) et HOG (Histogram of Oriented Gradients), et des progrès dans la reconnaissance d’objets et la stéréovision. Une révolution majeure s’est produite à partir des années 2010 avec l’avènement de l’apprentissage profond. Le succès spectaculaire d’AlexNet au concours ImageNet en 2012 a démontré la supériorité des réseaux de neurones convolutifs (CNN) pour les tâches de classification d’images à grande échelle, et a depuis propulsé des avancées rapides dans presque tous les aspects de la Vision par Ordinateur, permettant d’aborder des tâches de plus en plus complexes comme la compréhension détaillée de scènes, la génération d’images et la description automatique d’images en langage naturel.
La Vision par Ordinateur présente de nombreux avantages, mais aussi des inconvénients, des défis et des limitations. Parmi les avantages, on compte l’automatisation de tâches visuelles répétitives ou dangereuses, la capacité à opérer en continu sans fatigue, une précision qui peut surpasser les capacités humaines dans certains contextes spécifiques, et la possibilité d’analyser des volumes massifs de données visuelles. C’est souvent une technologie non invasive pour l’inspection ou la surveillance. Cependant, les systèmes de Vision par Ordinateur peuvent être coûteux à développer, à déployer et à maintenir. Les approches basées sur l’apprentissage profond nécessitent souvent de très grandes quantités de données d’entraînement annotées, ce qui peut être long et onéreux à acquérir. Les défis techniques persistent : assurer la robustesse des systèmes face aux variations d’éclairage, aux occlusions partielles, aux changements de point de vue et à la diversité des apparences des objets reste complexe. L’interprétation sémantique profonde d’une scène, allant au-delà de la simple identification d’objets pour comprendre les intentions, les causalités ou le contexte social, demeure une frontière de recherche. Les modèles, en particulier ceux issus du deep learning, peuvent se comporter comme des « boîtes noires », rendant leurs décisions difficiles à expliquer. Ils sont également vulnérables aux attaques adversariales, où des modifications subtiles et imperceptibles à l’œil humain peuvent tromper le système. Enfin, des limitations éthiques et sociétales majeures se posent, notamment concernant la surveillance de masse et la protection de la vie privée, les biais algorithmiques hérités des données d’entraînement qui peuvent conduire à des discriminations, et le potentiel d’utilisation malveillante, comme la création de « deepfakes » (hypertrucages). Ces aspects nécessitent une réflexion continue et un encadrement approprié.