Maintenance prédictive par vision – surveiller infrastructures et équipements

La maintenance prédictive par vision se distingue de l’inspection industrielle par une inversion du rapport au temps. Sur une ligne de production, une image décide du sort d’une pièce à l’instant où elle est prise. Sur un ouvrage ou un équipement, une image ne décide de rien seule : elle prend son sens comparée à celle de l’inspection précédente, et c’est l’évolution entre les deux qui commande la décision de maintenance.

Cette différence a une conséquence directe sur l’annotation. Un corpus d’inspection d’infrastructure n’est pas une collection d’images indépendantes mais un ensemble de séries temporelles, où chaque observation doit être rattachée à un point précis de l’ouvrage et à une date. Sans ce rattachement, on obtient un système capable de dire qu’une fissure existe, incapable de dire si elle progresse.

Cet article traite des spécificités de cette vertical : les défauts recherchés, les contraintes d’acquisition par drone ou caméra fixe, la question du suivi longitudinal et ce que tout cela implique pour le corpus. Il prolonge le guide complet de la détection de défauts.

Ce qui distingue la maintenance prédictive de la détection de défauts en production

Quatre différences structurelles séparent les deux contextes, et chacune se répercute sur la conception du corpus.

L’objet ne défile pas

En production, les pièces viennent au capteur. En inspection d’ouvrage, le capteur va à l’objet, ce qui inverse toutes les contraintes : la position n’est pas répétable, l’éclairage est celui du jour, la distance varie, et la même zone photographiée deux fois à six mois d’intervalle ne l’est jamais sous le même angle.

La rareté est temporelle et non statistique

Un défaut de production est rare parce qu’il concerne une petite fraction des pièces. Une dégradation d’ouvrage est rare parce qu’elle met des années à apparaître. Un corpus constitué sur une campagne unique ne contient donc aucune information d’évolution, et c’est précisément cette information qui a de la valeur.

La décision n’est pas binaire

Un contrôle qualité accepte ou rejette. Une inspection d’ouvrage produit une cotation d’état, généralement sur une échelle à plusieurs niveaux, qui déclenche une surveillance renforcée, une réparation programmée ou une intervention urgente. Le système doit donc produire une gradation, ce qui suppose que l’annotation la capture.

L’enjeu est la sécurité

Une pièce non conforme livrée coûte de l’argent. Une fissure structurelle manquée coûte autre chose. Cette asymétrie oriente tout le réglage du système vers le rappel plutôt que vers la précision, avec les conséquences que cela emporte sur le volume de vérifications.

Les défauts recherchés

Le vocabulaire de la détection de défauts sur ouvrage est bien stabilisé, notamment pour le béton. Le jeu de données de référence du domaine en fixe les catégories : un fond et cinq classes de défauts, fissure, écaillage, armature apparente, efflorescence et corrosion.

Cette taxonomie mérite d’être commentée, car elle mélange trois natures de phénomènes. La fissure et l’écaillage sont des atteintes mécaniques directes. L’armature apparente est une conséquence avancée de l’écaillage, donc un stade plutôt qu’une catégorie distincte. L’efflorescence et les traces de corrosion sont des indices, c’est-à-dire des signes visibles d’un processus dont le siège est interne.

Cette distinction entre atteinte et indice est décisive pour l’annotation. Une trace de rouille sur un parement ne signale pas un défaut de surface mais une corrosion d’armature située derrière, dont l’étendue réelle est invisible. Le protocole doit donc préciser si l’on annote le signe observable ou le phénomène supposé, et la réponse est toujours le signe, sous peine de demander à l’annotateur une inférence qu’il n’est pas en position de faire.

Au delà du béton

Les autres familles d’ouvrages ont leurs propres catégories. Sur les structures métalliques, la corrosion se décline en piqûration, corrosion généralisée, feuilletage et perte de section, avec un enjeu de gradation plus que de détection. Sur les réseaux et canalisations, s’ajoutent les fuites, les déformations et les atteintes de revêtement. Sur les équipements tournants et les pales d’éolienne, l’érosion de bord d’attaque, les délaminages et les fissures de peau constituent les cibles principales.

Une catégorie transverse mérite d’être mentionnée : la végétation et les intrusions. Sur les lignes électriques, les ouvrages d’art et les emprises, l’empiètement végétal est une cause de défaillance à part entière, et sa détection relève du même dispositif d’inspection sans être un défaut de la structure.

Les contraintes d’acquisition

C’est le facteur qui distingue le plus nettement cette vertical de détection de défauts, et il détermine largement ce que le corpus pourra contenir.

Le drone

L’aéronef supprime le risque d’accès en hauteur et permet de couvrir rapidement de grandes surfaces, mais il introduit une variabilité considérable. La distance à l’objet varie au cours d’un même vol, donc la résolution effective aussi. L’angle de prise de vue dépend de la trajectoire. La stabilité conditionne la netteté. Et l’éclairage naturel change au fil de la mission comme d’une campagne à l’autre.

La conséquence pour l’annotation est qu’une même fissure peut apparaître très différemment selon les images, et que la taille apparente ne renseigne pas sur la taille réelle sans information de distance. Un corpus utile doit donc conserver les paramètres de vol, altitude, distance estimée, orientation, faute de quoi aucune quantification n’est possible.

La caméra fixe

À l’opposé du drone, un poste fixe surveillant un équipement offre une répétabilité excellente, ce qui rend la comparaison temporelle immédiate. Ses limites sont la couverture, restreinte au champ, et l’encrassement progressif de l’optique en environnement industriel. Sur cette configuration, le suivi longitudinal est le mode naturel et le corpus se constitue automatiquement.

Les modalités complémentaires

L’inspection d’ouvrage mobilise fréquemment plusieurs capteurs complémentaires. La thermographie révèle des décollements et des infiltrations invisibles en visible. Le lidar fournit la géométrie et permet de rattacher une observation à une position tridimensionnelle. D’autres méthodes non destructives complètent le tableau sans relever de l’annotation d’images.

Cette multiplicité pose une question d’annotation propre : les observations issues de modalités différentes doivent être rattachées au même point de l’ouvrage, ce qui suppose un référentiel commun. Sans lui, on obtient des corpus parallèles impossibles à croiser.

Le suivi longitudinal, cœur de la maintenance prédictive

C’est la spécificité qui justifie le terme prédictif, et c’est aussi ce que la plupart des projets ne mettent pas en place.

Le problème du rattachement

Comparer deux inspections suppose d’établir que deux images montrent bien la même zone. Sur une caméra fixe, c’est acquis. Sur un vol de drone, c’est un problème géométrique réel : deux campagnes suivent des trajectoires différentes, et rien ne garantit qu’une fissure photographiée en mars se retrouve dans le champ d’une image de septembre.

Trois approches se rencontrent. Le vol reproductible, où la trajectoire est enregistrée et rejouée à l’identique, ce qui simplifie tout mais suppose des conditions de vol permettant l’automatisation. Le recalage sur modèle tridimensionnel, où chaque image est projetée sur un jumeau numérique de l’ouvrage, ce qui offre le rattachement le plus robuste au prix d’une infrastructure lourde. Et le repérage manuel par un opérateur, qui reste courant et introduit ses propres erreurs.

Pour l’annotation, la conséquence est que le rattachement doit être établi avant, et non après. Un corpus d’images non localisées ne devient pas rétrospectivement un corpus de suivi.

Annoter l’évolution

Le suivi introduit une tâche d’annotation absente ailleurs : comparer deux états. Elle se décline en trois questions distinctes. Le défaut est-il le même ou s’agit-il d’un nouveau ? A-t-il progressé, et de combien ? Une réparation est-elle intervenue entre temps, ce qui explique une disparition sans amélioration réelle ?

Cette dernière question est souvent oubliée et fausse les analyses. Un corpus qui ne trace pas les interventions de maintenance contient des évolutions inexplicables, et un modèle entraîné dessus apprend des transitions impossibles.

La quantification

La progression ne se mesure que si les observations sont quantifiées dans une unité physique et non en pixels. Cela suppose une échelle connue, obtenue par distance mesurée, par mire présente dans le champ ou par recalage géométrique. Un projet de détection de défauts sur ouvrage qui néglige cette question produit des séries d’observations non comparables entre elles, ce qui annule l’intérêt du suivi.

Le volume et l’échantillonnage

Une campagne d’inspection par drone produit un nombre d’images considérable, dont l’immense majorité ne montre aucun défaut. Le rapport entre images collectées et images informatives est plus défavorable encore qu’en production.

Trois stratégies réduisent ce volume à un corpus exploitable. Le pré-tri par un modèle généraliste, qui écarte les images de fond, ciel ou végétation, sans risque puisqu’une erreur y est peu coûteuse. La sélection par zone d’intérêt, où l’on annote prioritairement les éléments structurels critiques identifiés par l’ingénieur plutôt que l’ouvrage entier. Et la sélection sur antériorité, où l’on cible les zones ayant présenté une observation lors d’une campagne précédente, ce qui alimente directement le suivi.

Cette dernière stratégie mérite d’être privilégiée dans un projet de détection de défauts orienté maintenance, puisqu’elle produit exactement la donnée qui a de la valeur, à savoir des séries. Annoter uniformément une campagne produit un corpus volumineux dont la majeure partie ne servira jamais.

La spécificité du site

Une limite documentée mérite d’être connue avant de s’appuyer sur des corpus publics de détection de défauts.

Une étude portant sur des ouvrages taïwanais relève que le jeu de référence du domaine traite les défauts sous des conditions relativement contrôlées mais manque de spécificité pour évaluer les ouvrages dans des régions où des conditions environnementales extrêmes, forte humidité, exposition côtière, typhons et activité sismique, accélèrent la dégradation selon des modalités qu’il ne représente pas.

Cette observation vaut au delà du cas cité. L’apparence d’une dégradation dépend du climat, de la composition des matériaux, de l’âge de l’ouvrage et des pratiques de construction locales. Un modèle entraîné sur des ouvrages d’une région se transfère mal ailleurs, et un projet doit prévoir une adaptation locale plutôt que d’espérer une généralisation.

Ce que l’annotation doit produire en détection de défauts sur ouvrage

Trois niveaux d’information coexistent en détection de défauts sur ouvrage et doivent être distingués dans le protocole.

Le premier est la détection et la localisation du défaut dans l’image, tâche classique de détection de défauts. Le deuxième est sa qualification, catégorie et gravité, cette dernière devant reposer sur des critères mesurables plutôt que sur une appréciation. Le troisième est son rattachement, à un élément de l’ouvrage identifié et à une position, ce qui n’est pas une annotation d’image mais une information de contexte sans laquelle les deux premières perdent une grande part de leur valeur.

Ce troisième niveau explique pourquoi les corpus d’inspection d’infrastructure coûtent plus cher qu’il n’y paraît. Le travail ne consiste pas seulement à délimiter des fissures mais à construire une base d’observations localisées, ce qui mobilise autant de rigueur documentaire que de compétence visuelle.

Le profil et l’expertise

La répartition des rôles suit la logique générale de la détection de défauts, avec une inflexion.

La détection et la délimitation des atteintes visibles, fissures, écaillages, traces de corrosion, relèvent du registre perceptif et se délèguent à des annotateurs formés. La cotation de gravité et l’interprétation structurelle relèvent de l’ingénieur ou du technicien d’inspection, car elles engagent une appréciation de risque.

L’inflexion tient à ce que cette cotation est souvent normalisée. Les référentiels d’inspection d’ouvrages définissent des échelles d’état et des critères associés, et l’ontologie d’annotation gagne à s’y aligner plutôt qu’à en créer une. Cela facilite l’acceptation par les équipes d’inspection et permet de comparer les sorties du système aux inspections antérieures.

L’usure des équipements industriels

À côté des ouvrages, une seconde famille relève de la maintenance prédictive : les équipements de production eux-mêmes.

Les cibles diffèrent des ouvrages en génie civil. On y surveille l’usure d’outils de coupe, l’état de courroies et de chaînes, l’encrassement d’échangeurs et de filtres, les fuites sur raccords et joints, l’état de surface de pièces en rotation. Le rythme est également différent : ces dégradations se mesurent en semaines ou en mois plutôt qu’en années, ce qui rend le suivi longitudinal beaucoup plus rapide à constituer.

Cette famille présente un avantage décisif pour un projet : l’équipement est accessible, la caméra peut être fixe, et le cycle d’évolution est court. Un corpus de suivi exploitable se constitue donc en quelques mois là où une infrastructure demande des années. C’est souvent le meilleur point d’entrée pour une organisation qui veut établir la valeur d’une approche par vision avant de l’étendre à des ouvrages.

Le rythme des campagnes

Une contrainte organisationnelle propre à cette vertical de détection de défauts mérite d’être anticipée.

Les inspections d’ouvrages sont périodiques, parfois annuelles ou pluriannuelles, ce qui signifie qu’un corpus de suivi se constitue sur plusieurs années. Un projet ne peut donc pas attendre de disposer de séries longues pour démarrer, et il doit être conçu pour s’enrichir progressivement.

Deux conséquences pratiques en découlent. D’abord, les archives d’inspections passées, souvent conservées sous forme de photographies et de rapports, ont une valeur considérable et sont fréquemment sous-exploitées : elles constituent le seul accès à l’antériorité. Leur annotation rétrospective est un chantier à part entière, avec ses difficultés propres, images de qualité inégale, métadonnées lacunaires, localisation approximative.

Ensuite, la conception du corpus doit prévoir dès la première campagne ce qui sera nécessaire à la comparaison ultérieure. Une campagne qui néglige la localisation précise ne sera jamais comparable aux suivantes, et cette perte est définitive.

Le contrôle qualité d’un corpus de détection de défauts sur ouvrage

Le dispositif de contrôle suit la logique générale, avec deux inflexions imposées par le domaine.

La première est la stratification par condition d’acquisition. Un corpus mêlant des images prises à des distances, des angles et des éclairages variés doit être contrôlé séparément par strate, faute de quoi la mesure agrégée ne dit rien.

La seconde concerne la cohérence temporelle. Sur un suivi, l’erreur la plus coûteuse n’est pas de mal délimiter une fissure mais de la délimiter différemment d’une campagne à l’autre, ce qui produit une progression apparente sans réalité physique. Le contrôle doit donc comporter une vérification spécifique : faire réannoter par la même personne des images d’une campagne antérieure, et vérifier que le résultat reste cohérent avec l’annotation d’origine.

Ce que le système ne peut pas voir

Un cadrage honnête de projet de détection de défauts suppose d’énoncer les limites, et elles sont importantes sur cette vertical.

Une inspection visuelle ne renseigne que sur la surface. La corrosion sous revêtement, la perte de section interne, la fatigue naissante, les défauts de scellement ou d’ancrage restent invisibles et relèvent de méthodes non destructives spécifiques. Un système de détection de défauts par vision ne remplace donc pas l’inspection technique, il en couvre une partie et en oriente le reste.

Cette position complémentaire est en réalité un argument commercial plus solide qu’une promesse d’exhaustivité. La vision apporte la couverture systématique, la répétabilité et la trace, là où l’inspection humaine apporte le jugement et l’accès aux méthodes internes. Un projet qui présente le système comme un dispositif de priorisation, chargé de dire où regarder plutôt que de conclure, obtient une adhésion nettement meilleure des équipes d’inspection.

Les erreurs les plus fréquentes

• Constituer un corpus d’images indépendantes là où la valeur réside dans les séries temporelles.
• Ne pas conserver les paramètres de vol, ce qui interdit toute quantification physique.
• Demander à l’annotateur d’inférer un phénomène interne à partir d’un signe de surface.
• Négliger le rattachement à un élément d’ouvrage, information non reconstituable ensuite.
• Ne pas tracer les interventions de maintenance, ce qui produit des évolutions inexplicables.
• Quantifier en pixels plutôt que dans une unité physique.
• Supposer qu’un corpus public constitué dans un autre contexte climatique se transfère.
• Créer une échelle de gravité maison là où un référentiel d’inspection existe.
• Ignorer les archives photographiques d’inspections passées, seule source d’antériorité.
• Ne pas vérifier la cohérence d’annotation entre campagnes successives.

La valeur économique du suivi

Un dernier point mérite d’être posé, car il détermine ce qu’un client est prêt à financer.

La détection d’un défaut sur une image a une valeur limitée : un inspecteur expérimenté le voit aussi, et souvent mieux. La valeur d’un système de vision en maintenance vient d’ailleurs, et se décompose en trois apports. La couverture systématique, où chaque zone est examinée à chaque campagne sans effet de fatigue ni de priorisation implicite. La répétabilité, qui rend deux campagnes comparables là où deux inspecteurs différents ne le seraient pas. Et la trace, qui permet de justifier une décision de maintenance et de documenter l’état d’un ouvrage dans le temps.

Cette décomposition oriente le cadrage. Un projet vendu sur la performance de détection se compare défavorablement à un inspecteur ; un projet vendu sur la constitution d’un historique quantifié et comparable répond à un besoin que l’inspection humaine ne couvre pas. Cette seconde formulation est aussi celle qui justifie l’investissement dans le rattachement et la quantification, sans lesquels aucun des trois apports n’existe.

Ce qu’il faut retenir

La maintenance prédictive par vision applique les principes de la détection de défauts à un objet qui ne défile pas, dans des conditions non maîtrisées, et sur une échelle de temps qui se compte en années. Ce qui fait sa valeur n’est pas la détection d’un défaut sur une image, que d’autres verticals traitent mieux, mais la capacité à établir une évolution.

Trois décisions structurent un projet réussi. Construire le rattachement, élément d’ouvrage, position et date, dès la première campagne, puisqu’il ne se reconstitue pas et conditionne toute comparaison ultérieure. Annoter le signe observable plutôt que le phénomène supposé, et réserver l’interprétation structurelle au technicien d’inspection. Et quantifier dans une unité physique, ce qui suppose une échelle connue et rend seule possible la mesure de progression.

Pour les approches, l’ontologie et les tâches d’annotation, le guide complet de la détection de défauts pose le cadre. Pour la question du réglage d’un système dont les erreurs n’ont pas le même coût selon leur sens, particulièrement aiguë lorsque la sécurité est en jeu, l’article consacré aux faux positifs et faux négatifs détaille les métriques et les seuils.

Pour approfondir les modalités d’exécution, les formats pris en charge et les dispositifs de contrôle applicables, vous pouvez consulter notre page dédiée à l’annotation pour l’industrie. Et si vous préparez un corpus d’inspection d’ouvrages et souhaitez cadrer le rattachement et le suivi avant de lancer les campagnes, échangeons sur votre projet.