Cette recherche apporte des contributions significatives tant dans le domaine universitaire que dans celui de l’industrie. Dans le domaine universitaire, elle fait progresser la détection des défauts basée sur l’apprentissage profond en introduisant un cadre complet pour la surveillance et la classification en temps réel des nœuds soudés dans les poutrelles en acier. Cette nouvelle approche permet non seulement d’améliorer la précision de la détection, mais aussi de relever des défis pratiques, tels que le suivi et le temps de traitement, qui sont cruciaux pour les applications du monde réel. Le développement de techniques de post-traitement enrichit la compréhension académique de l’amélioration de la précision de la prédiction dans des applications similaires. Dans l’industrie, cette recherche offre une solution qui change la donne pour le contrôle de la qualité de la préfabrication. En intégrant de manière transparente le matériel, les logiciels et les techniques d’apprentissage automatique, elle fournit un moyen pratique et efficace de détecter les soudures manquantes en usine. La précision exceptionnelle obtenue grâce à des algorithmes avancés d’apprentissage profond et à un réglage fin établit une nouvelle norme industrielle pour le contrôle de la qualité du soudage. Les enseignements tirés de la mise en œuvre et de la validation du cadre dans un environnement de production servent également de guide précieux pour les professionnels de l’industrie qui cherchent à adopter des technologies similaires pour améliorer leurs processus de contrôle de la qualité.