Dans un avenir proche, l’intelligence artificielle (IA) vise à transformer le secteur du transport, en particulier le transport routier de marchandises, en offrant des solutions avancées pour optimiser les opérations logistiques, renforcer la sécurité et améliorer l’efficacité énergétique. L'intégration de systèmes d'IA dans le transport routier permet déjà une surveillance et un contrôle automatisés des poids lourds, ouvrant ainsi de nouvelles perspectives pour la gestion des flottes, la réduction des coûts d'exploitation, et le contrôle sanction des poids et dimensions.
Détection automatique des essieux relevés des poids lourds du trafic
Parmi les innovations clés en développement au Cerema figure un système d’identification et de classification des poids lourds dotés d’essieux relevables : ces essieux permettent d’adapter le nombre d’essieux en contact avec la chaussée, en fonction de la charge transportée par le véhicule. Cependant, les essieux relevables sont parfois utilisés de manière non conforme aux réglementations, ce qui peut entraîner des situations de surcharge des véhicules concernés. Le contrôle sanction des surcharges exige une identification et une classification précise des véhicules lors de la pesée en marche.
Dans le cadre du projet SETO (Smart Enforcement of Transport Operations), le Cerema propose une méthode innovante pour la détection des essieux relevés de poids lourds, basée sur le traitement d’images et/ou de vidéos par intelligence artificielle (IA). SETO (2023-2026) est un projet européen qui regroupe 14 partenaires issus de 7 pays européens : France, Belgique, Irlande, Italie, Autriche, Serbie, Tchéquie. L’objectif principal de ce projet est de développer une approche numérique permettant aux autorités d’accéder en temps réel à l'ensemble des informations nécessaires pour l’application intelligente des réglementations en matière de transport et de sécurité.
Les technologies actuelles telles que les équipements de pesage en marche (EPM) (ou weigh-in-motion (WIM), en anglais) peuvent classer la plupart des catégories de véhicules, mais elles ont du mal à classer avec précision les véhicules qui ont des essieux relevés. Par exemple, un EPM conventionnel classera un poids lourd à cinq essieux dont un est relevé comme un poids lourd à quatre essieux. Par conséquent, la classification de ce véhicule sera erronée, rendant difficile la vérification du respect de la réglementation sur la charge par essieu.
Méthode proposée : traitement d’images et/ou de vidéos de poids lourds par IA
Le Cerema propose une méthode basée sur le traitement d’images et/ou de vidéos de poids lourds capturées par une caméra placée perpendiculairement à la direction du trafic, à l’aide de réseaux de neurones convolutifs (ou Convolutional Neural Networks (CNN), en anglais), notamment l’algorithme You Only Look Once (YOLO), pour détecter les essieux relevés des poids lourds.
Cette approche par traitement d’images présente un intérêt particulier car elle est non intrusive, c’est-à-dire qu’elle ne nécessite pas de travaux destructifs sur la chaussée, et permet d’obtenir une "vérité terrain" fiable.
La méthode proposée comprend trois étapes :
Il est important de mentionner que l’étape 2 permet de contrôler le résultat de l’étape 3, car le nombre d’essieux relevés ne peut pas être égal ou supérieur au nombre total d’essieux du poids lourd.
Résultats
La performance de la méthode proposée a été testée sur des images de poids lourds capturées sur l'autoroute A7, proche de Lyon. Les résultats des tests sur 17 images montrent que la méthode proposée atteint une précision moyenne (mAP) proche de 90 % en ce qui concerne la détection des essieux relevés. Les deux exemples ci-dessous illustrent la performance de l’algorithme proposé.
Exemple 1 - Poids lourd à 5 essieux, dont 1 essieu est relevé
La figure 1 montre un poids lourd à 5 essieux, dont un essieu est relevé, tandis que les figures 2 et 3 illustrent les résultats obtenus après traitement de la figure 1 par la méthode proposée. Les objets détectés sont entourés de boîtes englobantes (bounding boxes), avec leurs noms et scores de confiance affichés respectivement en haut à gauche et en haut à droite de chaque boîte, les étiquettes "Truck", "Axle" et "Lifted" désignant respectivement le poids lourd, un essieu (sans distinction de type), et la position de l’essieu relevé. Sur la figure 2, on observe que le score de confiance associé au poids lourd est de 97 %, tandis que celui de l’essieu (sans distinction de type) se situe entre 90 % et 93 %. Enfin, sur la figure 3, le score de confiance associé à l’essieu relevé est de 94 %.
Exemple 2 - Poids lourd à 3 essieux, dont 1 essieu est relevé
La figure 4 illustre un poids lourd à 3 essieux, dont 1 essieu est relevé. Les figures 5 et 6 montrent les résultats obtenus après application de l’algorithme proposé sur la figure 4. On observe que le score de confiance associé au poids lourd est de 97 %, comme dans l’exemple précédent, tandis que ceux de l’essieu, sans distinction de type, et de l’essieu relevé sont respectivement de 92 % et 98 %.
Conclusion et perspectives
En conclusion, dans le cadre du projet SETO, le Cerema a proposé une méthode innovante basée sur le traitement d'images ou de vidéos de poids lourds du trafic à l’aide l’intelligence artificielle afin de détecter des essieux relevés. La performance de la méthode proposée a été illustrée avec deux exemples, et les résultats ont montré des scores de confiance allant jusqu'à 98 % pour la détection des essieux relevés.
Les travaux futurs porteront sur les points suivants :
- Améliorer la performance de la méthode proposée en l’entraînant avec davantage d’images capturées sur différents sites.
- Calibrer les caméras afin de pouvoir mesurer les distances entre les essieux (l’empattement).
- Appliquer la méthode en temps réel sur des images ou vidéos de poids lourds EPM du trafic.