Détection IA des défauts de câbles de pont roulant

Le câble métallique est le composant porteur le plus critique du pont roulant ; son état de santé conditionne directement la sécurité des équipements et la continuité de la production. Les inspections manuelles traditionnelles, reposant sur l'examen visuel et des instruments portatifs, présentent des angles morts importants, une forte subjectivité et ne permettent pas d'alerter en temps réel. Avec la maturation de l'apprentissage profond, les systèmes de détection en ligne par vision artificielle des câbles s'imposent comme un levier majeur de la numérisation du secteur. Cet article s'appuie sur le déploiement réel effectué chez Kelude Industries Lourdes pour décrire de manière systématique l'architecture globale, les algorithmes centraux, le déploiement matériel et les pratiques d'ingénierie de ce système de détection visuelle par IA.

Architecture du système de détection par vision artificielle

Le système de détection visuelle par IA des câbles de pont roulant repose sur une architecture en quatre couches, formant une boucle complète depuis l'acquisition des données jusqu'à l'intégration métier, garantissant ainsi la rapidité, la précision et la traçabilité des résultats de détection.

1. Couche de perception (acquisition d'images)

La couche de perception constitue la base du système. Elle est composée de caméras industrielles haute définition, de lumières LED stroboscopiques et d'objectifs optiques. En fonction des différentes sections du câble et des exigences de détection, un déploiement multi-caméras coordonné est adopté : une caméra en plongée couvre la zone de fixation de l'extrémité supérieure du câble, une caméra latérale surveille la zone libre au milieu, et une caméra en contre-plongée est orientée vers l'extrémité inférieure du câble et la zone du réa de moufle. Chaque caméra est équipée d'un capteur CMOS à obturateur global, supportant une cadence maximale de 200 images par seconde, ce qui permet de capturer clairement les micro-défauts de surface du câble pendant le fonctionnement du pont roulant. Les lumières LED fonctionnent en mode stroboscopique, avec une largeur d'impulsion réglable à la microseconde, ce qui élimine efficacement les réflexions dues aux huiles et les irrégularités d'éclairage, assurant ainsi une qualité d'image stable.

2. Couche d'inférence (plateforme de calcul IA)

La couche d'inférence est déployée sur un dispositif d'informatique en périphérie NVIDIA Jetson et exécute le modèle de détection d'objets YOLOv8s amélioré. Le modèle est optimisé et accéléré à l'aide du moteur d'inférence TensorRT, avec un temps de traitement par image maintenu sous les 25 ms, répondant ainsi aux exigences de détection en temps réel lorsque le câble du pont roulant se déplace à une vitesse de 0,5 m/s. Cette couche effectue la détection des défauts sur chaque image et génère les coordonnées des boîtes englobantes, les scores de confiance des classes et les masques de segmentation pour les ruptures de fils, l'usure et la corrosion. Les résultats bruts de détection ainsi que les vecteurs de caractéristiques sont ensuite transmis de manière synchronisée à la couche d'analyse.

3. Couche d'analyse (classification et évaluation des défauts)

La couche d'analyse s'exécute côté serveur. Elle reçoit les résultats de détection de la couche d'inférence et effectue une seconde classification fine de chaque boîte englobante à l'aide d'un modèle spécialisé de classification des défauts. Ce modèle, basé sur le réseau neuronal EfficientNet-B4, est capable de distinguer 11 sous-types de défauts du câble métallique : ruptures de fils localisées, ruptures de fils concentrées, usure uniforme, usure localisée, corrosion par piqûres, corrosion uniforme, déformation ondulée, déformation en lanterne, réduction du diamètre du câble, lubrification insuffisante et présence de corps étrangers en surface. La couche d'analyse intègre également des données de séries temporelles, permettant de suivre et d'analyser les résultats de détection multiples pour une même position, afin d'évaluer la tendance d'évolution et le niveau de gravité des défauts.

Les résultats d'évaluation de la couche d'analyse classent les défauts en quatre niveaux de gravité : normal (Grade 0), léger (Grade 1), modéré (Grade 2) et sévère (Grade 3). Lorsque le niveau de défaut atteint le stade modéré et au-delà, le système déclenche automatiquement un mécanisme d'alerte.

4. Couche d'alerte (intégration PHM et maintenance)

La couche d'alerte est profondément intégrée à la plateforme de gestion de la santé prédictive (PHM) et au système informatisé de gestion de la maintenance (CMMS). Lorsqu'un défaut de câble atteint le seuil d'alerte, le système exécute automatiquement les opérations suivantes : (1) affichage d'une fenêtre d'alerte en temps réel sur le tableau de bord PHM, avec mise en évidence de la position et du type de défaut ; (2) génération automatique d'un ordre de travail de maintenance standardisé en fonction du niveau et de la position du défaut, transmis au système CMMS ; (3) notification des responsables de maintenance concernés par SMS, messagerie instantanée ou e-mail ; (4) enregistrement du contexte complet de l'événement d'alerte, y compris l'image du défaut, l'horodatage, le numéro d'équipement et les conditions de fonctionnement, pour une analyse rétrospective. Le temps de réponse moyen de l'ensemble du processus d'alerte, de la détection à la génération de l'ordre de travail, ne dépasse pas 30 secondes.

2. Types de défauts du câble métallique et méthodes de détection par IA

Au cours de leur longue durée de service, les câbles des ponts roulants sont soumis à des contraintes alternées, à l'usure par frottement, à des environnements corrosifs et à des charges de fatigue, ce qui génère plusieurs types d'endommagements. Conformément à la norme ISO 4309 relative à l'entretien, à la maintenance, à l'inspection et à la mise au rebut des câbles de levage, une Inspection Périodique et un relevé systématique des défauts s'imposent. Le système d'inspection par vision doit identifier avec précision les principales catégories de défauts décrites ci-dessous.

1. Ruptures de fils

La rupture de fils est le défaut le plus courant et le plus dangereux du câble métallique. On distingue deux formes de répartition : les ruptures localisées et les ruptures concentrées. Les ruptures localisées sont dispersées sur différentes sections du câble, généralement provoquées par une surcharge locale ou par la fatigue des fils ; à un stade précoce, les cassures sont fines et difficiles à détecter à l'œil nu. Les ruptures concentrées correspondent à la cassure de plusieurs fils dans une même section transversale, souvent causée par un dommage mécanique ou une surcharge sévère, avec des extrémités irrégulières en dents de scie. Le système de détection par IA exploite le module d'extraction de caractéristiques C2f du modèle YOLOv8s amélioré, intégrant des convolutions déformables (DCNv4) et un mécanisme d'attention par coordonnées (Coordinate Attention), afin de cibler les différences texturales subtiles dans les zones de rupture. Dans le réseau de pyramide de caractéristiques, le modèle fusionne les caractéristiques haute résolution des couches superficielles avec les caractéristiques sémantiques profondes, garantissant que les ruptures de petite taille ne soient pas perdues lors du sous-échantillonnage.

2. Usure du câble

L'usure se divise en deux catégories : l'usure uniforme et l'usure localisée. L'usure uniforme se manifeste par une réduction homogène du diamètre du câble sur toute sa longueur, les fils externes étant aplatis, généralement due à un frottement prolongé contre les Poulies et le Tambour. L'usure localisée se traduit par une diminution marquée du diamètre sur une section précise ou par l'apparition de rainures aplaties en surface, souvent provoquée par le frottement entre câbles ou par un contact avec des éléments structurels. Pour détecter l'usure, le modèle d'IA combine les caractéristiques de gradient du contour du câble avec les caractéristiques texturales de surface. Une branche de régression du diamètre a été ajoutée à la tête du modèle, qui estime directement le diamètre du câble dans chaque zone de détection. La comparaison avec les données historiques permet une mesure quantitative de l'usure, avec une erreur de mesure maîtrisée sous 0,3 mm.

3. Corrosion du câble

Les défauts de corrosion sont particulièrement fréquents sur les câbles de ponts roulants évoluant dans des environnements très humides et corrosifs, notamment dans les secteurs de la métallurgie, de la chimie et dans les Ports. Au stade initial, la corrosion se manifeste par des taches de rouille ponctuelles en surface ; elle évolue ensuite en décollements en plaques et en piqûres, réduisant considérablement la section efficace des fils dans les cas graves. Sur les images, les zones corrodées présentent des anomalies de couleur (teintes brun-rouge, noir foncé) et une texture de surface irrégulière. Le modèle de détection par IA adopte une stratégie de fusion multispectrale : les images RVB et les images en bande proche infrarouge sont fusionnées au niveau des caractéristiques, exploitant la forte réflectivité des produits de corrosion dans le proche infrarouge pour renforcer le contraste de détection. Les essais montrent que cette approche améliore le rappel de détection de la corrosion de 12,7 %.

4. Déformations du câble

Les déformations du câble métallique comprennent notamment la déformation ondulée et la déformation en lanterne. La déformation ondulée se caractérise par un axe du câble présentant des courbures en forme de vagues, généralement provoquées par un déchargement brusque ou par un nœud, ce qui accélère la rupture par fatigue des fils lors des cycles ultérieurs. La déformation en lanterne se traduit par une augmentation locale du diamètre du câble, les Torons s'écartant en forme de lanterne ; elle constitue la manifestation externe d'une rupture interne des fils ou d'une défaillance de l'âme. Les signes visuels des déformations sont relativement nets, mais leur grande variabilité morphologique exige une forte capacité de généralisation du modèle. Pour renforcer la robustesse de la détection, le système applique lors de l'entraînement une augmentation extensive des échantillons de déformation par transformations affines : rotations aléatoires (de −45° à 45°), mises à l'échelle aléatoires (facteur 0,5 à 1,5) et simulation de déformations élastiques, permettant au modèle de s'adapter efficacement à toutes les formes de déformation.

3. Conception du système d'acquisition d'images

Le système d'acquisition d'images constitue l'« œil » de l'inspection visuelle par IA. La qualité de sa conception détermine directement les performances des modèles de détection en aval. Le câble du pont roulant évolue dans un environnement complexe — lumière intense, huile, vibrations, poussières — ce qui impose des exigences sévères au système d'acquisition. Notre approche intègre trois dimensions : le déploiement des caméras, le choix optique et la stratégie d'éclairage.

1. Déploiement coordonné de trois caméras

Compte tenu des caractéristiques géométriques et du comportement dynamique du câble du pont roulant, le système utilise trois caméras en prise de vue synchronisée afin de couvrir toute la longueur du câble sans angle mort :

2. Sélection des caméras et paramètres optiques

Le choix des caméras intègre des paramètres clés : résolution, fréquence d'images, type d'obturateur, sensibilité lumineuse et Indice de Protection (IP). La caméra à vue plongeante utilise un capteur CMOS linéaire d'une résolution de 8192×1 pixels, avec une fréquence de ligne maximale de 80 kHz, synchronisée par codeur pour une acquisition équidistante adaptée à la vitesse du câble. Les caméras latérale et plongeante inversée sont équipées de capteurs matriciels à obturateur global de 2 mégapixels, résolution 1920×1080, fréquence maximale de 200 fps. La technologie d'obturateur global élimine les distorsions d'image et le flou de mouvement liés à l'effet de rideau lors des déplacements rapides du câble. Toutes les caméras sont logées dans des boîtiers industriels IP67, avec chauffage intégré et fonction de désembuage, pour un fonctionnement fiable dans une plage de température de -20 °C à 60 °C.

3. Éclairage LED stroboscopique et conception anti-interférence

Le câble du pont roulant est généralement recouvert d'huile de lubrification et de graisse, qui produisent d'intenses réflexions spéculaires sous un éclairage conventionnel, perturbant sérieusement la qualité de l'image. Le système adopte un éclairage LED stroboscopique dont la largeur d'impulsion est contrôlée entre 10 et 50 microsecondes, en synchronisation précise avec la temporisation d'exposition de la caméra industrielle. Le mode stroboscopique fournit un éclairage de haute intensité sur une durée extrêmement courte, transformant les reflets en points lumineux minimes plutôt qu'en larges plages brillantes, tout en réduisant considérablement les interférences de la lumière ambiante. Les lampes d'appoint sont disposées en anneau autour de l'axe optique de l'objectif, garantissant une répartition uniforme de la lumière sur toute la circonférence du câble métallique. Concernant la température de couleur, une lumière blanche pure de 5000K à 6000K est retenue, correspondant au pic de sensibilité spectrale du capteur de la caméra industrielle, optimisant ainsi l'efficacité de conversion photoélectrique.

4. Entraînement du modèle et jeu de données

La qualité du jeu de données et la stratégie d'entraînement constituent les fondations de la performance d'un modèle de détection par IA. Le système décrit ici met en œuvre un flux de travail complet couvrant l'acquisition des données, l'annotation et l'entraînement, garantissant une précision de détection et une capacité de généralisation optimales.

1. Constitution du jeu de données

Plus de 10 000 images de Câble Métallique ont été collectées sur les sites de production, couvrant quatre catégories de Défaut — ruptures de fils, Usure, Corrosion et Déformation — ainsi que des échantillons de câbles sains. Toutes les images ont été prises dans des conditions réelles de fonctionnement du pont roulant, incluant différents éclairages (temps couvert, ensoleillé, éclairage nocturne), différents régimes de fonctionnement (à l'arrêt, à faible vitesse, à vitesse nominale) et différentes charges (à vide, demi-charge, pleine charge). Pour enrichir la diversité des échantillons, le jeu de données intègre également des images provenant de cinq aciéries et Ports différents, couvrant des câbles de diamètres variés (de 16 mm à 48 mm) et de différentes structures de câblage (6×19, 6×37, 8×19, etc.).

2. Annotation des données

L'annotation est réalisée au format COCO, chaque image étant associée à un fichier d'annotation JSON. Les annotations comprennent l'étiquette de la classe de Défaut, les coordonnées du cadre englobant polygonale et le masque de segmentation du Défaut. Le travail d'annotation est effectué par des ingénieurs qualité spécialement formés, puis chaque annotation est soumise à une relecture croisée par des experts seniors, garantissant un taux de précision d'annotation d'au moins 98 %. Pour les échantillons litigieux (par exemple, les cas limites entre une Usure légère et une texture de surface normale), la norme d'annotation est déterminée par discussion collective et comparaison avec des échantillons physiques. Le jeu de données final comprend 11 classes cibles, réparties comme suit : ruptures de fils localisées (1 200 images), ruptures de fils concentrées (800 images), Usure uniforme (1 500 images), Usure localisée (1 000 images), Corrosion par piqûres (1 200 images), Corrosion uniforme (800 images), Déformation ondulée (400 images), Déformation en lanterne (300 images), réduction du diamètre du câble (600 images), mauvaise Lubrification (900 images) et échantillons normaux (1 300 images).

3. Augmentation des données

Afin d'améliorer la capacité de généralisation et la robustesse du modèle, une stratégie d'augmentation des données complète est appliquée lors de l'entraînement : (1) transformations géométriques — Rotation aléatoire (de -30° à 30°), retournement horizontal et vertical, recadrage aléatoire et mise à l'échelle (facteur 0,5 à 1,5) ; (2) transformations colorimétriques — réglage de la luminosité (±20 %), du contraste (±15 %), de la saturation (±10 %) et de la teinte (±5°) ; (3) injection de bruit — bruit gaussien (σ = 5-15) et bruit poivre et sel (densité 0,01-0,03) ; (4) simulation de flou — flou gaussien (taille du noyau 3-7) et flou de mouvement (simulation de la traînée du câble en mouvement) ; (5) simulation d'occlusion — effacement aléatoire (Random Erasing) et CutOut, simulant des scénarios d'occlusion par graisse. Grâce à ces stratégies, la taille effective de l'échantillon d'entraînement est multipliée par plus de 20, améliorant considérablement les performances de détection dans des conditions de fonctionnement complexes.

4. Configuration et déroulement de l'entraînement

L'entraînement du modèle repose sur l'architecture YOLOv8s, les images d'entrée étant redimensionnées à 640×640 pixels. Les hyperparamètres sont configurés comme suit : optimiseur SGD avec momentum (coefficient 0,937), taux d'apprentissage initial de 0,01 avec un programme de décroissance en cosinus (cosine annealing) ; coefficient de décroissance des poids de 0,0005 ; taille de lot (batch size) de 32 ; 300 époques d'entraînement. Une stratégie de préchauffage est appliquée : le taux d'apprentissage augmente linéairement de 0,001 à sa valeur initiale au cours des 3 premières époques. Un mécanisme d'arrêt précoce (Early Stopping) est utilisé : l'entraînement s'arrête automatiquement si la mAP sur l'ensemble de validation n'augmente pas pendant 30 époques consécutives. Le modèle converge après environ 24 heures d'entraînement sur un GPU NVIDIA RTX 4090, la perte finale d'entraînement descendant sous 1,2 et la mAP sur l'ensemble de validation atteignant l'Indicateur cible.

5. Performances de détection et intégration à la maintenance

Après déploiement et optimisation continue, le système de détection visuelle par IA pour câble du pont roulant atteint les Normes d'application industrielle sur l'ensemble de ses Indicateurs de performance. Parallèlement, le système est profondément intégré au processus de maintenance des équipements, formant une boucle opérationnelle complète : « Détection – Évaluation – Alerte – Maintenance ».

1. Indicateurs de performance de la détection

Les performances de détection du système, mesurées sur un ensemble de Test dédié (2 000 images, indépendant des ensembles d'entraînement et de validation), sont présentées dans le tableau ci-dessous. Tous les Indicateurs ont été obtenus sur un dispositif Informatique en Périphérie Jetson Orin NX, avec une fréquence d'inférence stable supérieure à 40 FPS, satisfaisant ainsi aux exigences de détection en temps réel pour un câble du pont roulant se déplaçant à une vitesse de 0,5 m/s.

2. Intégration avec le système de GMAO

Le système s'interconnecte avec la GMAO (Gestion de Maintenance Assistée par Ordinateur) existante de l'entreprise via une API RESTful standard. Lorsque le système de détection IA identifie un défaut de câble métallique atteignant le seuil d'alerte prédéfini, le flux d'intégration suivant est automatiquement exécuté : (1) récupération des informations de base de l'équipement, de l'historique de maintenance et des stocks de pièces de rechange depuis la GMAO ; (2) mise en correspondance automatique des recommandations de maintenance et des critères de mise au rebut selon la norme ISO 4309, en fonction du type de défaut et de son niveau de gravité ; (3) génération d'un ordre de travail standardisé comprenant l'identifiant de l'équipement, la position du défaut (exprimée par un décalage de longueur de câble), l'image du défaut, le niveau de gravité, les mesures correctives proposées et une étiquette de priorité ; (4) envoi de l'ordre de travail vers la GMAO et affectation automatique au corps de métier et à l'équipe de maintenance concernés ; (5) une fois l'ordre de travail clôturé, le technicien renseigne le résultat de l'intervention, et le système réacquiert l'image du câble traité pour l'intégrer dans la boucle d'apprentissage continu du modèle. Le délai moyen de l'ensemble du processus, de la détection à l'émission de l'ordre de travail, ne dépasse pas 30 secondes, garantissant ainsi une gestion en boucle fermée de l'identification à la résolution du problème.

3. Conformité aux normes nationales et internationales

Les critères de détection et la stratégie de mise au rebut du système s'appuient intégralement sur les normes suivantes : l'ISO 4309 « Appareils de levage à charge suspendue — Câbles métalliques — Code de bonne pratique pour l'examen et la mise au rebut » définit les méthodes, la fréquence et les critères de rebut pour l'inspection quotidienne des câbles métalliques, constituant la référence centrale du système ; l'ISO 4301 « Appareils de levage — Classification » fournit les exigences de coefficient de sécurité pour la sélection et la conception des câbles métalliques ; la réglementation TSG Q7016-2016 relative au contrôle de l'installation, de la rénovation et de la révision générale des appareils de levage impose des exigences claires en matière de conformité des inspections. Le système intègre un moteur de règles numérisé pour chaque norme, qui met automatiquement en correspondance les clauses applicables lors de l'évaluation des résultats de détection, garantissant ainsi une pleine conformité des recommandations de maintenance et des niveaux d'alerte.

Questions Fréquentes