Détection de Charge IA pour Pont Roulant : Pesage Intelligent
Reconnaissance visuelle IA pour pont roulant : grâce au modèle d'apprentissage profond YOLOv8s et à l'algorithme de suivi multi-objets ByteTrack, la détection en temps réel de la charge suspendue atteint une précision ≥ 95 % (mAP@0.5). Le modèle de pesage dynamique LSTM assure une erreur de pesage dynamique ≤ 2 % de l'échelle, complété par une caméra industrielle stabilisée (1920×1080@30fps) et un module de calcul IA embarqué (TOPS ≥ 4), formant un système de vision IA complet. Les solutions de vision IA de Kelude ont été déployées dans plus de 30 installations dans les secteurs de la fonderie, de l'acier et de l'entreposage.
Le système de reconnaissance visuelle IA pour pont roulant se compose de trois parties : une caméra industrielle stabilisée, un module de calcul IA embarqué et un logiciel d'analyse visuelle. La caméra est montée sous le châssis du chariot du pont roulant, offrant une vue plongeante sur la zone de levage. Les données d'image sont transmises via Ethernet au module de calcul IA, où le modèle YOLOv8s effectue la détection et la classification de la charge en périphérie. Le système intègre également la fonction de pesage par balance électronique : le modèle d'apprentissage profond LSTM compense en temps réel la déformation de la charge et l'oscillation du câble métallique visibles dans l'image, permettant un pesage dynamique pendant l'opération de levage. Le schéma d'architecture ci-dessous illustre le flux de données complet, de l'acquisition d'images à la sortie des résultats de détection. La conception du système doit se conformer à la norme ISO 4301 / FEM 1.001 – Spécification de conception de grue : interprétation des clauses clés (charges, structure, mécanisme, électricité, sécurité) et aux normes associées JJG 555-2016.
Architecture du système de vision
L'architecture du système de vision IA est structurée en trois couches : acquisition d'images, inférence en périphérie et sortie des résultats. Couche d'acquisition d'images : la caméra industrielle stabilisée, montée sous le châssis du chariot, capture des images haute définition en 1920×1080@30fps. Une lumière d'appoint infrarouge à 850 nm assure une imagerie claire dans des conditions de faible éclairement. La caméra a un Indice de Protection (IP) de IP67. Couche d'inférence en périphérie : le module IA embarqué, basé sur un processeur NVIDIA Jetson ou Rockchip RK3588, offre une puissance de calcul ≥ 4 TOPS (INT8). Il exécute le modèle YOLOv8s pour inférer sur chaque image, avec une vitesse d'inférence ≥ 25fps pour répondre aux exigences de temps réel. Couche de sortie des résultats : les résultats de détection sont transmis au système de commande PLC du pont roulant via RS485 ou Ethernet, incluant la catégorie de la charge, ses coordonnées de position et la valeur de pesage dynamique.
La communication entre le système de vision et le PLC du pont roulant utilise le protocole Modbus TCP. La trame de données des résultats de détection comprend l'ID de la charge, les coordonnées, les dimensions, la masse, le niveau de confiance et la somme de contrôle, pour une longueur totale de 16 octets par trame et un cycle de communication de 100 ms. La solution de vision IA de Kelude est complémentaire et intégrée à la solution SLAM visuel du système de positionnement du pont roulant : le SLAM est responsable de la cartographie de l'environnement et de la planification de trajectoire, tandis que la vision IA gère la détection et le pesage de la charge.
Solution technique de détection de charge
La détection de la charge utilise le modèle YOLOv8s comme détecteur de base. L'ensemble de données d'entraînement couvre 12 catégories courantes de charges (tôle d'acier, bobine, profilé, pièce coulée, caisse, tube, vrac, conteneur, matrice, équipement, spreader à vide, état anormal), avec ≥ 2000 échantillons par catégorie, soit plus de 25 000 images annotées au total. La stratégie d'augmentation de données comprend une rotation multi-angle (±15°), des variations d'éclairage, une simulation d'occlusion et un flou de mouvement. La taille d'entrée du modèle est de 640×640 pixels, avec un seuil NMS de 0,45 et un seuil de confiance de 0,5, aboutissant à une précision de détection finale mAP@0.5 ≥ 95 %.
Le suivi multi-objets est assuré par l'algorithme ByteTrack, qui combine la prédiction par filtre de Kalman et l'appariement par l'algorithme hongrois pour maintenir l'identité (ID) de la charge entre les trames consécutives. L'avantage clé de ByteTrack réside dans son traitement secondaire des boîtes de détection à faible confiance, réduisant considérablement les changements d'ID dus aux occlusions et aux changements de perspective. Dans un scénario de test réel sur un pont roulant de 10t, le taux de changement d'ID est < 1 pour 1000 trames, et la précision du suivi multi-objets (MOTA) est ≥ 93 %. Le suivi fournit en sortie la trajectoire de mouvement de la charge et des statistiques de cycle de travail, fournissant une base de données pour l'analyse de l'efficacité de production.
Avis du responsable technique de Kelude :
“Le plus grand défi pratique de la détection visuelle IA de charge n'est pas la précision du modèle, mais l'incontrôlabilité des conditions d'éclairage sur site. Lors de nos déploiements en fonderie et en aciérie, nous avons rencontré un problème typique : la réflexion sur les pièces coulées et la forte lumière près du four provoquaient une surexposition des images, faisant chuter la confiance de détection de YOLOv8s de 95 % à 40 %. Notre solution a été triple : premièrement, l'utilisation de capteurs à obturateur global avec une fonction WDR matérielle (plage dynamique étendue >120dB) ; deuxièmement, l'ajout d'échantillons surexposés dans l'augmentation de données lors de l'entraînement du modèle ; troisièmement, le déploiement d'un algorithme d'exposition adaptative dans le module de calcul IA, ajustant dynamiquement le temps d'exposition et le gain en fonction de la luminosité moyenne de l'image précédente. Cette approche a permis de restaurer une confiance de détection supérieure à 90 % dans des environnements à forte luminosité.”
Solution de pesage intelligent par balance électronique
Le pesage dynamique repose sur un modèle d'apprentissage profond LSTM qui compense en temps réel l'oscillation du câble métallique sous la charge, la rotation de la charge et les vibrations de la caméra dans les images vidéo. Une balance électronique traditionnelle nécessite que la charge soit parfaitement immobile (maintenue en suspension ≥ 3s) pour obtenir une lecture stable. En revanche, la balance à vision IA, grâce au modèle LSTM qui apprend les caractéristiques des séries temporelles du balancement de la charge, peut fournir une valeur de masse stable pendant l'opération de levage. Les caractéristiques d'entrée du modèle LSTM comprennent le taux de variation de la surface du cadre englobant de la charge, l'accélération du déplacement du centre de la charge, l'angle de balancement et la vitesse d'oscillation du câble métallique. La sortie est la valeur de masse compensée.
L'ensemble de données d'entraînement du modèle LSTM provient des données d'étalonnage de la plateforme de test de Kelude : lors du levage de poids d'essai de masse connue, les caractéristiques vidéo et les valeurs de référence du capteur de pesage sont acquises simultanément, totalisant environ 8000 séquences d'entraînement. L'erreur de pesage dynamique mesurée est ≤ 2 % de l'échelle, et le temps nécessaire pour un pesage unique est < 1s (contre 5 à 8s pour une méthode traditionnelle). À une cadence de 25 cycles/h, le temps de pesage économisé cumulé est d'environ 3 à 5 minutes par jour.
Paramètres clés du système de vision IA
| Paramètreélément | inspection visuelle | Pesage dynamique | traditionnelBalance électronique | description |
|---|---|---|---|---|
| algorithme de base | YOLOv8s+ByteTrack | LSTMmodèle temporel | Résistanceà jauges de contrainteCapteur | AIsolution sans contact |
| Précision | mAP≥95% | ≤2%FS | ≤0.5%FS | traditionnelPrécisionplus élevée mais nécessite l |
| Temps de réponse | 40ms(inférence) | <1s(dynamique) | 3~8s(nécessite un survol) | AIPesage dynamiquerapide4~8fois |
| coût matériel | 2~4dix mille yuans | inclus danssystème de visiondans | 0.5~2dix mille yuans | AIpuissance de calcul supplémentaire de la solutionModule |
| Domaine d'application | matériaux en vrac/pièces moulées/tôles | Service continupesage | pesage de précision | les deux peuvent être utilisés en complément |
Données clés du système
| précision de détection ≥95% YOLOv8s mAP@0.5 | erreur de pesage ≤2%FS LSTMcompensation dynamique | vitesse d'inférence 25fps Jetsonpériphérie |
| besoin en puissance de calcul 4TOPS INT8inférence quantifiée | échantillons d 25000images 12annotation des catégories de charges | IDtaux de commutation <1fois/milliers de trames ByteTrackmultiplesuivi d'objets |
Questions fréquentes (FAQ)
Q : Quel est l'investissement nécessaire pour un système de reconnaissance visuelle IA sur pont roulant ?
A : Le coût matériel d'un système de reconnaissance visuelle IA se situe entre 2 500 € et 5 100 € par unité, incluant la caméra industrielle stabilisée (environ 380 € à 760 €), le module de calcul IA embarqué (environ 1 270 € à 3 180 €) et les accessoires de montage. La licence logicielle est facturée annuellement, entre 640 € et 1 270 € par unité et par an. Comparé à une balance électronique traditionnelle (640 € à 2 540 €), la solution IA permet simultanément la détection de la charge suspendue et le pesage dynamique, offrant un meilleur rapport qualité-prix global. Kelude propose l'installation et la mise en service gratuites sur site pour le premier déploiement.
Q : Quelle est la précision comparée entre la balance visuelle IA et la balance électronique traditionnelle ?
A : La balance électronique traditionnelle offre une précision statique supérieure (≤0,5 % de la pleine échelle), mais elle exige un maintien de la charge suspendue pendant 3 à 8 secondes, ce qui réduit l'efficacité opérationnelle. La balance visuelle IA affiche une précision dynamique légèrement inférieure (≤2 % de la pleine échelle), mais elle ne nécessite aucun temps d'arrêt, économisant 3 à 5 secondes par cycle. À une cadence de 25 cycles/heure, le temps de pesage cumulé économisé atteint 3 à 5 minutes par jour. Recommandation de Kelude : conserver la balance électronique traditionnelle pour les applications nécessitant une haute précision de mesure (niveau transaction commerciale), et privilégier la balance visuelle IA pour les besoins de suivi de production et de gestion des matières.
Q : Le système de reconnaissance visuelle IA fonctionne-t-il en environnement sévère ?
A : Oui. La solution IA de Kelude a été spécifiquement optimisée pour les environnements sévères tels que les ateliers de coulée (chaleur et poussière), les aciéries (forte luminosité et vapeur) et les ports (embruns salins et humidité). La caméra bénéficie d'un indice de protection IP67 et d'un capteur à obturateur global (plage dynamique étendue >120 dB). Le module de calcul IA est doté d'une conception de dissipation thermique de qualité industrielle (température de fonctionnement de -20 °C à 70 °C). Les données de déploiement en atelier de coulée montrent qu'après optimisation de l'exposition matérielle WDR, la confiance de détection reste supérieure à 90 % dans des conditions de forte luminosité.
Q : Comment le système de vision IA s'intègre-t-il au système de commande existant du pont roulant ?
A : Le système de vision IA communique avec l'API du pont roulant via le protocole Modbus TCP, les résultats de détection étant transmis au format standard de trame de données de 16 octets. Le raccordement matériel nécessite simplement un câble Ethernet reliant le module de calcul IA au commutateur réseau de l'API. Côté logiciel, un programme client Modbus doit être développé dans l'API pour analyser les trames de données. Kelude fournit des bibliothèques de programmation standard pour les API Siemens S7-1200/S7-1500 et Mitsubishi FX5U/série L ; l'intégration et la mise en service sont réalisées en environ 2 jours ouvrés.
