Sécurité pont roulant : 5 applications IA de vision

La vision IA et les technologies de détection pour ponts roulants (ponts roulants) redéfinissent les méthodes de travail dans les ateliers de l'industrie lourde — de la protection de sécurité au positionnement des charges, en passant par la surveillance de la santé des équipements et la cartographie de l'environnement, la vision par apprentissage profond couvre chaque maillon essentiel de l'intelligence des ponts roulants. Kelude Industries Lourdes a structuré un système complet de vision IA couvrant l'ensemble des scénarios d'exploitation des ponts roulants, en s'appuyant sur la plateforme d'informatique en périphérie NVIDIA Jetson Orin NX et le framework de détection d'objets YOLOv8. Cet article, qui sert de guide central de la collection « Vision IA et détection pour ponts roulants », présente une vue d'ensemble des cinq scénarios d'application : architectures techniques, stratégies de déploiement et recommandations de sélection, offrant ainsi une feuille de route technique complète pour la mise à niveau intelligente des ponts roulants.

Contexte du développement de la vision IA pour ponts roulants

Dans les secteurs industriels clés tels que la métallurgie, la construction navale, la machinerie lourde et la fabrication d'équipements pour les énergies renouvelables, le pont roulant constitue le nœud central de la logistique d'atelier, conditionnant directement la productivité et la sécurité. Le fonctionnement traditionnel repose sur le jugement visuel de l'opérateur, la communication vocale avec le personnel au sol et des inspections manuelles périodiques nécessitant l'arrêt de la machine — un modèle qui se heurte aujourd'hui à des défis structurels face à la montée en cadence, à l'augmentation des coûts de main-d'œuvre et à des exigences réglementaires de plus en plus strictes.

La maturité des technologies de vision industrielle par IA, en particulier des frameworks de détection d'objets par apprentissage profond, offre une voie technologique à faible coût et à fort retour sur investissement pour l'intelligence des ponts roulants. Contrairement aux solutions de capteurs traditionnelles — bus à code de Gray, mesure de distance laser, codeurs — le système de vision par IA utilise la caméra industrielle comme capteur principal et ne dépend d'aucune infrastructure au sol. Il permet de réaliser simultanément la surveillance de la sécurité du personnel, la localisation des charges, la détection des défauts d'équipement et la cartographie de l'environnement. S'appuyant sur une plateforme matérielle d'informatique en périphérie unifiée (série NVIDIA Jetson) et un framework algorithmique commun (série YOLOv8), le système de vision IA pour ponts roulants peut être déployé progressivement selon un principe modulaire « une grue, une solution », en commençant par les scénarios de protection de la sécurité les plus critiques, puis en s'étendant à un système de pont roulant intelligent complet.

Le système de vision IA et de détection développé en interne par Kelude couvre cinq scénarios d'application majeurs : surveillance de la sécurité, localisation des charges, inspection de câbles, contrôle de soudure et cartographie SLAM visuel. Ces cinq domaines — personnes (protection de la sécurité), objets (manutention des charges), machines (santé des équipements), structures (inspection des structures métalliques), localisation (perception de l'environnement) — constituent la capacité complète de la vision IA appliquée aux ponts roulants. Analyse détaillée ci-dessous.

Détection d'intrusion de personnel et anticollision pour ponts roulants

La sécurité du personnel pendant les opérations de levage constitue la priorité absolue en matière de sécurité en atelier. Conformément à la norme GB/T 28264-2017 — Système de surveillance et de gestion de la sécurité pour appareils de levage — le pont roulant doit être capable de détecter et de réagir activement aux situations dangereuses dans la zone de manutention. Les solutions de sécurité traditionnelles — barrières physiques, verrous de sécurité de porte et surveillance humaine — reposent sur une isolation passive et l'attention du personnel, laissant des angles morts significatifs dans un environnement de levage dynamique et complexe.

Le système de surveillance de sécurité visuelle pour ponts roulants de Kelude Industries Lourdes déploie une caméra IA industrielle de chaque côté de la poutre d'extrémité et une sous le chariotaque côté de la poutre d'extrémité et une sous le chariot (partie inférieure du chariot), assurant une couverture redondante à trois voiesis voies de la zone de manutention. Les caméras capturent des images 1080P à 30 images par seconde, transmises via Ethernet Gigabit au module d'informatique en périphérie Jetson Orin NX (puissance de calcul 100 TOPS). Le modèle de détection d'objets YOLOv8s exécuté sur la plateforme Jetson effectue la détection de personnes (person) sur chaque image, avec une latence d'inférence inférieure à 15 ms par image et un temps de réponse de bout en bout inférieur à 100 ms.

La logique de sécurité centrale repose sur une stratégie d'alarme à trois niveaux — la zone d'alerte jaune (5 à 8 m) déclenche une alarme sonore et visuelle ainsi qu'une décélération ; la zone d'attention orange (3 à 5 m) déclenche une décélération d'urgence et une évacuation vocale ; la zone de danger rouge (< 3 m) déclenche un arrêt d'urgence STO (Safe Torque Off). Dans des conditions d'éclairage normal (500 Lux), la mAP de détection des personnes est ≥ 95 % ; en faible luminosité (50 Lux avec éclairage infrarouge), elle est ≥ 90 %. Le déploiement redondant des trois caméras garantit que chaque personne au sol est couverte par au moins deux caméras simultanément, éliminant les risques de non-détection dus à l'occlusion d'un seul angle de vue. En cas de fonctionnement de plusieurs ponts roulants sur une même voie, un schéma d'éclairage à répartition temporelle et à fréquences décalées est adopté, avec un taux de déclenchement erroné inférieur à 0,1 fois par heure pour trois grues partageant la même voie. Voir « Surveillance de sécurité visuelle des ponts roulants : détection d'intrusion de personnel et pratiques d'ingénierie anticollision ».

Système de vision et de positionnement de précision pour charges de pont roulant

Le positionnement des charges — placer avec précision des bobines d'acier, des tôles, des équipements de grande taille ou des moules à un emplacement désigné — constitue un goulot d'étranglement critique pour la productivité en atelier. La méthode traditionnelle repose sur l'appréciation visuelle de l'opérateur assisté par un coordinateur au sol ; la précision est limitée par les compétences de l'opérateur et les conditions de visibilité, et un seul positionnement nécessite souvent de multiples ajustements itératifs. Avec la généralisation du procédé de coulée continue-laminage « une seule chauffe » dans l'industrie sidérurgique et les exigences croissantes d'assemblage de précision dans la fabrication d'équipements pour les énergies renouvelables, le positionnement manuel traditionnel ne répond plus aux cadences de production modernes.

Le système de vision et de positionnement de précision pour charges de pont roulant adopte une architecture à quatre couches (couche de perception — couche d'inférence — couche de transformation — couche de contrôle), établissant une boucle fermée complète de l'acquisition d'images au positionnement automatique. La couche de perception utilise des caméras industrielles Hikvision ou Basler (5 à 20 MP, interface GigE Vision), assistées d'un éclairage LED stroboscopique pour compenser les variations de luminosité en atelier. Le modèle YOLOv8s de la couche d'inférence effectue la détection en temps réel de quatre catégories de charges — bobine d'acier (Steel_Coil), tôle (Steel_Plate), équipement (Equipment) et moule (Mold) — avec une mAP@0.5 de 0,962 et une inférence de 12 à 18 ms par image (optimisation TensorRT FP16).

Le cœur du positionnement réside dans la couche de transformation des coordonnées — grâce à la matrice des paramètres intrinsèques de la caméra et à la matrice de transformation de perspective, préalablement étalonnées, les coordonnées pixel issues de YOLOv8 sont converties en coordonnées du système de coordonnées mondial du plan au sol (en mm). La transformation utilise une interpolation bilinéaire et une optimisation au niveau subpixel, atteignant une précision de positionnement de ± 5 mm. La couche de contrôle transmet l'écart au PLC Siemens S7-1200/1500 via une passerelle PROFINET, générant les commandes de mouvement pour le pont du pont roulant, le chariot et le mécanisme de levage. La latence de traitement de bout en bout est maintenue sous 100 ms, répondant aux exigences de contrôle en temps réel pour les opérations à basse vitesse (≤ 20 m/min). Voir « Système de vision et de positionnement de précision pour charges de pont roulant : détection de charges YOLOv8 et pratiques d'ingénierie de guidage visuel ».

Inspection de câbles par vision IA pour ponts roulants

Le câble métallique est l'élément porteur le plus critique du pont roulant ; son état conditionne directement la sécurité des équipements et du personnel. Conformément aux normes GB/T 5972-2016 — Câbles pour grues — Entretien, maintenance, inspection et mise au rebut et TSG Q7015-2016 — Règles d'inspection périodique des appareils de levage — le câble doit être inspecté régulièrement pour détecter les ruptures de fils, l'usure, la corrosion et la déformation. L'inspection visuelle manuelle traditionnelle (contrôle visuel VT) dépend de l'expérience de l'inspecteur et présente des limitations fondamentales : angles morts nombreux, critères non uniformisés et impossibilité d'alerte en temps réel.

Le système d'inspection de câbles par vision IA pour ponts roulants adopte un déploiement coordonné de caméras multiples — une caméra en plongée couvre la zone de fixation de l'extrémité supérieure du câble, une caméra latérale surveille la section libre au milieu, et une caméra en contre-plongée est orientée vers l'extrémité inférieure du câble et la zone du réa de moufle. La couche de perception utilise des capteurs CMOS à obturateur global (jusqu'à 200 images par seconde), avec une impulsion d'éclairage LED stroboscopique réglable à la microseconde. La couche d'inférence exécute un modèle YOLOv8s amélioré (intégrant des convolutions déformables DCNv4 et une attention par coordonnées Coordinate Attention) pour la détection en temps réel de trois classes de défauts principales — ruptures de fils, usure et corrosion — avec une mAP globale ≥ 0,93.

Au niveau de l'analyse, le système utilise le réseau neuronal EfficientNet-B4 pour effectuer une classification fine secondaire de 11 sous-types de défauts (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, présence de corps étrangers en surface), avec un taux de précision de classification ≥ 95 %. Les défauts sont classés en quatre niveaux de gravité, de Grade 0 à Grade 3 ; un niveau modéré ou supérieur déclenche automatiquement une alarme. La couche d'alerte est intégrée au système de maintenance prédictive PHM et au système informatisé de gestion de maintenance CMMS, avec un temps de réponse moyen ne dépassant pas 30 secondes entre la détection et la génération de l'ordre de travail. La stratégie de fusion multispectrale (RGB+NIR) améliore le taux de rappel de détection des défauts de corrosion de 12,7 %. Pour plus de détails, voir « Système d'inspection par vision IA en ligne pour câbles de pont roulant : pratique d'ingénierie pour l'identification des défauts de rupture de fils, d'usure et de corrosion basée sur l'apprentissage profond ».

Inspection par vision IA des soudures de rail et de poutre principale

Les soudures bout à bout du rail du pont roulant et les soudures d'angle de la poutre principale constituent les points faibles de la structure métallique de l'ensemble de la machine — les soudures soumises à des charges alternées, à des chocs de forte intensité et à la corrosion environnementale peuvent, si des fissures ou des défauts de pénétration ne sont pas détectés, entraîner une défaillance structurelle catastrophique. L'inspection par vision IA des défauts de soudure présente des défis techniques majeurs : la largeur des fissures n'est que de 0,05 à 0,3 mm, ce qui constitue un problème typique de détection de petites cibles ; la surface de la soudure présente des scories, des projections et de la calamine qui créent un fort bruit de fond.

Le système d'inspection par vision IA des soudures de rail et de poutre principale adopte une architecture de déploiement à trois formes — véhicule d'inspection autonome AGV (inspection automatisée des soudures de rail sur de grandes surfaces), détecteur portable (espaces confinés et soudures d'angle de tête de pont), et poste de travail fixe (poste d'assemblage et de soudage de la poutre principale) — les trois formes partageant une pile logicielle commune. La couche de perception est équipée de deux caméras industrielles (obturateur global grand angle + macro), d'un éclairage annulaire structuré et d'un scanner à profil laser (pour l'acquisition du contour tridimensionnel de la soudure).

La couche d'inférence déploie le modèle YOLOv8s-weld — optimisé par élagage à partir de YOLOv8s et doté d'une tête de détection de petites cibles, spécialement conçu pour les caractéristiques des défauts de soudure, atteignant une inférence par image ≤ 15 ms (≥ 60 FPS) sur Jetson AGX Orin. Le système couvre la détection en temps réel de cinq types de défauts : fissures (trois sous-types : longitudinales, transversales, en cratère), pénétration incomplète, soufflures, inclusions de laitier et caniveaux, avec une mAP globale ≥ 0,94. La couche d'évaluation s'aligne automatiquement sur la norme ISO 17636 (équivalent de GB/T 3323-2020) pour le contrôle radiographique des assemblages soudés par fusion, fournissant une évaluation de qualité de niveau I à IV et des recommandations de reprise. Les types de soudures couvrent trois structures de soudage typiques de ponts roulants : les soudures bout à bout en V des rails QU70/80/100, les soudures d'angle double face de la poutre principale et les soudures mixtes de la tête de pont. Pour plus de détails, voir « Système d'inspection par vision IA des soudures de rail et de poutre principale : pratique d'ingénierie pour l'identification des fissures, pénétrations incomplètes et soufflures basée sur l'apprentissage profond ».

Cartographie d'environnement et positionnement SLAM visuel pour pont roulant

L'un des principaux défis du pont roulant en fonctionnement entièrement automatique est de réaliser un positionnement global fiable et précis à l'intérieur du bâtiment d'usine, où le GPS n'est pas disponible. Les solutions traditionnelles — télémètre laser fortement perturbé par la poussière, bus à code de Gray coûteux à installer et à maintenir, codeur sujet à la dérive cumulative due au glissement des roues — ne fournissent qu'une position unidimensionnelle ou bidimensionnelle, sans percevoir l'attitude spatiale à six degrés de liberté du pont roulant.

Le système de cartographie d'environnement et de positionnement SLAM visuel pour pont roulant fusionne les deux frameworks open-source ORB-SLAM3 et VINS-Mono, utilisant une caméra monoculaire/stéréo et une centrale inertielle à six axes comme capteurs, pour réaliser simultanément l'estimation de pose à six degrés de liberté et la construction de cartes clairsemées/denses dans un environnement d'usine inconnu. L'extraction des caractéristiques du bâtiment d'usine utilise des paramètres adaptés au pont roulant (nFeatures augmenté de 1 200 à 2 000, iniThFAST réduit de 20 à 12), et l'introduction de la correspondance de segments de ligne LSD en couche auxiliaire améliore le taux de correspondance des caractéristiques de 35 % à 52 %.

La conception de pré-intégration IMU et de couplage serré visuel-inertiel réduit le taux de perte de suivi en conditions vibratoires d'environ 8 % en mode purement visuel à 0,5 %. Pour le problème d'expansion de la taille de la carte dans les bâtiments à grande portée (100 à 300 m), le système adopte trois mesures d'optimisation : l'élagage du graphe de covisibilité (déclenché toutes les 50 images, suppression de 5 à 10 % des redondances), la gestion active des sous-cartes locales (division en grille de 50 m × 30 m) et la détection de boucle incrémentale (sac de mots DBoW2 + optimisation de graphe de pose, 500 ms pour 3 000 images), avec une précision de positionnement de ± 10 cm. La solution d'optimisation non linéaire à fenêtre glissante de VINS-Mono offre un avantage de temps réel supérieur dans les scénarios de déploiement en périphérie à ressources de calcul limitées. Ce système peut être déployé indépendamment comme redondance de positionnement global du pont roulant, ou être profondément intégré à la mesure de distance laser et au codeur pour constituer une architecture de positionnement multi-capteurs. Pour plus de détails, voir « Système de cartographie d'environnement et de positionnement SLAM visuel pour pont roulant ».

Comparatif technique et guide de sélection des cinq systèmes

Les cinq systèmes se distinguent par leur pile technologique, leurs indicateurs de performance et leurs coûts matériels. Le choix doit être adapté aux conditions de fonctionnement du pont roulant, à l'environnement de l'atelier et aux exigences de gestion. Le tableau ci-dessous présente une comparaison transversale selon les paramètres clés :

Recommandations de priorisation : Pour la rénovation intelligente d'un pont roulant, il est conseillé de déployer les systèmes par étapes, en suivant une progression logique : « sécurité, santé, positionnement, cartographie ». Le système de détection d'intrusion de personnel constitue l'équipement de base de tout pont roulant et représente le déploiement prioritaire de niveau le plus bas. L'inspection des câbles métalliques et le contrôle des soudures peuvent être configurés en fonction de l'âge du pont et des conditions d'exploitation — pour les ponts anciens, privilégier l'inspection des câbles ; pour les ponts neufs, privilégier le contrôle des soudures en sortie d'usine. Le système de positionnement de charge répond aux goulots d'étranglement de la cadence de production et convient aux ponts nécessitant un positionnement automatique. Le système de vision SLAM, quant à lui, est destiné aux scénarios de fonctionnement entièrement automatique et de logistique intelligente. Les cinq systèmes partagent la plateforme d'informatique en périphérie Jetson Orin NX/AGX et l'écosystème d'algorithmes YOLOv8 ; ils peuvent être intégrés sur un même pont roulant, avec une réutilisation des ressources assurée par la répartition des tranches de temps GPU et le chargement dynamique des modèles.

Fusion multi-capteurs et intégration des systèmes

Les données des capteurs des cinq systèmes sont profondément fusionnées sur la plateforme d'informatique en périphérie unifiée, formant une boucle fermée perception-décision-contrôle couvrant tous les scénarios d'exploitation du pont roulant. Prenons l'exemple de l'interaction entre la détection d'intrusion de personnel et le positionnement de charge : lorsque le système de sécurité détecte l'entrée d'une personne dans la zone d'alerte orange, le système de positionnement de charge enregistre simultanément les coordonnées actuelles de la charge, fournissant ainsi des données spatio-temporelles complètes pour la traçabilité ultérieure des incidents de sécurité. Un défaut de grade 3 détecté par le système d'inspection des câbles métalliques déclenche automatiquement une mission d'inspection ciblée du système de contrôle des soudures — l'AGV de contrôle des soudures reçoit la commande, planifie son itinéraire de manière autonome jusqu'au tronçon de rail du pont roulant situé à proximité du défaut, et procède à un contrôle ciblé des cordons de soudure du rail et des soudures d'angle de la poutre principale dans la zone concernée.

D'un point de vue plus global, ces cinq systèmes de vision par IA, associés au système de contrôle central (PLC) du pont roulant, à la plateforme de gestion prédictive de la santé (PHM), au système d'exécution de la fabrication (MES) et au système de gestion des ressources d'entreprise (ERP), forment une architecture industrielle complète de l'Internet des Objets (IoT). Les données en temps réel collectées par la couche de perception, après traitement IA en périphérie, sont transmises sous forme de résultats structurés aux plateformes de gestion au niveau de l'atelier et au niveau du groupe, constituant ainsi la base de données pour la gestion du cycle de vie complet des équipements, l'optimisation de la planification de la production et l'audit de conformité en matière de sécurité. Avec l'augmentation continue de la puissance de calcul IA en périphérie (la prochaine plateforme Jetson Orin devrait offrir 200 à 500 TOPS) et l'évolution des modèles multimodaux de grande taille, les systèmes de vision IA pour ponts roulants évolueront d'une simple détection vers une compréhension cognitive — non seulement détecter l'intrusion de personnel, mais aussi comprendre les gestes et les intentions opérationnelles des travailleurs au sol.

Questions fréquentes sur les systèmes de vision IA