À Nîmes, la SNCF teste l'intelligence artificielle contre les tags

Anthony Rey

Publié le 29 octobre 2019 à 12:39 - Mis à jour le 29 octobre 2019 à 14:07

L'IA mise au point par Elter pour la SNCF peut identifier les rames taguées et la surface concernée

SNCF

Depuis le printemps, la SNCF teste, sur son Technicentre de Nîmes (30), une solution autour de l'IA, conçue par une start-up toulousaine, pour mieux traiter les graffitis maculant ses TER. Objectif : optimiser le process de maintenance, et alléger une facture estimée à 20 M€ par an.

La SNCF doit gérer, tous les ans, le nettoyage de près de 10 000 graffitis maculant ses trains : sur un budget annuel de 80 M€ dévolu à la propreté, quelque 20 M€ seraient consacrés à ce seul poste. "En Occitanie, les graffitis sur les TER représentent l'équivalent de deux à trois stades de foot à nettoyer par an", fait savoir la SNCF.

Optimiser le nettoyage

D'autres contraintes s'ajoutent au constat : un train tagué doit être immobilisé pour tout le temps du

nettoyage ; le repérage des tags se fait par contrôle visuel ; le train doit être contrôlé en totalité pour être considéré comme sécurisé avant sa remise en circulation... Pour optimiser le process et maîtriser son coût, l

a SNCF a lancé Haltograf, un programme expérimental sur son Technicentre (centre de maintenance industrielle) situé à Nîmes (30), autour de l'intelligence artificielle (IA).

"Nous avons besoin d'avoir la quantité de tags et cela en temps réel pour agir rapidement, intégrer les rames concernées à notre planification de maintenance et orienter immédiatement le train en vue du nettoyage géré par un sous-traitant", indique le chef de projet d'Haltograf, Didier Cargnino, cité par un blog de la SNCF.

Sur la base d'un cahier des charges rédigé par le Technicentre en avril, la start-up toulousaine Elter, qui conçoit et développe des applicatifs industriels autour de l'IA, a créé une solution visant à "détecter automatiquement une dégradation, puis d'évaluer sa surface avant d'envoyer ces informations directement à l'opérateur en charge afin d'en programmer le nettoyage".

Multiplier les cas d'usage par deep learning

Concrètement, alors qu'un mât équipé de caméras vidéo inspecte la surface des rames, l'algorithme conçu par Elter réceptionne les images et les analyse pour se perfectionner par "deep learning" (apprentissage profond) : il apprend notamment comment identifier la cabine taguée et évaluer la surface du graffiti. "La grosse difficulté sur ce projet était de faire le bon modèle d'IA, d'utiliser les bonnes technologies pour que le système marche dans n'importe quelle condition, de nuit, de jour, ou sous la pluie", précise Jean-Charles Risch, co-fondateur et CTO d'Elter.