Au cours des deux dernières années, j'ai suivi des pilotes de comptage de palettes par caméra dans trois entrepôts très différents, et le schéma qui en est ressorti était remarquablement constant. La précision du comptage de palettes par vision IA se comprend mieux non comme une propriété d'une caméra ou d'un algorithme seuls, mais comme le résultat d'un ensemble de conditions. Changez les conditions, et le même système donnera une réponse différente, parfois dans une autre direction. C'est le point de départ de toute évaluation sérieuse, car une vidéo de démonstration montre presque toujours le système dans ses conditions les plus favorables, et non dans les vôtres.
Le premier site ressemblait, à première vue, à un succès simple. C'était un entrepôt tiers dans l'est de la Chine, qui traitait des biens de consommation, où deux caméras fixes faisaient face à une rangée de palettes pleines et bien empilées de produits finis. Les palettes étaient orientées dans le même sens, les hauteurs d'empilage étaient presque identiques, et l'éclairage était vif et uniforme, sans soleil direct frappant l'allée. Pendant les comptages, les chariots élévateurs étaient à l'arrêt et les palettes ne bougeaient pas, si bien que les caméras parcouraient la rangée image par image. Les totaux du système correspondaient presque exactement au recomptage manuel, et le responsable du site était, on le comprend, enthousiaste à l'idée de réduire le travail de comptage de nuit. C'est la zone de confort du comptage par vision. Quand chaque cible est entièrement visible, que l'arrière-plan est propre et que rien ne bouge, la tâche s'apparente à compter des blocs sur une photographie, et la difficulté elle-même est faible.
Le deuxième site a raconté une autre histoire, avec le même système. Dans un entrepôt de pièces automobiles du nord de la Chine, la zone des pièces détachées mêlait des palettes hautes et basses, certaines surmontées de cartons et d'autres empilées seulement à moitié, avec plusieurs palettes en partie cachées derrière des piliers et des palettes vides stockées temporairement. Une caméra au bout de l'allée filmait en biais, si bien que les palettes éloignées se masquaient les unes les autres tandis que les palettes proches paraissaient plus larges qu'elles ne l'étaient, par effet de perspective. Pendant deux jours consécutifs, le système a sous-compté cette zone, non pas au hasard mais de façon répétée, parce que la même catégorie d'occlusion revenait sans cesse. Le personnel a ajouté un recomptage manuel pour mettre les livres en ordre. La leçon était directe et mérite d'être énoncée sans détour. L'occlusion n'est pas un bruit occasionnel. C'est un biais structurel, et quand il grandit, l'erreur tend à pencher dans une direction, généralement vers le bas, plutôt que de se disperser uniformément autour de la vérité.
Le troisième site a été le plus instructif, précisément parce que l'idée qui le portait semblait si séduisante. Un entrepôt de commerce électronique du sud de la Chine voulait des caméras mobiles embarquées sur les chariots élévateurs, pour que le comptage se fasse pendant le travail normal d'expédition, sans passage de comptage séparé. En pratique, dès que le chariot bougeait, les images portaient un flou de mouvement, les palettes changeaient de taille apparente d'une image à l'autre, et le système a même compté deux fois la même palette lorsqu'elle passait devant deux points de vue. Quand la sensibilité a été réduite, la même passe a commencé à manquer des palettes. L'équipe a modifié la méthode pour que le chariot marque une pause de deux secondes à des positions repérées avant chaque capture, et les erreurs de comptage ont chuté nettement. Le mouvement n'est pas impossible à gérer, mais il a un prix : soit le travail ralentit, soit la tolérance à l'erreur augmente.
Quand la précision du comptage de palettes par vision IA tient bon
D'après la comparaison de ces trois pilotes, les comptages par caméra tiennent bon quand plusieurs conditions sont réunies à la fois. L'orientation des palettes et la forme d'empilage sont relativement uniformes, les lignes de visée sont exemptes d'occlusion structurelle, l'éclairage est stable, et il n'y a pas de mouvement relatif soutenu entre la caméra et la cible. Quand deux de ces conditions se dégradent ensemble, le résultat devient difficile à décrire par une simple garantie. Des palettes pleines et partielles mélangées, un empilage irrégulier et des matériaux en vrac stockés au bord de l'allée brouillent, dans l'image, la frontière entre une palette et la suivante. Dès que le système ne peut plus dire avec fiabilité où s'arrête une palette, l'erreur cesse d'être un raté isolé et devient une tendance sur toute une zone.
Quatre variables derrière la précision du comptage de palettes par vision IA
Il est utile de séparer les influences en quatre groupes. Le premier est l'occlusion et la forme d'empilage. Dès que plus d'un tiers environ d'une palette est caché, le comptage repose sur l'inférence, et plus il y a d'inférence, moins on peut faire confiance au chiffre des livres. Le deuxième est la lumière. Les reflets intenses de l'éclairage au plafond, la lumière du jour changeante en fin d'après-midi et la frontière nette entre ombre et lumière près des portes de quai peuvent faire paraître la même palette différente selon le moment de la journée. Le troisième est le mouvement et le point de vue. La capture en mouvement et les angles de prise de vue prononcés amplifient l'erreur de perspective, tandis qu'une position fixe et une brève pause sont les corrections les moins coûteuses disponibles. Le quatrième est le mélange des types de produits. Quand une image contient à la fois des palettes pleines et des cartons en vrac, le système doit d'abord décider ce qui compte comme une palette, et si cette définition ne correspond pas à la règle comptable de l'entrepôt, même un comptage stable produira des livres erronés.
| Condition du site | Jusqu'où peut-on faire confiance aux comptages par caméra | Approche plus fiable | | Palettes pleines, orientation uniforme, caméras fixes, lumière stable | Élevée, utile comme contrôle principal | Contrôle par sondage selon un calendrier, enquêter sur les exceptions | | Palettes pleines et partielles mélangées, occlusion partielle | Modérée, plutôt un signal d'alerte | Revoir entièrement les zones signalées après un comptage du système | | Capture en mouvement, lumière changeante, empilage irrégulier | Faible, sujette à un biais systématique | Corriger d'abord la méthode de capture, ne pas s'appuyer sur le seul comptage |
Menez votre propre essai avant de décider de la répartition du travail
D'après l'expérience de ces pilotes, un essai crédible n'a pas besoin d'être vaste, mais il a besoin de règles. Commencez par choisir une zone qui représente le travail réel, et pas seulement l'allée la plus nette utilisée pour une démonstration. Incluez des zones de palettes partielles, des recoins avec occlusion et des allées où la lumière change au cours de la journée. Notez les règles de comptage avant le début de l'essai : ce qui compte comme une palette, comment une palette partielle est convertie, et si les palettes vides comptent du tout. La caméra et les compteurs humains doivent appliquer les mêmes règles, sinon la comparaison ne veut rien dire. Menez l'essai sur plusieurs jours, en couvrant les équipes du matin et du soir et différentes conditions de lumière, et consignez les comptages du système, les comptages manuels et la raison de chaque écart, regroupés par occlusion, lumière, mouvement et types de produits mélangés, plutôt que de rapporter un seul écart total. Présentez la précision du comptage de palettes par vision IA par zone et par cause, et non comme un chiffre unique amalgamé. Le chiffre qui compte le plus n'est pas la performance moyenne mais la pire catégorie, car après le déploiement, c'est cette catégorie qui viendra vous chercher.
D'un point de vue de tendance, le rôle le plus réaliste du comptage par vision n'est pas de remplacer purement et simplement les inventaires tournants humains, mais de changer ce à quoi les compteurs humains consacrent leur temps. Les zones nettes peuvent être vérifiées fréquemment par caméra, tandis que les zones complexes restent du travail humain, et les personnes passent du comptage de chaque palette à la résolution des exceptions signalées. L'avantage est que le risque comptable reste maîtrisé. L'inconvénient, que les fournisseurs soulignent rarement, est que l'économie de main-d'œuvre est plus faible que ce que la démonstration laisse entendre. Une étude de rentabilité fondée sur l'élimination de tout le travail de comptage décevra. Il y a aussi un point contre-intuitif que les responsables manquent souvent : le meilleur premier endroit pour les caméras est souvent la zone la plus nette, et non la plus désordonnée, car c'est seulement là qu'une vérification fréquente par caméra est réellement fiable.
En regardant plus loin, la question qui mérite d'être suivie n'est pas seulement de savoir si les algorithmes de reconnaissance s'améliorent, mais si les entrepôts adapteront leurs sites en retour : standardiser les hauteurs d'empilage, garder les lignes de visée dégagées et s'entendre sur une règle de conversion pour les palettes partielles. Plus un site est standardisé pour être lisible par machine, plus la plage dans laquelle les comptages par caméra restent crédibles est large. Plus un site reste tel quel, plus le plafond devient net. Avant de comparer les fournisseurs, il peut être plus utile de répondre honnêtement à une question préalable : quelle part de nos habitudes quotidiennes sommes-nous prêts à changer pour qu'une caméra voie clairement.
Par Dr. Chen, Chercheur en chaîne d'approvisionnement Traduit de l'anglais. En cas de divergence, la version anglaise fait foi.







