Segmentation sémantique pour grues : précision pixel par pixel
📋 Résumé clé
La détection d'objets se contente d'encadrer la charge dans une boîte englobante, indiquant simplement « un objet est présent ici ». La segmentation sémantique va plus loin : elle attribue chaque pixel de l'image à une catégorie précise, révélant « quels pixels appartiennent à la charge et quelle zone est occupée par une personne ». Pour un système de vision de grue dédié à la surveillance de sécurité, cette reconnaissance au niveau du pixel transforme un simple encadrement en une délimitation précise des contours, répondant directement aux exigences de détection d'intrusion en zone dangereuse et de franchissement de limites. Cet article part des points de surveillance définis par les normes associées pour expliquer l'apport de la segmentation sémantique, les indicateurs de précision à examiner et les conclusions à ne pas prendre pour argent comptant.
Avant d'aborder la segmentation sémantique, revenons à l'origine des exigences de surveillance. Les capacités d'inspection visuelle d'une grue doivent en fin de compte répondre aux points de contrôle définis par les normes relatives au système de surveillance et de gestion de la sécurité : limitation de surcharge et de la Capacité de Levage, limiteur de hauteur de levage, fin de course de translation, anticollision entre plusieurs appareils sur un même Rail, et surtout l'intrusion de personnel en zone de travail et la présence de personnes sous la charge. Dès qu'un point de contrôle implique une « zone », une « limite » ou le fait qu'une personne pénètre dans une zone dangereuse, une simple boîte englobante s'avère souvent insuffisante — c'est précisément là que la reconnaissance au niveau du pixel comble la lacune.
Cette réalité transparaît directement dans les points de surveillance définis par la norme GB/T 28264 — Système de surveillance et de gestion de la sécurité des appareils de levage : la norme exige de surveiller un « état », une « position » ou un « dépassement de limite », et non la présence d'un cadre dans l'image. De même, la norme ISO 24621:2022 — Diagnostic de pannes par IA pour grues, lorsqu'elle traite de la reconnaissance d'état basée sur l'image, impose que le résultat soit interprétable et localisable dans une zone précise, et non pas simplement une étiquette de classe isolée.
Points de surveillance exigeant une reconnaissance pixel par pixel plutôt qu'un simple encadrement
La détection d'objets produit une boîte englobante avec une étiquette de classe, répondant à « qu'est-ce que c'est et où cela se trouve approximativement ». La segmentation sémantique génère un masque de classe de mêmes dimensions que l'image d'origine, où chaque pixel se voit attribuer une classe déterminée, répondant à « à qui appartient chaque zone de l'image ». La première fournit une position et une catégorie ; la seconde délivre une frontière géométrique.
Cette différence est considérablement amplifiée dans les scénarios de surveillance de sécurité. Prenons le cas d'une personne se tenant sous la charge : la détection d'objets indique la présence simultanée d'une boîte pour la charge et d'une boîte pour la personne, mais peine à déterminer si les pixels de la personne se situent réellement sous la projection de la charge. La segmentation sémantique, elle, délimite pixel par pixel la zone de projection de la charge et la zone de la personne, puis effectue un chevauchement au niveau de la zone.
Kelude Industries Lourdes a observé, lors de la rénovation de systèmes de vision pour Pont Roulant, qu'avec la même caméra et le même équipement d'acquisition, le taux de fausses alarmes pour l'intrusion de personnel en zone dangereuse était nettement plus élevé avec la détection d'objets qu'avec une approche par masque de segmentation. La raison : les marges autour de la boîte englobante peuvent inclure une personne se trouvant en réalité hors de la zone dangereuse, tandis que le masque ne reconnaît que les pixels réellement entrés dans la zone.
La précision ne se limite pas au mAP : mIoU et précision des contours comme références
La détection d'objets s'appuie habituellement sur le mAP pour évaluer la performance. La segmentation sémantique repose principalement sur deux indicateurs : la précision des pixels et l'intersection sur union moyenne (mIoU). La précision des pixels mesure la proportion de pixels correctement classés par rapport au total, avec une approche globale. L'intersection sur union moyenne calcule, pour chaque classe, le rapport entre l'intersection et l'union des zones prédites et réelles, puis en fait la moyenne ; cette approche, centrée sur les classes, est plus sensible aux petits objets et aux contours.
Dans le contexte des grues, la précision des contours mérite souvent plus d'attention que la précision globale des pixels. Pour des tâches comme l'intrusion en zone dangereuse ou la détection de franchissement de limites, les erreurs se concentrent sur les quelques rangées de pixels proches des frontières. Un modèle de segmentation avec une précision de pixels élevée mais des contours flous s'avère peu fiable pour déterminer si une personne a franchi une ligne.
| Critère de comparaison | détection d'objets（Délimiter les objets） | segmentation sémantique（Identifier chaque pixel） |
|---|---|---|
| Format de sortie | Boîte englobante rectangulaire + Étiquette de classe | Masque de classe pixel par pixel |
| Précision de Positionnement | Niveau boîte，Avec marge périphérique | Niveau pixel，Épouser la réalitécontour |
| Occlusion et chevauchement | Difficile de distinguer l | Appartenance des pixels clairement identifiable |
| Objets petits et allongés | Détection manquée fréquente | Plus adapté aux élingues allongées |
| Coût de calcul | Relativement faible，Faciledéploiement en périphérie | Relativement élevé，Pixel par pixelinférence |
| Usage typique | Détection、Comptage、Alerte rapide | Zone、Limite、Sécurité du chemin |
La conclusion n'est donc pas que « la segmentation est plus avancée, donc il faut l'utiliser », mais qu'il faut identifier le maillon exact où le processus bloque. Si la question est simplement « y a-t-il une charge suspendue à l'écran et faut-il déclencher une alarme ? », la boîte de détection d'objets est suffisamment rapide et économique. En revanche, dès que l'on passe à « la relation entre la zone de projection de la charge, l'enceinte de danger et la position du personnel », il devient indispensable de chercher la réponse au niveau du pixel.
De la surveillance à la base de jugement : comment vérifier le sous-système d'imagerie
Avant la mise en service sur site du sous-système de détection d'images, l'inspection ne peut pas se limiter à « produire une boîte » ou « produire un masque ». Une approche plus pragmatique consiste à décomposer les éléments de surveillance en une liste de scénarios vérifiables et à les valider un par un. En prenant comme référence les éléments de surveillance définis par la norme de gestion de la surveillance de sécurité, et en les faisant correspondre un à un aux capacités offertes par la segmentation sémantique, le tableau ci-dessous peut servir de base de comparaison lors de la réception.
| SurveillanceÉlément | exigences de la normedeSurveillanceContenu | segmentation sémantiqueCapacité correspondante | Points clés du jugement technique |
|---|---|---|---|
| surchargeavecCapacité de Levage | dépasseCapacité Nominalealarme déclenchée | Ne correspond pas directement，Difficile de distinguer lCapteur de charge | selondonnées de capteursfait foi，Image comme preuve auxiliaire |
| limiteur de hauteur de levage | Spreader (palonnier de levage)Atteint lfin de courseAlarme à la position | IdentificationCrochetProximité avec la charge suspenduefin de courseZone | Le bord du masque touchefin de courseDéclenchement dès la zone |
| fin de course de translation | PontChariotDépassecoursealarme déclenchée | SegmentationRailLimite et corps du chariotcontour | Pixel du chariot hors limite = jugé hors course |
| Plusieurs appareils sur même railanticollision | Plusieurs unitésgrueEspacementalerte précoce | Segmenter chaque équipementcontourCalculer l | contourDistance minimale inférieure àalarme de seuil |
| Intrusion de personnel en zone de travail | Entrée de personnelzone dangereusealarme déclenchée | Zone humaine etzone dangereuseDétection de chevauchement | Proportion de pixels chevauchés dépassealarme de seuil |
| Personne sous la charge suspendue | Alarme si personne sous la projection de la charge | Chevauchement entre la projection de la charge et la zone du personnel | Déclenchement dès chevauchement，Mieux vaut une fausse alerte qu |
| Conservation des images et données | Conserver les preuves visuelles lors de l | Archivage de la superposition masque + image originale | CapturetraçableVérifiable |
| Interconnexion dfausse alarme | Alarme précise et contrôlefausse alarme | Jugement au niveau zone réduit le niveau boîtefausse alarme | Selon la réalitécondition de fonctionnementÉvaluation par relecturetaux de fausses alarmes |
Dans les projets réels de Kelude, cette liste est transformée en grille de contrôle de réception, chaque point devant être justifié par une preuve visuelle — la superposition du masque sur l'image d'origine constitue la base de jugement traçable. La validation porte sur l'atteinte effective des éléments surveillés, et non sur le simple fait que le modèle ait tourné.
Trois idées reçues : la segmentation n'est ni plus précise, ni universelle
Première idée reçue : « le niveau pixel est toujours plus précis que le niveau boîte ». La segmentation offre une description géométrique plus fine, pas un taux de reconnaissance supérieur. Si l'annotation est de mauvaise qualité ou les catégories mal définies, le modèle peut emmêler les pixels de l'élingue, du crochet et de la charge, produisant un résultat plus difficile à exploiter qu'une simple boîte englobante.
Deuxième idée reçue : « avec la segmentation, plus besoin d'étalonnage ni de déploiement ». Le gain de la reconnaissance pixel par pixel dépend fortement de l'angle de pose de la caméra, de l'éclairage et de la correction de distorsion optique ; un simple changement de point de vue peut dégrader le modèle. La segmentation affine la délimitation des contours, elle ne dispense pas du déploiement.
Troisième idée reçue : « le pixel par pixel signifie un temps réel sans perte ». Le coût d'inférence de la segmentation sur un périphérique de périphérie est généralement supérieur à celui de la détection d'objets ; la prédiction pixel par pixel en haute résolution pèse réellement sur la puissance de calcul et la latence. Le recours à la segmentation doit être dicté par le besoin d'un jugement au niveau régional, pas par un effet de mode.
La conclusion est claire : la segmentation sémantique ne remplace pas la détection d'objets, elle la complète. Kelude combine généralement les deux niveaux : la détection d'objets assure la localisation rapide et le comptage, tandis que la segmentation sémantique effectue une vérification fine des contours dans les zones candidates. Les deux approches se répartissent les tâches, elles ne s'excluent pas.
📖 Lectures connexes : Système de reconnaissance visuelle et de positionnement précis des charges de pont roulant | Panorama de la vision IA et des systèmes de détection pour ponts roulants
Questions fréquentes
Q : Quelle est la différence réelle entre segmentation sémantique et détection d'objets, et laquelle privilégier ?
A : La détection d'objets renvoie une boîte englobante rectangulaire avec une étiquette de classe, répondant à « qu'est-ce que c'est et où ça se trouve approximativement » ; la segmentation sémantique produit un masque de classe à la même résolution que l'image, répondant à « à quel pixel appartient chaque élément ». Pour des tâches de localisation et de comptage, la détection est plus rapide et plus économique ; dès qu'il s'agit de juger des relations spatiales — intrusion en zone dangereuse, franchissement de limite, présence de personnel sous la charge — il faut descendre au niveau pixel pour délimiter les contours. Les deux approches ne s'excluent pas : chez Kelude, la détection d'objets assure la détection rapide et la segmentation sémantique la vérification des contours.
Q : Les normes associées à la surveillance de sécurité imposent-elles le recours à la reconnaissance d'images ?
A : Les normes définissent les éléments à surveiller et les exigences de surveillance, mais ne prescrivent pas d'algorithme spécifique. En référence aux normes de surveillance de sécurité, des éléments tels que l'intrusion de personnel en zone d'opération, la présence de personnes sous la charge ou la fin de course de translation doivent pouvoir être évalués avec fiabilité et documentés. La reconnaissance d'images est un moyen de satisfaire ces exigences ; le recours à la segmentation pixel par pixel dépend de la nécessité d'un jugement au niveau régional. Ce qui compte, c'est l'atteinte du résultat, pas l'approche technique.
Q : Quel est l'ordre de grandeur du coût pour équiper une grue d'un système de vision avec segmentation sémantique ?
A : Le coût se décompose en trois postes principaux : le matériel (caméra industrielle, boîtier de calcul), l'ingénierie d'entraînement et de déploiement du modèle, et la maintenance (annotation et réentraînement). La segmentation exige généralement une puissance de calcul périphérique supérieure à celle de la détection d'objets ; l'inférence pixel par pixel en haute résolution renchérit la sélection du matériel. Le devis dépend des conditions de fonctionnement sur site, du nombre de points de caméra et des exigences de précision ; il n'existe pas de tarif universel. Kelude procède d'abord à une inspection sur site avant d'établir une liste chiffrée.
Q : Comment savoir si un système de détection existant doit être mis à niveau vers le niveau pixel ?
A : Commencez par identifier les éléments de surveillance qui génèrent le plus de fausses alarmes ou d'alarmes manquées. Si les problèmes portent sur des jugements de relation spatiale — « la personne est-elle réellement entrée dans la zone dangereuse ? », « y a-t-il quelqu'un sous la projection de la charge ? » — la sortie en boîte ne suffit plus et la segmentation se justifie. En revanche, si les tâches se limitent au comptage et à la détection avec une précision stable, une mise à niveau n'apporterait rien. Le critère de décision est l'exigence de délimitation fine des contours, pas l'attrait supposé de la segmentation.
Passer de la « boîte englobante » à la « reconnaissance de chaque pixel » : la segmentation sémantique n'est pas un simple remplacement d'algorithme pour la détection sur grue, c'est un changement d'échelle cognitive. Faut-il migrer, et jusqu'où ? La réponse se trouve toujours dans les exigences de surveillance elles-mêmes. Chez Kelude, la conception des systèmes de vision commence par clarifier pour chaque élément surveillé s'il s'agit de « détecter » ou de « délimiter », avant de décider comment combiner détection et segmentation — afin de concentrer la puissance de calcul là où elle est réellement nécessaire.
