Intelligence artificielle
Traitement de données drone par intelligence artificielle : détection automatisée, validation humaine
Une mission produit des milliers de clichés. Les parcourir tous avec la même attention n'est pas humainement tenable — c'est exactement ce qu'un modèle de détection sait faire, à condition qu'un opérateur reprenne chacun de ses signalements.
Principe
Ce que la machine fait mieux, et ce qu'elle ne fait pas
Examiner un jeu de plusieurs milliers d'images est possible. Le faire avec la même exigence du premier au dernier cliché ne l'est pas : l'attention décroît, le critère se déplace, et les dernières séries sont regardées autrement que les premières. C'est une limite de l'attention, pas de la compétence.
Un modèle entraîné sur un type d'anomalie — un point chaud, une fissure, un pied manquant — parcourt l'intégralité du jeu de données et signale chaque occurrence avec sa position et un indice de confiance. Il applique le même critère du premier au dernier fichier, sans fatigue et sans dérive.
Mais il ne juge pas. Un modèle signale une ressemblance, pas un fait : il ne connaît ni le contexte de l'ouvrage, ni l'historique du site, ni ce qui distingue un défaut réel d'un artefact d'acquisition. C'est pourquoi chaque détection est reprise avant classement, et pourquoi la responsabilité du diagnostic reste entière.
Applications
Où la détection assistée intervient
Anomalies de modules
Points chauds, cellules et diodes défaillantes repérés sur l'ensemble d'un parc, puis classés par gravité.
Suivi de chantierÉcarts entre campagnes
Comparaison automatique de deux passages, mise en évidence des évolutions et calcul des volumes déplacés.
AgricultureComptage et zonage
Détection des pieds et des manquants sur le rang, découpage des parcelles en zones homogènes.
ModélisationClassification de nuage
Séparation du sol et du sursol, extraction des ouvrages et de la végétation dans le nuage de points.
SécuritéComparaison d'emprise
Détection des changements entre deux contrôles périodiques : dépôts, occupations, dégradations.
JuridiqueAucune automatisation
Les pièces destinées à un constat sont analysées et sélectionnées manuellement, sans intervention d'un modèle.
Déroulement
Comment se déroule le traitement
Constitution du jeu de données
Assemblage et géoréférencement des clichés issus de la mission, avec contrôle de complétude avant analyse.
Passage du modèle
Détection sur l'intégralité du jeu, chaque signalement assorti de sa position et d'un indice de confiance.
Revue humaine
Reprise de chaque détection par un opérateur : confirmation, requalification ou écartement. Les faux positifs sont retirés, les cas douteux signalés comme tels.
Restitution
Anomalies confirmées reportées sur plan, classées et intégrées au rapport de mission.
Apports
Ce que l'assistance change concrètement
- Exhaustivité — l'ensemble du jeu de données est parcouru, pas un échantillon jugé représentatif.
- Constance du critère — le millième cliché est examiné selon la même règle que le premier.
- Délai réduit — le temps d'analyse ne croît plus proportionnellement à la taille du site.
- Traçabilité — chaque signalement conserve son indice de confiance et la décision humaine qui l'a suivi.
- Comparabilité — deux campagnes analysées par le même modèle produisent des résultats confrontables.
Ce que nous ne faisons pas. Aucune anomalie n'est reportée dans un livrable sur la seule décision d'un modèle. Les pièces destinées à un constat de commissaire de justice sont traitées manuellement de bout en bout. Et aucun taux de détection n'est garanti : un modèle réduit le risque d'oubli, il ne le supprime pas.
Contact
Une question sur nos traitements ?
Volume de données, type d'anomalie recherchée, format de restitution attendu. Nous revenons vers vous sous 24 h.