Détection de bruits anormaux : des oreilles humaines à l’IA

Avec la croissance rapide des produits audio grand public tels que les casques, les haut-parleurs et les appareils portables, les attentes des utilisateurs en matière de « bon son » vont désormais bien au‑delà du simple fait de pouvoir entendre clairement. Ils souhaitent désormais un son confortable, propre et exempt de tout bruit parasite supplémentaire de froissement, de clic ou de grattement.

Cependant, dans la plupart des usines, les tests de bruits anormaux reposent encore largement sur l'écoute humaine. Les horaires de travail, les différences subjectives entre opérateurs, la fatigue et l'état émotionnel influencent directement votre taux de rendement et la réputation de votre marque.

Dans cet article, basé sur l'expérience de CRYSOUND sur un projet réel d'inspection d'écoute par IA pour des écouteurs TWS, nous allons expliquer comment utiliser l'IA pour « libérer les oreilles humaines » de la ligne de production et rendre les tests d'écoute vraiment stables, efficaces et reproductibles.

Pourquoi les tests d'écoute audio sont-ils aussi gourmands en main-d'œuvre ?

Dans les configurations traditionnelles, la ligne de production suit généralement le schéma suivant :

test électroacoustique automatique + réinspection d'écoute manuelle.

Les points faibles de l'écoute manuelle sont très clairs :

• Forte subjectivité : différents auditeurs ont des sensibilités différentes aux bruits tels que les « bruits de froissement » ou de « grattement ». Même une même personne peut porter des jugements incohérents entre les équipes du matin et celles de nuit.
• Faible évolutivité : l'écoute humaine exige une forte concentration, et il est facile de se fatiguer sur de longues périodes. Il est difficile de supporter un UPH élevé en production de masse.
• Coût de formation élevé : un auditeur qualifié a besoin d'une formation systématique et d'une longue accumulation d'expérience, et les nouveaux opérateurs ont besoin de temps pour atteindre la pleine efficacité.
• Résultats difficiles à tracer : les jugements subjectifs sont difficiles à transformer en données quantitatives et en historiques, ce qui complique l'analyse et l'amélioration ultérieures de la qualité.

C'est pourquoi le secteur cherche depuis longtemps un moyen d'utiliser l'automatisation et les algorithmes pour effectuer ce travail de façon plus stable et plus économique—sans sacrifier la sensibilité de « l'oreille humaine ».

Des « oreilles humaines » aux « oreilles IA » : l'approche globale de CRYSOUND

La réponse de CRYSOUND est une plateforme de test standardisée construite autour du système CRYSOUND de test de bruits anormaux, combinée à des algorithmes d'écoute par IA et à des gabarits dédiés pour former une solution complète et intégrée matériel‑logiciel.

Caractéristiques clés de la solution :

• Plateforme standardisée et polyvalente : conception modulaire prenant en charge à la fois les tests audio / bruit classiques de haut-parleurs (SPK) et les tests de bruits anormaux / d'écoute par IA.
• Tests parallèles 1‑vers‑2 : un seul système peut tester deux écouteurs en même temps. Dans les projets typiques, l'UPH peut atteindre environ 120 pièces.
• Module d'analyse d'écoute par IA : en collectant des données d'unités bonnes pour construire un modèle, le système identifie automatiquement les unités présentant des bruits anormaux, réduisant considérablement le nombre de postes d'écoute manuelle.
• Environnement de test à faible bruit : une chambre acoustique haute performance associée à une structure de caisse interne permet de maîtriser le bruit de fond autour de 12 dBA, fournissant un environnement acoustique stable pour l'algorithme d'IA.

En termes simples, la solution est la suivante :

un banc de test standardisé + un gabarit dédié + un algorithme d'écoute par IA.

Chemin typique du signal de test

Centrée sur l'hôte de test, la chaîne unifiée « laboratoire + ligne de production » ressemble à ceci :

• PC hôte → Adaptateur Bluetooth CRY576 → Écouteurs TWS
• Les écouteurs émettent un son, capturé par le simulateur d'oreille CRY718-S01
• Le signal est acquis et analysé par l'analyseur électroacoustique CRY6151B
• Le logiciel appelle le module d'algorithme d'écoute par IA, effectue une analyse automatique des données WAV et génère un résultat PASS/FAIL

Gabarits et chambre acoustique : minimiser les variations d'une station à l'autre

La posture de placement du produit et les conditions de couplage déterminent souvent la cohérence des tests. La solution réduit la variabilité des tests grâce à la conception du gabarit et de la chambre, afin de fixer les conditions de test autant que possible :

• Gabarit : logement formé en caoutchouc souple.
• Le logement formé garantit que l'écouteur est toujours positionné contre l'oreille artificielle dans la même posture, ce qui réduit les erreurs de positionnement et la variabilité des tests.
• Le caoutchouc souple améliore l'étanchéité et empêche les dommages mécaniques aux écouteurs.
• Boîte acoustique : amortissement et isolation acoustique de la caisse interne.
• Cela réduit l'impact des vibrations mécaniques externes et du bruit ambiant sur les résultats de mesure.

Matériel acoustique de niveau professionnel (configuration exemple)

Analyseur électroacoustique CRY6151B

• Plage de fréquences 20–20 kHz, faible bruit de fond et grande plage dynamique, intégrant à la fois la sortie de signal et l'entrée de mesure.

Ensemble de simulateur d'oreille CRY718-S01

• Répond aux exigences IEC / ITU pertinentes. Dans des configurations / conditions appropriées, le bruit propre du système peut atteindre le niveau de 12 dBA.

Chambre acoustique blindée CRY725D

• Intègre un blindage RF et une isolation acoustique, spécialement conçue pour les scénarios de test TWS.

Algorithme d'IA : comment la détection non supervisée d'anomalies « reconnaît l'anormal »

Flux d'entraînement : seuls des écouteurs « bons » sont nécessaires

La solution d'écoute par IA de CRYSOUND utilise un algorithme de détection de sons anormaux non supervisé. Son principal avantage est qu'il n'est pas nécessaire de collecter à l'avance un grand nombre d'échantillons anormaux—seules des unités normales, bonnes, sont nécessaires pour entraîner un modèle qui « comprend le bon son ».

Dans les projets réels, les étapes typiques sont les suivantes :

• Préparer au moins 100 unités bonnes. Dans les mêmes conditions que pour les tests de production de masse, collecter les données WAV de ces 100 unités.
• Entraîner le modèle à l'aide de ces données d'unités bonnes (par exemple, 100 échantillons de 10 secondes chacun ; l'entraînement prend généralement moins d'une minute).
• Utiliser le modèle pour tester à la fois des échantillons bons et défectueux, comparer la distribution des résultats et définir le seuil de décision.
• Après l'entraînement, le modèle peut être utilisé directement en production de masse. Le temps de prédiction pour un seul échantillon est inférieur à 0,5 seconde.

Dans ce processus, les ingénieurs n'ont pas besoin d'annoter manuellement chaque type de bruit anormal, ce qui abaisse considérablement la barrière à l'introduction du système dans un nouveau projet.

Principe en bref : laisser d'abord le modèle « reformuler » un son normal

De façon approximative, l'algorithme fonctionne en trois étapes :

Conversion temps‑fréquence

• Convertir la forme d'onde enregistrée en un spectrogramme temps‑fréquence (comme une « image du son »).

Reconstruction basée sur l'apprentissage profond

• Utiliser le modèle d'apprentissage profond entraîné sur des « écouteurs normaux » pour reconstruire le spectrogramme temps‑fréquence.
• Pour les échantillons normaux, le modèle peut plus ou moins « reproduire » le spectrogramme d'origine. Pour les échantillons contenant des bruits anormaux, les parties anormales sont difficiles à reconstruire.

Analyse de la différence

• Comparer le spectrogramme original avec le spectrogramme reconstruit et calculer la différence selon les axes du temps et de la fréquence pour obtenir deux courbes de différence.
• Les échantillons anormaux présenteront des pics marqués ou des zones d'énergie concentrée sur ces courbes.

De cette façon, l'algorithme s'ajuste fortement au schéma « normal » et devient naturellement sensible à toute déviation par rapport à ce schéma, sans qu'il soit nécessaire de construire un modèle distinct pour chaque type de bruit anormal.

Dans des projets réels, cet algorithme a déjà été validé dans plus de 10 projets différents, atteignant un taux de détection de défauts allant jusqu'à 99,9 %.

Avantages pratiques de l'écoute par IA

• Aucune dépendance aux échantillons anormaux : inutile de déployer des efforts considérables pour collecter divers exemples de bruits de « grattement » ou de bruits « électriques ».
• Adaptation aux nouvelles anomalies : même si un nouveau type de son anormal apparaît et n'était pas présent pendant l'entraînement, tant qu'il est significativement différent du schéma normal, l'algorithme peut toujours le détecter.
• Apprentissage continu : de nouvelles données d'unités bonnes peuvent être ajoutées en continu par la suite, afin que le modèle puisse s'adapter sur le long terme aux petites dérives de la ligne et de l'environnement.
• Charge de travail manuelle fortement réduite : au lieu que « tout le monde écoute », vous passez à un mode « balayage par IA + inspection par échantillonnage de petits lots », ce qui libère les personnes pour qu'elles se concentrent sur des travaux d'analyse et d'optimisation à plus forte valeur ajoutée.

Un cas de déploiement typique : mise en œuvre réelle sur une ligne de production TWS en ODM

Sur la ligne de production TWS d'un ODM, la production quotidienne par ligne est de l'ordre de plusieurs milliers de jeux. Afin d'améliorer le rendement et de réduire la charge de l'écoute manuelle, ils ont introduit la solution de test de bruits anormaux par IA :

Sur cette ligne, l'écoute par IA a pratiquement repris l'ensemble des tâches d'écoute manuelle d'origine. Non seulement l'effectif a été réduit de moitié, mais le risque de défauts manqués a été fortement réduit, fournissant un soutien chiffré pour déployer la solution à plus grande échelle sur d'autres lignes de production à l'avenir.

Recommandations de déploiement : comment tirer le meilleur parti de cette solution

Si vous envisagez d'introduire des tests de bruits anormaux basés sur l'IA, vous pouvez commencer par les aspects suivants :

Planifier la collecte d'échantillons le plus tôt possible

• Commencez à accumuler des formes d'onde d'unités bonnes « confirmées sans bruits anormaux » dès la phase de construction d'essai / petit pilote, afin de prendre de l'avance pour l'entraînement de l'IA par la suite.

Réduire au minimum les interférences environnementales

• Le poste de test d'écoute par IA doit être placé à l'écart des équipements très bruyants tels que les machines de dépose et les machines à souder.
• En coupant les sonneries d'alarme, en définissant des allées de manutention évitant les postes de test et en réduisant les vibrations du sol, vous pouvez réduire efficacement les taux de fausses détections.

Maintenir des conditions de test cohérentes

• Utilisez la même chambre d'isolation, la même oreille artificielle, les mêmes gabarits et la même séquence de test pendant les phases d'entraînement et de production de masse, afin d'éviter les problèmes de transfert de modèle dus aux différences d'environnement.

Maintenir une période de coexistence homme–machine

• Au début, vous pouvez adopter une stratégie « 100 % IA + échantillonnage manuel », puis passer progressivement à « 100 % IA + une petite quantité de réinspection DOA », afin de minimiser les risques liés au déploiement.

Conclusion : laisser les tests revenir à « l'analyse de données » et placer les personnes là où elles créent plus de valeur

Les tests d'écoute par IA constituent essentiellement une montée en gamme industrielle—en passant de l'écoute humaine basée sur l'expérience à des tests pilotés par les données et les algorithmes.

Grâce à des plateformes de test CRYSOUND standardisées, à du matériel acoustique professionnel, à des gabarits spécifiques aux produits et à des algorithmes d'IA, CRYSOUND aide un nombre croissant de clients à transformer une écoute manuelle chronophage, gourmande en main-d'œuvre et subjective en un processus stable, quantifiable et réutilisable.

Si vous souhaitez en savoir plus sur les tests de bruits anormaux pour les écouteurs, si vous prévoyez d'essayer l'écoute par IA sur votre prochaine génération de ligne de production—ou si vous souhaitez discuter de votre procédé et de vos objectifs d'inspection—veuillez utiliser le formulaire « Contactez‑nous » ci‑dessous. Notre équipe peut partager des réglages recommandés et un flux de travail sur site adaptés aux conditions de votre production.