La vision par IA en entrepôt : audits d'emplacements et détection d'anomalies

L'ouverture : comment naît le « au bilan, absent de l'étagère » ?

Un entrepôt d'électronique grand public avec 50 000 emplacements faisait deux inventaires totaux par an — 40 personnes, 3 jours chacun — et pourtant la précision des stocks stagnait à 96,5 %. Les 3,5 % restants signifiaient des commandes annulées chaque jour : « le système dit que c'est en stock, l'atelier ne le trouve pas ». Le comptage manuel a un plafond dur : les gens fatiguent, lisent mal et ne voient pas les racks du haut. La vision par IA existe pour automatiser et standardiser l'acte de « regarder ».

Le cadre central : quatre points

1. Audits d'emplacements : laissez les caméras patrouiller les allées

La configuration : des AGV ou des drones équipés de caméras patrouillent les allées pendant que l'OCR lit les codes d'emplacement et les étiquettes produits, en réconciliant ligne par ligne avec le stock comptable du WMS. Un entrepôt l'a mesuré : un balayage complet de 50 000 emplacements en 4 heures avec plus de 99 % de détection des écarts — au-delà de ce que trois jours de travail manuel atteignent.

Paramètres clés : les caméras doivent résoudre les codes-barres à 3 mètres ; la vitesse de patrouille reste sous 1,5 m/s, au-delà de laquelle la précision de l'OCR tombe sous 95 %.

2. Détection d'anomalies : commencez par les cinq scénarios à haute fréquence

Ces cinq scénarios couvrent 80 % des anomalies quotidiennes de l'entrepôt. Ne commencez pas par la reconnaissance fine du « mauvais SKU dans l'emplacement » — la discrimination visuelle entre SKU exige des échantillons massifs et son ROI est plus faible.

3. Déploiement en trois étapes : des caméras fixes à l'automatisation complète

Première étape, des pilotes de caméras fixes à la réception et dans la zone haute valeur — validez les taux de détection en deux semaines. Deuxième étape, les patrouilles mobiles : AGV ou drones couvrant tout le bâtiment. Troisième étape, génération automatique des tâches de comptage dans le WMS — les écarts sont dispatchés directement aux enquêteurs. La boucle ne se referme qu'à la troisième étape.

Chaque étape exige un critère d'acceptation clair avant d'avancer. Trop de projets couvrent le bâtiment de caméras alors que la première étape sous-performe — l'échelle ne répare jamais un pilote défaillant.

4. Les données sont la fondation : 500 images annotées par type d'anomalie

La qualité du modèle égale la qualité des données. Expérience de terrain : au moins 500 échantillons annotés par classe d'anomalie, et le jeu d'entraînement doit couvrir les variations d'éclairage entre les shifts — le plus grand piège. Un modèle réglé en lumière du jour peut perdre 10 points de précision sous éclairage nocturne. Les étiquettes réfléchissantes sont l'autre piège classique ; les filtres polarisants ou des angles de prise de vue ajustés résolvent la plupart des cas.

Cas terrain : précision des stocks de 96,5 % à 99,2 %

Un entrepôt 3C, un an après la mise en service du comptage par vision : la précision des stocks est passée de 96,5 % à 99,2 %, la main-d'œuvre annuelle de comptage a chuté de 40 jours-personnes à 6, et les annulations de commandes « introuvable » ont baissé de 70 %. L'investissement total tournait autour de 900 K$ (40 caméras fixes plus 2 AGV de patrouille) — rentabilisé en moins d'un an.

Les pièges à éviter

• Ne couvrez pas le bâtiment le premier jour. Pilotez, validez, puis montez en échelle — ne masquez jamais une détection défaillante avec l'échelle.
• La vie privée d'abord. Les caméras voient des visages ; la conception doit inclure le floutage des visages, avec information des employés et politiques en place avant la mise en service.
• Les anomalies doivent fermer la boucle dans le WMS. Les alertes sans tâches dispatchées sont du théâtre. Les détections doivent créer automatiquement des tâches de comptage ou d'investigation avec des responsables clairs.

Où va l'argent : structure des coûts

Pour un entrepôt de 50 000 emplacements, le déploiement de vision se répartit grosso modo en quatre seaux :

Conseils d'économie : louez les AGV de patrouille pendant le pilote au lieu de les acheter ; pré-entraînez sur des jeux de données publics puis affinez sur vos propres images pour diviser par deux les besoins en échantillons ; placez d'abord les caméras fixes sur les zones haute valeur et à fort taux d'erreur — les 20 % de positions au meilleur ROI.

Rappelez-vous : le matériel est une dépense unique ; les données et l'exploitation sont continues. Un projet budgété pour l'équipement mais pas pour l'exploitation ne devrait pas démarrer.

Du pilote au bâtiment entier : trois portes d'acceptation

Des métriques dures à chaque étape — on n'avance que sur passage :

• Porte pilote (mois 1) : 10 positions de caméras fixes, les cinq types d'anomalie à ≥93 % de détection, taux de faux positifs <5 %. Raté et on règle données et modèles — pas de nouvelles positions.
• Porte d'expansion (mois 2–3) : AGV de patrouille en service, 50 % des emplacements couverts, détection des écarts ≥98 %, un balayage complet en moins de 8 heures.
• Porte bâtiment entier (mois 4–6) : les détections créent automatiquement des tâches de comptage dans le WMS, taux de fermeture de boucle (détecter → résoudre) ≥95 %, précision des stocks ≥99 %.

Le métier et l'IT co-signent le rapport d'acceptation de chaque porte. Le schéma de mort classique est de sauter la porte pilote et de monter en échelle quand même — avec une détection faible, plus de caméras noient juste les vrais problèmes dans de fausses alarmes plus vite.

À retenir

Le meilleur point d'entrée de la vision par IA en entrepôt, ce sont les audits d'emplacements plus les cinq anomalies à haute fréquence : commencez par des pilotes de caméras fixes, entraînez sous toutes les conditions d'éclairage et branchez les détections directement sur le dispatch des tâches du WMS. À plus de 99 % de précision des stocks, le comptage cesse d'être une campagne et devient une patrouille quotidienne.

Traduit de l'anglais. En cas de divergence, la version anglaise fait foi.