Dans une usine qui traite environ 1,2 million de bovins par année, même 0,1 lb de viande récupérée de plus par animal vaut des centaines de milliers de dollars. Deux entreprises de bœuf vont la chercher avec la vision IA pour le rendement en viande, mais placent leurs caméras à des endroits différents.
Cargill utilise CarVe, un système de vision par ordinateur développé à l’interne et installé aux tables de la palette. Les caméras repèrent les petits morceaux de viande laissés sur l’os et donnent aux superviseurs une note sur laquelle ils peuvent agir pendant le quart. Avant, les os étaient mis en boîte pour un test de rendement après le quart, et la correction arrivait au découpeur 8 à 16 heures plus tard. Au Canada, CarVe est en service aux tables de la palette à High River (Alberta), et Guelph (Ontario) est la prochaine usine visée. Il tourne aussi dans trois usines américaines : Friona (Texas), Fort Morgan (Colorado) et Dodge City (Kansas) (Food Processing).
Un transformateur de bœuf danois utilise un autre montage depuis le début de 2025. Des chercheurs du DMRI, financés par l’AMPC australienne, ont installé une seule caméra RVB dans un cabinet en acier conçu pour le lavage à grande eau, au-dessus du convoyeur à os, là où les os des lignes de quartiers avant et arrière sortent de la salle. La caméra évalue ce qui reste sur les os. Selon leur estimation, la plupart des transformateurs pourraient récupérer de 100 à 500 g de viande de plus par carcasse, avec une période de récupération de 6 à 36 mois pour un système évalué entre 150 000 et 200 000 $ AU (rapport AMPC 2026).
Selon les calculs de Cargill, ce 0,1 lb vaut environ 778 000 $ par année, avec une palette (chuck roll) à environ 6,49 $ la livre. Sa cible est plus élevée, environ 0,25 lb par carcasse, surtout autour des os du cou, ce qui représenterait environ 2 millions $ dans une seule usine (Drovers). Ces 0,25 lb (environ 113 g) se situent dans le bas de la fourchette du DMRI. Cargill rapporte aussi un gain de rendement moyen de 0,5 %, mais les articles n’en précisent pas la base; comparez plutôt les chiffres par tête avec vos propres données de rendement (Food Processing).
En vision IA pour le rendement en viande, l’emplacement de la caméra détermine le type de décision que le système peut appuyer, dans le bœuf comme sur toute ligne où une main habile fixe le rendement. Une caméra à la table appuie le coaching d’une personne identifiée pendant le quart. Une caméra au convoyeur à os appuie le suivi de la tendance de toute la salle, à moindre coût.
À la table de découpe : coaching plus rapide, fardeau plus lourd
La caméra à la table apporte l’attribution et la vitesse. Elle relève aussi la barre de précision et le fardeau de gouvernance.
Une caméra à la table sait qui a fait la coupe. Le superviseur peut donc coacher un découpeur sur la cadence, le travail du couteau ou une habitude de sécurité, au lieu de s’adresser à toute la ligne. Selon Cargill, les découpeurs se sont davantage impliqués quand ils ont vu leurs propres notes, et ils ont commencé à demander de la rétroaction (Drovers).
La première barre, c’est la précision. Dans les travaux de laboratoire antérieurs du DMRI, la combinaison RVB, proche infrarouge et rayons X à double énergie classait correctement environ 70 % des os de longe pris un à un, contre 55 à 60 % pour chaque capteur seul; la plupart des erreurs étaient d’un seul niveau. Le même rapport jugeait un seul capteur suffisant pour suivre la qualité du parage dans le temps (AMPC 2022, étape 2). Ces chiffres de précision ne décrivent pas CarVe, un système propriétaire dont Cargill n’a pas publié la précision. Ils montrent pourquoi le coaching pièce par pièce exige une barre de validation beaucoup plus haute que le suivi des tendances globales. La précision par pièce, par niveau, à votre vitesse de ligne et sur votre produit : c’est le chiffre à demander à tout fournisseur.
La deuxième barre, c’est la gouvernance. Cargill a expliqué au syndicat ce que CarVe est et n’est pas, et s’est engagée à ce qu’il serve au coaching et à la formation, pas à la discipline (Colorado Sun). La recherche sur la surveillance électronique est une mise en garde pour toute usine qui fait ce choix : une méta-analyse de 94 échantillons (23 461 travailleurs) n’a trouvé aucun gain de performance en moyenne et plus de stress, alors qu’une surveillance plus transparente et moins intrusive allait de pair avec de meilleures attitudes (Ravid et coll., Personnel Psychology 2023). Concrètement, la transparence, c’est dire aux employés ce qui est conservé, pendant combien de temps et qui peut le voir.
Le coût augmente aussi table par table. Plus de tables, c’est plus de caméras et plus de calcul, et Cargill dit que le déploiement a devancé sa capacité de serveurs (Food Processing).
Offre aux lecteurs · jusqu’au 11 novembreOù se cache le coût dans votre usine?Regardez-la avec 3 mois de Premier gratuits →Au convoyeur à os : tendances moins chères, attribution plus faible
Une seule caméra surveille ce que toute la salle envoie. Elle coûte moins cher et couvre toutes les lignes qui alimentent le convoyeur, mais elle voit des tendances, pas des personnes.
L’unité danoise est modeste : une caméra matricielle, un panneau DEL et un mini-PC dans le cabinet. Elle suit le convoyeur à pleine vitesse de production, classe les os en 21 types et évalue cinq types à forte valeur de 1 (excellent parage) à 4 (trop de viande laissée). L’équipe a choisi une caméra RVB ordinaire plutôt que multispectrale pour limiter les coûts (AMPC 2026).
Elle ne sait pas qui a coupé l’os; le lien entre les os et les lots de carcasses par le MES fait partie des travaux futurs. Le tableau de bord montre quels types d’os se détériorent et depuis quand. Pour trouver la cause, il faut encore faire le tour de la ligne.
Le coût moins évident vient des données d’une bonne usine. Sur 15 jours de production au deuxième trimestre de 2026, les os de niveau 3 et 4 étaient rares, et pendant une période d’entraînement, aucun os de dos de niveau 4 n’est apparu. Le modèle en apprend le moins sur le défaut qu’on le paie pour détecter. Le niveau 2 était celui qu’il confondait le plus souvent avec 1 ou 3. La solution est lente : un boucher d’expérience continue de revoir les images et d’ajouter les cas rares, donc ses heures doivent figurer au budget à côté de la caméra.
En volaille, la vision en aval qui estime la viande résiduelle sur chaque carcasse après la récolte des filets se vend déjà commercialement. L’unité de bœuf au convoyeur à os reste un prototype de recherche, et CarVe est le système interne de Cargill.
Vision IA pour le rendement en viande : choisir un emplacement
Si vous ne savez pas encore quels types d’os ou quels quarts perdent le plus, la vue en aval, moins chère, peut montrer quelles tables justifieraient des caméras. Si les pertes pointent déjà vers des postes précis, et que le roulement y amène sans cesse de nouveaux découpeurs, le coaching à la table de découpe s’attaque directement à la cause. Cargill présente d’ailleurs CarVe en partie comme un outil de formation pour ce roulement (Food Processing).
Deux réalités de déploiement s’appliquent dans les deux cas. Le DMRI rattache sa période de récupération à une condition qui vaut pour les deux emplacements : les données doivent mener à des corrections sur le plancher ou renvoyer les os à fort potentiel au reparage. Et la caméra vit dans une salle froide et humide, où une fenêtre sous le point de rosée s’embue; un petit élément chauffant sur la fenêtre vaut mieux que de corriger des images floues par logiciel.
Ce que personne n’a encore mesuré
La recherche sur l’apprentissage moteur ajoute une nuance pour la formation. Dans les expériences de Winstein et Schmidt, donner aux apprenants leurs résultats moins souvent pendant la pratique a mené à une rétention égale ou meilleure qu’une rétroaction après chaque essai (Winstein et Schmidt 1990). Il s’agissait d’une tâche de laboratoire, pas d’un couteau à désosser sur une chaîne en mouvement.
Personne n’a publié ce qui arrive quand un découpeur formé avec une note sur chaque pièce passe à une table sans caméra. Une usine qui teste des caméras aux tables pourrait le savoir avec quelques semaines où les notes sont encore enregistrées, mais cachées aux découpeurs. Ce résultat montrerait si la caméra a enseigné un savoir-faire ou si elle en est devenue une partie.
