IA dans la sécurité de chargement : Une nouvelle approche

La sécurité des charges est un aspect crucial pour n'importe quelle entreprise de logistique. En 2020, beaucoup d'inspections de camions ont été réalisées, montrant que près de 10 % de ces contrôles ont révélé des violations des règles de sécurité des charges. Chaque violation peut entraîner de lourdes amendes et nuire à la réputation de l'entreprise. Quand un prestataire de service logistique a un souci avec la sécurité des charges, ça peut affecter à la fois les conducteurs et les inspecteurs de charge. Si quelque chose tourne mal et impacte d'autres personnes, l'entreprise pourrait aussi faire face à des réclamations légales. Donc, s'assurer de la sécurité des charges avant que les camions ne prennent la route est vital.

#Rôle des photos dans l'évaluation de la sécurité des charges

Pour confirmer qu'ils respectent les lois sur la sécurité des charges, les entreprises logistiques prennent souvent des photos de la cargaison dans les camions avant leur départ. Certaines entreprises ont du personnel formé pour examiner ces photos et s'assurer que tout respecte les normes de sécurité avant de laisser partir les camions. Cependant, avec autant de charges à vérifier, ce processus peut être très lent, surtout si les photos sont de mauvaise qualité. Les images peuvent être floues ou ne pas montrer les détails nécessaires pour évaluer la sécurité efficacement.

#Comment l'IA peut aider aux contrôles de sécurité des charges

Cet article examine comment l'intelligence artificielle (IA) peut simplifier le travail de vérification de la sécurité des charges. L'objectif est de classer les photos de la cargaison en trois catégories : I) cargaison chargée en toute sécurité, II) cargaison mal chargée, et III) images inutilisables. En utilisant des programmes informatiques qui analysent les images, on peut aider les équipes de contrôle qualité à déterminer si une charge est sûre ou non.

Des systèmes d'IA peuvent être développés pour séparer les images inutilisables de celles qui peuvent être évaluées. C'est essentiel car parfois, les conducteurs prennent des photos qui ne montrent pas clairement la cargaison ou la structure du camion. Dans les cas où l'IA peut déterminer qu'une photo ne peut pas être utilisée, un humain peut ensuite évaluer la sécurité de la cargaison dans les images utilisables.

#Proposition de système centralisé

Une façon d'améliorer ce processus est d'utiliser une plateforme centralisée. Avec un tel système, toutes les données logistiques, y compris les photos, peuvent être stockées et évaluées sur une seule plateforme. Cela pourrait être hébergé sur le cloud ou fonctionner sur un serveur interne. Un tel dispositif peut aider à maintenir la sécurité des charges en vérifiant les images par rapport aux exigences de sécurité.

Pour assurer la sécurité des charges, les entreprises ont besoin de systèmes qui peuvent vérifier la cargaison même lorsque les conducteurs ne sont pas des employés permanents. La cargaison est souvent chargée par des sous-traitants et vérifiée par le personnel par la suite. Si un employé note qu'une charge est sécurisée, il prend une photo et la soumet via la plateforme centralisée. En intégrant l'IA dans cette plateforme, le processus pourrait considérablement alléger la charge de travail du personnel de contrôle qualité.

#Les bases des réseaux neuronaux artificiels (RNA)

Les réseaux neuronaux artificiels (RNA) sont des outils polyvalents utilisés pour diverses tâches comme la Classification d'images. Ils peuvent identifier différentes caractéristiques dans les photos, comme les contours et les couleurs. Lorsqu'ils sont correctement formés, les RNA apprennent à reconnaître quelles caractéristiques sont significatives pour déterminer si une charge est sûre.

Pour des tâches de classification d'images comme l'évaluation de la sécurité des cargaisons, les réseaux neuronaux convolutifs (RNC) sont particulièrement efficaces. Les RNC se concentrent sur la reconnaissance des aspects pertinents des images, ce qui est crucial lors de l'évaluation de la sécurité des charges.

#Préparation des données pour les RNA

Une partie importante de la formation des RNA est de s'assurer qu'il y a suffisamment de données de qualité. Lors de la formation des modèles d'IA, avoir des ensembles de données équilibrés est crucial. Si certaines catégories ont trop ou pas assez d'exemples, l'IA peut avoir du mal à apprendre correctement.

Pour y remédier, on peut appliquer des techniques d'Augmentation de données. Ce processus augmente artificiellement la quantité de données en modifiant les images existantes grâce à des techniques comme le retournement, la rotation et le changement de luminosité. Cela crée de nouvelles images qui aident à former les RNA plus efficacement.

#Classification d'images pour la sécurité des charges

La tâche d'évaluer la sécurité des charges implique de trier les images dans les trois catégories mentionnées plus haut. Cela peut être fait de deux manières principales. Une méthode consiste à classer directement les images comme sûres, dangereuses ou inutilisables. L'autre méthode utilise un arbre de décision, où la première étape est de déterminer si une image est utilisable ou non. Si c'est le cas, la prochaine étape est de la classer comme sûre ou dangereuse.

Utiliser un arbre de décision peut simplifier le processus de classification. Les images inutilisables sont souvent faciles à identifier. Cependant, déterminer si une charge est sûre ou dangereuse peut être plus délicat, bien que ce soit actuellement fait par des humains, rendant possible que l'IA prenne cette tâche avec un bon entraînement.

#Structure de l'ensemble de données

L'ensemble de données utilisé pour entraîner l'IA contient plus de 5 700 images prises lors de livraisons de cargaison. Toutes les photos montrent l'arrière des camions, prises par des employés responsables de la vérification de la sécurité des charges. Étant donné que ces images proviennent du véritable processus d'expédition dans une entreprise de logistique, elles représentent des scénarios réels, rendant les données précieuses pour former le modèle d'IA.

Les images sont catégorisées en trois classes :

• I) 1 813 images de cargaison chargée en toute sécurité.
• II) 2 355 images de cargaison mal chargée.
• III) 1 544 images inutilisables qui manquent des détails nécessaires pour les vérifications de sécurité.

#Défis avec l'ensemble de données

Bien que l'utilisation d'images du monde réel soit avantageuse, elle pose aussi des défis. L'erreur humaine peut entraîner une mauvaise classification des images, soit à cause de photos de mauvaise qualité, soit en raison de normes différentes utilisées lors des évaluations. Néanmoins, ces exemples de la vie réelle aident à mieux préparer les systèmes d'IA pour des applications pratiques.

Les images ont généralement une résolution de 3456x4608 pixels et sont en format couleur RVB. Les trois classes d'images sont clairement définies, aidant à former l'IA.

#Importance de l'augmentation de données

L'augmentation de données est essentielle dans la formation des modèles d'IA pour un apprentissage efficace. Elle aide à prévenir le sur-apprentissage en fournissant plus d'exemples pour que l'IA puisse apprendre, surtout lorsque les ensembles de données sont limités. Des techniques comme le retournement de photos ou la modification de la luminosité peuvent faire une grande différence dans les résultats de formation.

#Différentes architectures CNN utilisées

Plusieurs architectures CNN ont été testées pour le projet, avec deux modèles profonds (InceptionV3 et ResNet101) et un modèle moins complexe (LogisticNet basé sur AlexNet). Chacune de ces architectures a des qualités uniques qui peuvent affecter leur performance dans la classification d'images.

• L'architecture InceptionV3 a atteint la précision la plus élevée lors des tests, montrant un bon potentiel pour évaluer la sécurité des charges.
• ResNet101 a également donné de bons résultats, mais a rencontré des problèmes de sur-apprentissage.
• LogisticNet était plus simple et efficace mais n'a pas performé aussi bien que les autres.

En entraînant chacun de ces modèles pendant 300 epochs, ils ont appris à reconnaître des motifs et des caractéristiques dans les images de cargaison.

#Résultats et précision

Après l'entraînement, les modèles CNN ont montré des résultats prometteurs pour distinguer les images utilisables et inutilisables pour les contrôles de sécurité des cargaisons. Tous les modèles ont atteint plus de 90 % de précision pour déterminer si les images pouvaient être examinées pour la sécurité.

Cependant, en ce qui concerne la distinction entre les cargaisons chargées en toute sécurité et mal chargées, l'efficacité de l'IA a chuté. Bien que certains modèles aient pu identifier correctement les charges sûres, les erreurs de classification étaient plus fréquentes, indiquant que l'IA avait des difficultés à différencier les cas nuancés.

#Conclusion

En conclusion, l'IA peut vraiment soutenir les évaluations de sécurité des charges pour les entreprises de logistique. En filtrant les images inutilisables avant l'évaluation humaine, elle réduit la charge sur les systèmes de contrôle qualité. Cependant, classifier correctement les charges sûres et dangereuses nécessite encore des améliorations. Mettre cette fonctionnalité dans une plateforme logistique centralisée peut améliorer l'efficacité des contrôles de sécurité tout en nécessitant encore un suivi de la part des opérateurs humains. Le secteur du transport commercial pourrait bénéficier de l'amélioration des protocoles de sécurité des charges grâce à l'intégration de l'IA, même si des défis restent à relever.