Automatisation des tests de feu
Comment nous avons fiabilisé l'analyse vidéo des essais feu pour produire des mesures traçables et déployables multi-sites.
En bref. Un industriel européen devait fiabiliser l'analyse vidéo de ses essais normatifs de comportement au feu. Nous avons repris une chaîne legacy instable, construit une recette qualité instrumentée, puis cadré une V2 industrialisée, explicable et prête pour un déploiement multi-laboratoires.
Le contexte
Un laboratoire industriel interne réalise des essais normatifs de comportement au feu. Chaque test est filmé plusieurs minutes, puis deux phénomènes sont mesurés image par image :
- la dynamique de la flamme (hauteur, persistance, séparations) ;
- les gouttes incandescentes ("droplets") qui se détachent de la pièce testée.
La solution en place était devenue difficile à exploiter :
- faux positifs fréquents sur reflets et zones brillantes ;
- fragmentation des trajectoires (une goutte comptée plusieurs fois) ;
- gouttes faiblement contrastées non détectées ;
- zones d'analyse fixes mal adaptées à la dispersion réelle ;
- livrables CSV difficiles à interpréter ;
- code legacy peu documenté et compliqué à faire évoluer.
Le besoin métier n'était pas une "IA magique", mais des mesures stables, expliquées et auditables.
Notre intervention
Notre intervention s'est organisée en deux phases.
1) Revue qualité instrumentée
Nous avons d'abord rejoué toute la recette d'essais documentée par les experts métier afin de reproduire chaque écart, le qualifier, puis le prioriser selon deux critères : criticité sur la mesure et fréquence.
Pour chaque famille d'écart identifiée, nous avons livré :
- la cause technique précise (seuil, paramètre, logique de détection) ;
- plusieurs options de correction classées effort/risque ;
- les interactions à surveiller pour éviter les effets de bord.
Cette étape a transformé un constat diffus ("les résultats ne sont pas fiables") en plan d'action concret et hiérarchisé.
2) Refonte cadrée pour passer à l'échelle
En parallèle, nous avons défini avec le client une version 2 industrialisée, autour de trois axes complémentaires :
- UX technicien : interface de pilotage, mode offline, import/export CSV ;
- Valeur client final : meilleure qualité vidéo et partage sécurisé ;
- Couche scientifique : suivi multi-fronts, correction de parallaxe, cartographie et dimensionnement des gouttes.
L'architecture cible repose sur deux niveaux :
- un poste laboratoire autonome (Linux + Docker Compose), opérable hors réseau et en temps réel ;
- une plateforme cloud centralisée pour comparer les essais entre laboratoires et piloter les analyses avancées.
Ce que cela a changé
- Traçabilité des décisions. Chaque goutte retenue ou exclue est justifiée par un critère explicite, ce qui renforce la robustesse en audit.
- Meilleure lisibilité des livrables. Les CSV ont été restructurés (colonnes explicites, séparation brut/validé, raison d'exclusion).
- Fiabilité renforcée sans boîte noire. La solution combine vision par ordinateur classique et règles métier versionnées, plutôt qu'un remplacement brutal par un modèle opaque.
- Déploiement multi-sites prêt. Une image Docker mutualisée et une configuration par site facilitent l'industrialisation dans d'autres laboratoires.
Pourquoi cette approche fonctionne
La valeur vient de trois choix d'ingénierie :
- une recette rigoureuse avant toute refonte ;
- une lecture explicite des compromis sensibilité / faux positifs ;
- un design aligné sur la réalité industrielle (auditabilité, mode dégradé, maintenabilité terrain).
Capacités mobilisées
- vision par ordinateur appliquée (détection, tracking, segmentation) ;
- reprise de code legacy et refonte progressive ;
- architecture logicielle hybride edge + cloud ;
- qualité logicielle (tests, jalons, validation métier) ;
- industrialisation multi-sites et exploitation.