Inspection IA des Câbles : Performance Kelude au Concours International
L'équipe Vision IA pour ponts roulants obtient des résultats remarquables au concours international de détection de défauts industriels. Les performances de l'inspection visuelle par IA déterminent directement la précision de reconnaissance et l'exploitabilité technique des systèmes de détection intelligents pour ponts roulants.
Les performances de l'inspection visuelle par IA déterminent directement la précision de reconnaissance et l'exploitabilité technique des systèmes de détection intelligents pour ponts roulants. L'équipe Vision IA pour ponts roulants a récemment participé au concours international CrackDetection Challenge 2026, dédié à la détection de défauts industriels. Elle s'est classée respectivement 3ᵉ et 5ᵉ au classement général dans les deux catégories « détection de fils cassés du câble » et « détection de fissures sur cordon de soudure », avec une précision de détection mAP de 94,7 % sur la tâche de détection de fils cassés. Le modèle amélioré YOLOv8, développé indépendamment par l'équipe et basé sur les convolutions déformables DCNv4 et le mécanisme d'attention par coordonnées Coordinate Attention, a été officiellement retenu par les organisateurs comme l'un des modèles de référence du concours.
Résultats du concours et performances de l'équipe
Le CrackDetection Challenge 2026, co-organisé par l'IEEE Industrial Electronics Society et l'Université technique de Munich, a réuni 157 équipes issues de 28 pays, comprenant des laboratoires universitaires et des départements R&D d'entreprises spécialisées en inspection industrielle. Le concours comportait quatre catégories — détection de fils cassés du câble, détection de fissures sur cordon de soudure, détection de fissures sur chaussées routières et détection de microfissures sur pales de moteurs aéronautiques — partageant un cadre d'évaluation unifié. L'équipe a participé aux deux catégories directement liées à son activité d'inspection visuelle par IA pour ponts roulants : la détection de fils cassés du câble et la détection de fissures sur cordon de soudure.
Pour la catégorie détection de fils cassés du câble, l'ensemble d'entraînement comprenait 8 000 images annotées couvrant trois types de défauts — ruptures de fil localisées, ruptures concentrées et déformation du diamètre du câble — tandis que l'ensemble de test contenait 2 000 images non annotées. Le modèle soumis par l'équipe a obtenu un score global de 86,7 points dans cette catégorie, se classant 3ᵉ — avec une précision de détection mAP de 94,7 % (3ᵉ rang), une vitesse d'inférence de 38,2 ms par image (5ᵉ rang) et 7,3 M de paramètres (2ᵉ rang). Dans la catégorie détection de fissures sur cordon de soudure, le modèle a obtenu un score global de 82,3 points, se classant 5ᵉ. Ces deux résultats constituent les meilleures performances jamais enregistrées par une équipe issue du secteur de la construction de grues en Chine.
Innovations techniques du modèle amélioré
Le modèle utilisé lors du concours, basé sur l'architecture YOLOv8s, intègre trois améliorations techniques clés : le remplacement des convolutions standard par des convolutions déformables DCNv4, permettant aux points d'échantillonnage du noyau de convolution de s'adapter de manière dynamique à la forme des défauts dans la carte de caractéristiques d'entrée — ce qui a porté le taux de rappel des ruptures de fil de petite taille de 83,5 % à 91,2 % dans la tâche de détection de fils cassés ; l'intégration du mécanisme d'attention par coordonnées à chaque niveau du réseau pyramidal de caractéristiques, permettant au modèle de localiser avec précision la position spatiale des défauts ; et une conception allégée reposant sur des convolutions séparables en profondeur et l'élagage de canaux, réduisant le nombre de paramètres de 11,2 M à 7,3 M, soit une diminution d'environ 35 %.
Transformation technique des résultats du concours
Les améliorations algorithmiques validées lors du concours sont déjà en cours de transformation technique au sein de la gamme de produits d'inspection visuelle par IA pour ponts roulants. Le module DCNv4 a été intégré et déployé dans le modèle produit du système de détection en ligne par IA pour câbles métalliques ; après tests, il a permis d'augmenter le mAP global de 0,91 à 0,94 tout en maintenant la vitesse d'inférence en temps réel. Le mécanisme d'attention par coordonnées a été introduit dans le modèle de détection IA pour cordons de soudure, améliorant la précision de détection des défauts de type fissure de 4,3 points de pourcentage. La technique d'élagage pour conception allégée a été appliquée au déploiement du modèle sur la plateforme edge Jetson Orin NX, réduisant la vitesse d'inférence de 18 ms/image à 12 ms/image tout en conservant plus de 98 % de la précision d'origine.
Capacité d'innovation continue de l'équipe algorithmique
L'équipe Vision IA pour ponts roulants compte actuellement 22 ingénieurs algorithmes à temps plein, dont 4 docteurs, 12 masters et 6 licenciés. Les membres de l'équipe, issus de formations en vision par ordinateur et en apprentissage profond, couvrent trois domaines de recherche : la détection d'objets, la segmentation d'images et la conception allégée de modèles. L'équipe a mis en place un processus standardisé d'itération algorithmique — une revue d'architecture de modèle est organisée chaque trimestre, et les tendances techniques identifiées à partir des validations en compétition et des nouvelles publications scientifiques déterminent les axes d'amélioration pour le trimestre suivant. Les journaux d'entraînement de modèles et les données expérimentales d'ablation accumulés au fil des ans constituent désormais un actif de connaissance précieux : les nouveaux membres peuvent rapidement reproduire et étendre les recherches existantes sur la base des expérimentations déjà menées.
Questions fréquentes (FAQ)
Q : Le modèle utilisé lors du concours est-il le même que celui déployé dans les produits de détection pour ponts roulants ?
A : Non, il ne s'agit pas du même modèle, mais les technologies sont issues de la même source. Le modèle de compétition utilise une résolution d'entrée plus élevée et des stratégies d'entraînement plus complexes pour atteindre une précision maximale. Le modèle produit, quant à lui, supprime les composants défavorables au temps réel et est adapté à la plateforme Jetson avec quantification TensorRT FP16. Le modèle de compétition valide la limite théorique de précision de l'algorithme, tandis que le modèle produit atteint l'équilibre optimal entre précision et vitesse. Actuellement, le mAP du modèle produit représente environ 95 % à 98 % de celui du modèle de compétition.
Q : L'équipe prévoit-elle de participer à d'autres concours internationaux à l'avenir ?
A : Oui, l'équipe prévoit de participer à 1 à 2 concours internationaux par an en lien avec la technologie d'inspection visuelle par IA pour ponts roulants. Pour le second semestre 2026, l'équipe s'est déjà inscrite au concours MVTec AD 2026 sur la détection d'anomalies en vision industrielle, organisé par l'Association internationale de reconnaissance de formes (IAPR). L'objectif principal de ces participations n'est pas le classement, mais l'évaluation du niveau réel des algorithmes par comparaison avec les meilleures équipes mondiales, afin d'identifier les axes de progrès technique.
Q : Les résultats techniques de l'équipe font-ils l'objet de publications scientifiques ?
A : Oui. Au cours des deux dernières années, l'équipe a publié 5 articles dans des revues et conférences académiques spécialisées en inspection industrielle. Ces publications sont orientées vers les applications et mettent l'accent sur la valeur de la pratique d'ingénierie. Les détails techniques complets de la solution DCNv4 + Coordinate Attention validée lors du concours sont en cours de soumission à IEEE Transactions on Industrial Informatics.
Q : Quels sont les principaux défis techniques actuels dans le domaine de la détection de défauts industriels ? Quel impact ont-ils sur la détection pour ponts roulants ?
A : La détection des défauts industriels se heurte à trois défis majeurs. Premièrement, la détection des petits défauts : une fissure d'une largeur de 0,05 à 0,3 mm n'occupe que quelques pixels sur l'image. Deuxièmement, la forte similarité inter-classes : les soufflures et les inclusions de laitier présentent des caractéristiques visuelles très proches, tout comme les textures de la corrosion et des taches d'huile. Enfin, la rareté des données annotées : l'acquisition de données sur les défauts industriels est coûteuse et les échantillons positifs et négatifs sont extrêmement déséquilibrés. Ces défis se retrouvent également dans l'inspection des câbles du pont roulant et le contrôle des soudures.
