Détection de sons 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 objets connectés, les attentes des utilisateurs en matière de « bon son » vont bien au‑delà du simple fait d'entendre clairement. Ils veulent désormais un son confortable, propre et exempt de tout bruit supplémentaire de froissement, de clic ou de grattement.

Cependant, dans la plupart des usines, les tests de sons anormaux reposent encore largement sur l'écoute humaine. Les horaires de travail, les différences subjectives entre opérateurs, la fatigue et l'état émotionnel ont tous un impact direct sur votre rendement et sur la réputation de votre marque.

Dans cet article, basé sur l'expérience réelle de CRYSOUND en matière de contrôle d'écoute par IA pour des écouteurs TWS, nous expliquons comment utiliser l'IA pour « libérer les oreilles humaines » de la ligne de production et rendre les tests d'écoute réellement stables, efficaces et répétables.

Pourquoi les tests d'écoute audio sont‑ils si gourmands en main‑d'œuvre ?

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

test électroacoustique automatique + réécoute manuelle.

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

• Forte subjectivité : Les différents auditeurs n'ont pas la même sensibilité aux bruits tels que le « froissement » ou le « grattement ». Même une même personne peut porter des jugements différents entre les équipes du matin et du soir.
• Faible évolutivité : L'écoute humaine demande une forte concentration, et il est facile de se fatiguer sur de longues périodes. Il est difficile de soutenir un UPH élevé en production de masse.
• Coût de formation élevé : Un auditeur qualifié a besoin d'une formation systématique et d'une longue expérience, et il faut du temps aux nouveaux opérateurs pour monter en compétence.
• Résultats difficiles à tracer : Les jugements subjectifs sont difficiles à convertir en données quantitatives et en historique, 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 traiter 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 d'essai standardisée construite autour du système de test de sons anormaux CRYSOUND, combinée à des algorithmes d'écoute par IA et à des montages 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 SPK classiques et les tests de bruit anormal / 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 les données d'unités bonnes pour construire un modèle, le système identifie automatiquement les unités présentant des sons anormaux, ce qui réduit considérablement le nombre de postes d'écoute manuelle.
• Environnement de test à faible bruit : Une chambre acoustique haute performance associée à une structure de boîte interne maintient le bruit de fond autour de 12 dBA, offrant un environnement acoustique stable pour l'algorithme d'IA.

En termes simples, la solution est :

Un banc d'essai standardisé + un montage dédié + un algorithme d'écoute par IA.

Chemin typique du signal de test

Autour de l'hôte de test, la chaîne unifiée « laboratoire + ligne de production » se présente ainsi :

• PC hôte → adaptateur Bluetooth CRY576 → écouteurs TWS
• Les écouteurs émettent le son, capté 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 fournit un résultat PASS/FAIL

Montages et chambre acoustique : minimiser les écarts d'une station à l'autre

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

• Montage : Logement profilé en caoutchouc souple.
• Le logement profilé garantit que l'écouteur est toujours placé contre l'oreille artificielle dans la même position, réduisant les erreurs de positionnement et la variabilité des tests.
• Le caoutchouc souple améliore l'étanchéité et évite d'endommager mécaniquement les écouteurs.
• Boîte acoustique : Amortissement interne et isolation acoustique.
• Cela réduit l'influence 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 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, spécifiquement conçue pour les scénarios de test TWS.

Algorithme d'IA : comment la détection d'anomalies non supervisée reconnaît les sons anormaux

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

La solution d'écoute par IA de CRYSOUND utilise un algorithme non supervisé de détection de sons anormaux. Son principal avantage est de ne pas nécessiter la collecte préalable de nombreux échantillons anormaux : seules des unités normales, en bon état, 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 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 de 1 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 reconstruire les sons anormaux

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

Conversion temps‑fréquence

• Convertir la forme d'onde enregistrée en 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 un bruit anormal, les parties anormales sont difficiles à reconstruire.

Analyse de la différence

• Comparer le spectrogramme d'origine et celui reconstruit, puis calculer la différence le long des axes temps et fréquence afin d'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 motif « normal » et devient naturellement sensible à toute déviation par rapport à ce motif, sans qu'il soit nécessaire de construire un modèle distinct pour chaque type de bruit anormal.

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

Avantages pratiques de l'écoute par IA

• Aucune dépendance aux échantillons anormaux : inutile de consacrer un effort considérable à la collecte de multiples exemples de bruits de « grattement » ou « électriques ».
• Adaptation aux nouvelles anomalies : même si un nouveau type de son anormal apparaît et n'était pas présent lors de l'entraînement, tant qu'il est significativement différent du motif normal, l'algorithme peut toujours le détecter.
• Apprentissage continu : De nouvelles données d'unités bonnes peuvent être ajoutées en continu afin que le modèle puisse s'adapter à long terme aux petites dérives de la ligne et de l'environnement.
• Forte réduction de la charge manuelle : au lieu que « tout le monde écoute », vous passez à « balayage par IA + inspection par échantillonnage limité », ce qui libère le personnel pour qu'il se concentre sur des tâches d'analyse et d'optimisation à plus forte valeur ajoutée.

Un cas typique de déploiement : mise en pratique sur une ligne de production TWS d'un ODM

Sur une ligne de production TWS d'un ODM, la production quotidienne par ligne se situe à l'ordre de plusieurs milliers de paires. Afin d'améliorer le rendement et de réduire la charge de l'écoute manuelle, ils ont introduit la solution de test de sons anormaux basée sur l'IA :

Sur cette ligne, l'écoute par IA a en pratique remplacé les tâches initialement réalisées en écoute manuelle. Non seulement l'effectif a été réduit de moitié, mais le risque de défauts manqués a également été fortement diminué, fournissant ainsi des bases factuelles 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 bruit anormal 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 bruit anormal » dès la phase de présérie / petit pilote, afin de prendre de l'avance sur 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 bruyants tels que les machines de dépose et les machines à souder.
• En coupant les signaux sonores d'alarme, en définissant des allées de manutention qui contournent les postes de test et en réduisant les vibrations du sol, vous pouvez réduire efficacement le taux de fausses détections.

Maintenir des conditions de test cohérentes

• Utilisez la même chambre d'isolation, la même oreille artificielle, les mêmes montages et la même séquence de test aussi bien pendant la phase d'entraînement qu'en 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 associés au déploiement.

Conclusion : revenir à des tests fondés sur les données et affecter les personnes là où elles créent le plus de valeur

Les tests d'écoute par IA constituent, au fond, une modernisation industrielle : passage d'une écoute humaine fondée 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 montages 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 bruit anormal pour écouteurs ou prévoyez d'essayer l'écoute par IA sur votre prochaine ligne de production - ou de discuter de votre processus de façonnage 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 adapté à vos conditions de production.