Computer vision : SNCF met au point une IA pour la reconnaissance de la signalisation latérale

Dans le contexte particulier de l’exploitation des lignes conventionnelles, le respect de la signalisation latérale est un enjeu majeur de la sécurité des circulations. Dans ce cadre, plusieurs équipements de signalisation assurent cette sécurité. L’intelligence artificielle apporte une assistance supplémentaire au conducteur, pour anticiper de potentielles situations à risques et le conforter dans sa prise de décision.

Le projet ESVE+, initié par la Direction générale de la sécurité de SNCF, fournit un premier cas pratique d’application. Ce projet porte les résultats des recherches menées autour du computer vision (i.e., vision par ordinateur) mais aussi de la qualification des algorithmes d’IA. Ces deux sujets sont en effet aujourd’hui des enjeux d’innovation stratégique pour le groupe SNCF. Ainsi, de nombreuses initiatives ont été lancées, à l’instar du socle vidéo pensé par e.SNCF, ou le groupe de travail « vision artificielle » propulsé par la Direction SNCF Innovation & Recherche.

Dans le cadre de cette application, le taux de confiance des résultats a guidé le choix technologique. « Nous sommes partis sur un algorithme de computer vision basé sur du traitement d’images, c’est une solution plus « souple » et plus déterministe que les IA d’apprentissage », explique Cedrick Lelionnais, Chargé d’étude sur la qualification des équipements de sécurité au Centre d’Ingénierie du Matériel de SNCF et expert du réseau Synapse. Réunissant près de 500 experts scientifiques et techniques du Groupe, ce dernier mène des actions d’innovations collectives et transverses sur les expertises clés de l’entreprise.

Cette technologie qui travaille sur des « références » (des formes géométriques numérisées comme des cercles, des rectangles, etc), permet d’obtenir de très bons résultats sur des comparatifs de contours extraits de n’importe quelle image avant de procéder à la reconnaissance de l’information.

Ainsi, en toute autonomie le système réalise une acquisition d’image par une caméra frontale, extrait les contours « éligibles » en se basant sur ces références, identifie le châssis d’un signal lumineux. Ensuite, la deuxième couche détecte l’état du signal (voie libre, avertissement, carré, etc.) en se basant sur la position des cercles lumineux au sein du châssis.

« Nous avons fait un travail d’évaluation afin de savoir quel est le taux de confiance que nous pouvons accorder à ces algorithmes », souligne Cedrick Lelionnais. En effet, selon les conditions climatiques – nuageux, ensoleillé ou pluvieux –, les résultats de l’algorithme varient. L’analyse des prédictions de l’algorithme et en particulier des faux positifs/faux négatifs, a permis aux experts du CIM d’améliorer l’efficacité de la décision. Cette phase de qualification et d’explicabilité de l’algorithme est une phase très importante. « Faire de la qualification, c’est éprouver au maximum l’algorithme », explique le Chargé d’Etude. « Pour l’avenir, avoir une plateforme de test modulaire, permettant d’éprouver différents algorithmes d’IA est un enjeu du Groupe afin de développer l’explicabilité de ceux-ci, voir même leur certification », poursuit-il.