Hiri Visual AI Anti-Lifting : Avertissement déclenché avant que le pneu ne quitte le sol.

01 Vue d’ensemble du système et contexte technique

Lors des opérations de chargement et de déchargement au quai, « Anti-levage ” Ce qui doit être traité n’est pas un simple problème d’identification du véhicule, mais une décision d’interverrouillage qui influe directement sur la sécurité du levage : lorsque qu’une grue de quai ou une grue de parc élève un conteneur, si le verrou de blocage n’a pas été entièrement libéré, si un côté demeure verrouillé, ou si le châssis et le conteneur restent mécaniquement couplés, le système doit achever l’identification avant que l’ensemble du véhicule ou l’une de ses moitiés ne soit soulevé du sol, et transmettre de manière fiable le résultat. Automate programmable Ou un dispositif de verrouillage de sécurité, qui déclenche l’arrêt, le démarrage progressif ou une alarme.

Si cette fenêtre est manquée, un accident pourrait survenir.

Suivi

Suivre

Rejouer Partager J'aime

Fermer

Regarder plus

Plus

Quitter le mode plein écran

Passez en mode portrait, passez en plein écran, quittez le plein écran.

L’innovation HIRI a été suivie.

Partager la vidéo

0/0

00:00/00:09

Passer en mode paysage

Continuer à jouer

Des lasers à la vision, pourquoi l’anti‑levage nécessite‑il l’intelligence artificielle ?

À mesure que le niveau d’automatisation des ports augmente, ce dont le système a besoin n’est plus seulement « Voir l'anomalie ” , mais plutôt à distinguer de manière stable au sein d’une fenêtre de levage extrêmement courte « Détachement normal ” et « Levée anormale de la ceinture ”。

Les solutions traditionnelles s’appuient souvent sur l’inspection vidéo manuelle, sur des seuils de déplacement des bords ou sur la télémétrie laser à point unique pour déterminer si une anomalie est survenue. Ces méthodes peuvent fonctionner dans des conditions d’exploitation stables, mais dès qu’elles sont confrontées à des situations réelles — comme la nuit, la pluie et le brouillard, les contre-jours, la poussière, le rebond des pneus ou de subtiles vibrations du distributeur —, les risques de fausses alarmes et de détections manquées augmentent considérablement.

▲ Scénarios complexes dans des tâches du monde réel

Prenons la télémétrie laser comme exemple : En cas de brouillard épais, de pluie intense ou de forte concentration de particules en suspension, le faisceau laser est diffusé et absorbé par ces particules, ce qui entraîne une atténuation du signal de retour, voire sa perte totale. En conséquence, le système soit ne parvient pas à mesurer la distance, soit fournit des valeurs de distance erronées. Par ailleurs, les lasers ne peuvent acquérir des informations de distance qu’en un ou quelques points discrets, ce qui rend difficile la détection de changements complexes de posture, tels que la déformation d’un pneu ou l’inclinaison du châssis, compromettant ainsi directement les avantages en matière de sécurité offerts par la protection anti‑relevage.

En revanche, visuel IA Non seulement il peut assurer son bon fonctionnement dans des environnements difficiles grâce à des améliorations algorithmiques — telles que la débrouillardisation, l’élimination de la pluie et l’amélioration en faible luminosité —, mais il est également capable de capturer simultanément des preuves multidimensionnelles, notamment les motifs de contact roue‑sol, l’orientation du châssis du véhicule et le mouvement relatif de la caisse de chargement, offrant ainsi une base décisionnelle plus complète pour les évaluations de prévention du renversement.

 

Définition du système visuel anti-levage

Le système visuel anti‑surélévation peut être considéré comme un dispositif de perception de la sécurité fondé sur les contours, reposant principalement sur des caméras industrielles, complété par des capteurs de profondeur ou des scanners laser. Il surveille en continu le contact entre les pneus et le sol, l’orientation du soubassement du véhicule, la géométrie relative entre le plancher de chargement et le châssis, ainsi que les tendances de mouvement vertical à court terme, tout en intégrant ces données à une machine d’état déterministe et… Automate programmable Emboîtement, fournir « Libération sécurisée »« Départ lent suspect ” ou « Arrêt de l'alarme ” L'action finale.

Le système intelligent de prévention du soulèvement des remorques lancé par HIRI FUTURE ( Système de prévention du soulèvement de la remorque ), Adopter un modèle d’intelligence artificielle de bout en bout , sans recourir à des seuils définis manuellement ni à des jugements logiques, Autrement dit, en le formant et en le construisant à l’aide de quantités massives de données. IA Modèle, Il est capable d’effectuer en temps réel une analyse approfondie des conditions complexes, notamment les angles d’inclinaison du véhicule, des roues, de la caisse et des conteneurs. , évaluer de manière exhaustive le risque de soulèvement du camion-porte-conteneurs et intervenir rapidement et de manière appropriée pour limiter les mouvements de l’équipement ; à l’heure actuelle, HIRI TLPS Le système atteint la hauteur de levage la plus basse du secteur, ce qui lui permet d’opérer dans la plupart des situations. « Le pneu ne quitte jamais le sol ” Alerte précoce au niveau, Couverture 70 Autres conditions de levage typiques 。

HIRI TLPS Valeurs fondamentales :

· Déplacer la détection d’anomalies avant que le véhicule ne quitte effectivement le sol, permettant ainsi d’obtenir… « Le pneu ne quitte jamais le sol ” Alerte précoce au niveau.

· Grâce à une vision de bout en bout IA Le modèle saisit de manière exhaustive les relations de contact entre les roues, le châssis et le carter d’une part, et le sol d’autre part, réduisant ainsi la dépendance à des seuils manuels et à des règles ponctuelles.

· En tirant parti de la corrélation temporelle multi‑cadres et de la fusion multi‑preuves, le risque de fausses alarmes dues aux opérations de levage normales, aux vibrations des équipements et aux variations d’éclairage est réduit.

· Inférence en temps réel et interconnexion basées sur le bord Automate programmable Un système de sécurité en boucle fermée permet une gestion rapide, fiable et traçable des mesures de prévention des surélévations.

02 Liaison de perception du système anti-levage

2.1 Défis du secteur : pourquoi la détection des soulèvements est-elle plus difficile que l’inspection conventionnelle ?

Le défi de la prévention du détournement d’aéronef réside dans le fait qu’il ne s’agit pas d’une tâche d’identification statique, mais plutôt d’une évaluation dynamique de la sécurité menée à l’échelle de la milliseconde à la seconde. Ce qui est vraiment difficile à distinguer, c’est « Le logement s’est détaché de manière normale et remonte. ” , ou encore « Le conteneur soulève le gerbeur à portée en même temps. ”。 Au cours de ce processus, la compression et le rebond des pneus, la déformation élastique du châssis du véhicule, l’obstruction partielle, la contamination de l’objectif, l’éblouissement provoqué par l’éclairage d’appoint nocturne, les tremblements de la caméra, la distorsion due à l’obturateur à balayage, voire le gel de l’image ou la désynchronisation des horodatages, peuvent tous conduire le système à tirer des conclusions erronées dans un laps de temps extrêmement court.

2.2 La trajectoire technologique centrale de HIRI : la compréhension de bout en bout accroît les risques

Tradition IA Les solutions visuelles recourent généralement à « Cible de détection — Mesurer la distance — Seuil défini manuellement — Déclencher l'alarme ” de la procédure segmentée. Cette procédure peut fonctionner dans des conditions standard, mais sur les sites réels de quai, des facteurs tels que le rebond des pneus, la déformation élastique du châssis, les micro‑vibrations du dispositif d’écartement, les obstacles, la pluie et le brouillard, l’éclairage arrière ainsi que la contamination de l’objectif rendent difficile le maintien d’un seuil unique stable sur le long terme. Si le seuil est fixé trop strictement, des arrêts intempestifs sont probables ; s’il est fixé trop laxiste, certains risques de levage prématuré pourraient être passés inaperçus.

HIRI TLPS Adopter une vision de bout en bout IA Le modèle regroupe le processus de prise de décision, auparavant réparti entre plusieurs modules basés sur des règles, au sein d’un cadre unifié destiné à l’apprentissage global. Le modèle reçoit en entrée non seulement la boîte englobante de la cible dans une seule image, mais également plusieurs types d’informations issues d’images successives, notamment la position des roues, la géométrie de l’image, la configuration de la benne, la surface de contact au sol, l’angle d’inclinaison ainsi que les tendances du mouvement relatif. En s’entraînant sur un vaste ensemble de données comprenant des situations de levage normal, de levage anormal, de levage à charge partielle, de levage par un seul coin, des conditions de goupille déverrouillée, le rebond des pneus, ainsi que d’autres scénarios, Le système est capable d’apprendre. « Détachement normal ” et « Levée anormale de la ceinture ” Les différences subtiles entre… 。

 

En fonctionnement réel, Les modèles de bout en bout effectuent une analyse intégrée des preuves visuelles au sein de fenêtres temporelles courtes et continues, produisant directement un niveau de risque ou un score de risque pour les opérations de levage conteneur‑camion. Par rapport aux approches traditionnelles, qui s’appuient sur l’expertise humaine pour définir des seuils pour chaque paramètre individuel, ce modèle fait preuve d’une adaptabilité supérieure aux conditions de fonctionnement complexes et présente des avantages notables en matière de réduction des fausses alarmes, d’alerte précoce et de généralisation inter‑scénarios.

Il est important de souligner que l’approche de bout en bout n’implique pas la suppression des verrous de sécurité. Le modèle est chargé d’identifier les risques de manière plus précise et à un stade précoce, tandis que les actions de contrôle finales — telles que le démarrage progressif, l’arrêt et l’activation des alarmes — demeurent régies par des automates d’état déterministes et… Automate programmable L’interconnexion est mise en œuvre. Ainsi, elle permet à la fois de tirer parti… IA La capacité du modèle à appréhender des états visuels complexes, tout en préservant la contrôlabilité, l’auditabilité et le déterminisme que doivent posséder les systèmes de sécurité industrielle.

2.3 Plan d’ingénierie de HIRI

Pour concrétiser le lien de perception susmentionné, HIRI TLPS Les quatre caractéristiques de conception principales suivantes ont été retenues dans la phase d’ingénierie :

1. Industriel synchrone à double canal RVB Caméra comme capteur principal, avec la profondeur/le laser en complément.
Le système déploie deux caméras industrielles RGB fonctionnant en synchronisation sur les poutres latérales de la grue, l’une étant orientée vers la zone de contact pneu‑sol et l’autre vers la zone adjacente à la partie inférieure du caisson de châssis. Cette configuration à double caméra permet d’acquérir simultanément à la fois des détails locaux de contact — tels que la déformation du pneu et le dégagement roue‑sol — et des variations géométriques globales — comme les différences d’assiette gauche‑droite ou le soulèvement du châssis. Les capteurs de profondeur ou les LiDAR à faible densité ne sont pas utilisés comme modalités de perception principales ; ils ne servent qu’à effectuer une vérification secondaire des régions suspectes d’anomalie lorsque les données visuelles sont obstruées ou que le niveau de confiance est faible. Cette architecture « vision d’abord, profondeur ensuite » réduit les coûts matériels et la complexité du système tout en maintenant une grande précision. 2. Clé ROI + sans ancre Détection + Suivi léger

La couche modèle ne traite pas directement l’image entière ; elle délimite d’abord des régions d’intérêt contenant le pneu, le bord inférieur du cadre et la limite inférieure de la boîte ( Retour sur investissement ). Dans Retour sur investissement Adopté en interne ancre libre Le détecteur localise les régions clés et cette approche de détection ne repose pas sur des boîtes d’ancrage prédéfinies, comporte peu de hyperparamètres, est bien adaptée au déploiement en périphérie et présente une robustesse élevée face aux déformations des objets. Par la suite, un module léger de suivi multi‑objets assure des associations d’identité stables d’une image à l’autre pour le même pneu et le même véhicule. Même en présence d’occlusions partielles ou de détections de faible confiance de courte durée, le suiveur préserve la continuité des cibles, évitant ainsi les erreurs de jugement dues à des détections manquées dans une seule image.

3. Modélisation conjointe du flux optique, des résidus de profondeur et des métriques géométriques

Le principal avantage du système anti‑levage est qu’il ne repose pas sur une seule caractéristique visuelle ; au contraire, il extrait simultanément trois types d’informations :

· Flux optique et champ de mouvement : Calculez la direction et la vitesse du mouvement au niveau du pixel afin de déterminer si le châssis ou les pneus subissent un déplacement vertical anormal.

· Mesure géométrique : Des dimensions explicites, telles que la garde au sol des roues, la distance entre le bord inférieur du châssis et le sol, ainsi que la différence d’assiette gauche‑droite, sont mesurées à partir de l’image.

· Résiduel profond (Lorsque le capteur de profondeur est activé) : Vérifiez si l’espace libre spatial entre le fond du coffre et le châssis du véhicule existe effectivement.

Les trois types de preuves se recoupent et se confirment mutuellement : Détection et suivi fournis « Qui déménage ? ” , le flux optique fournit « Comment déménager ” , des grandeurs géométriques sont fournies « De combien a-t-il bougé ? ” , fournir en profondeur « Êtes-vous toujours en contact ? ” La modélisation conjointe est plus robuste aux interférences que le recours exclusif aux variations de position des boîtes englobantes, et elle permet de mieux distinguer un désengagement normal d’un soulèvement anormal.

4. Fusion de séquences à court terme + machine à états déterministe + Automate programmable Emboîtement

La couche de perception ne produit pas un résultat de classification d’une seule image, mais plutôt une séquence sur une courte fenêtre temporelle (par exemple 10 ~ 15  le score de risque dans la trame. Ce score est ensuite introduit dans une machine à états déterministe — c’est‑à‑dire un module fondé sur des règles — qui, en fonction de valeurs seuils prédéfinies, de la confirmation sur plusieurs trames successives, de la phase de levage en cours et d’autres règles, détermine le résultat. « Libération sécurisée »« Départ lent suspect ” ou « Arrêt de l'alarme ” . Cette approche hiérarchisée est plus facile à auditer et s’aligne mieux sur la logique de mise en œuvre des systèmes de sécurité industrielle.

03 Au-delà de toute reconnaissance — c’est la fiabilité de l’arrêt qui compte vraiment.

Les anomalies de l’ensemble du véhicule, de la moitié latérale et d’un seul angle sont identifiées de manière uniforme.

HIRI TLPS Il déclenche non seulement une alarme lorsque l’ensemble du véhicule est soulevé, mais il fournit également des alertes précoces et plus subtiles aux stades antérieurs, moins évidents — par exemple, une asymétrie gauche‑droite de la posture, le soulèvement d’un pneu d’un seul côté avant que l’autre ne se soulève, ou une élévation anormale d’un seul angle. Pour les opérations sur site, cela… « Délai de fabrication ” Cela est souvent plus précieux que de se contenter d’abaisser le seuil de garde au sol. —— Car les accidents véritablement dangereux commencent généralement par de petites anomalies asymétriques qui s’aggravent progressivement.

La cohérence multi‑preuves permet d’éviter efficacement les arrêts intempestifs.

HIRI TLPS En validant conjointement plusieurs types de preuves — telles que les relations géométriques, la vitesse de levage, les résidus de profondeur, le codeur de levage et la continuité temporelle — il est possible de distinguer clairement le levage normal, les micro‑vibrations du palonnier, le rebond des pneus et les anomalies réelles, évitant ainsi les arrêts intempestifs qui, autrement, nuiraient à l’efficacité opérationnelle.

Diagnostic de santé et protection contre la falsification, déployés sous forme d’une blockchain autonome.

Le système dispose d’une capacité autonome de diagnostic de l’état de santé et peut détecter en temps réel des conditions telles que l’ombrage, la défocalisation, les altérations de l’objectif, le gel de l’image ou encore les anomalies d’horodatage. Dès que l’état de santé de la caméra devient anormal, le système passe automatiquement en mode conservateur — par exemple en autorisant uniquement un démarrage lent, en exigeant une confirmation manuelle ou en refusant purement et simplement le décollage — afin de garantir que les seuils de sécurité ne soient pas franchis.

Scénarios de vérification des clés suggérés à couvrir :

· Diverses combinaisons d’éclairage et de conditions météorologiques, notamment le jour, la nuit, la pluie et le brouillard, l’éclairage arrière et les reflets intenses.

· Perturbations d’origine technique, telles que la contamination de l’objectif, une occultation partielle, de légères vibrations du support de montage et des distorsions aux bords.

· Des épreuves clés, telles que le levage du véhicule entier, le levage d’un demi‑flanc, le levage d’un seul coin et la montée rapide après un relâchement normal.

· Scénarios de défaillance et de falsification, tels que la perte de trames, le gel, les anomalies d’horodatage et la distorsion due à un capteur unique.

 

04 Nos principales orientations d’optimisation

Compléter les échantillons de bordure complexes

Les principales améliorations comprennent le levage semi‑latéral, le levage par un seul coin, la libération partielle du goupille de verrouillage et le rebond du châssis avec désengagement normal. « Le plus difficile à distinguer ” La capacité à reconnaître les scènes fait progresser l’évaluation des risques jusqu’au stade où les anomalies commencent tout juste à se manifester.

Améliorer la robustesse par tous les temps et la capacité d’autodiagnostic

L’éclairage supplémentaire nocturne, la pluie et le brouillard, les contre-jours, les objectifs encrassés, les obstacles, les vibrations, les images figées, les anomalies d’horodatage et d’autres problèmes similaires doivent être traités conjointement avec des évaluations de l’adaptabilité environnementale et la surveillance de l’état des équipements afin de prévenir… « Je ne vois pas clairement ” Et perdre son jugement.

Optimisation de l’efficacité du déploiement en périphérie et des stratégies d’interconnexion

En déclenchant une confirmation approfondie au sein de la fenêtre du candidat, nous réduisons les calculs inutiles, raccourcissons la latence des alertes, affinons les actions de réponse hiérarchisées en cas de démarrages lents et d’arrêts brusques, et améliorons la journalisation des événements ainsi que les enregistrements des transitions d’état, ce qui permet d’assurer une gestion des anomalies plus stable, plus rapide et plus vérifiable.

Renforcer la capacité généralisée sur l’ensemble des modèles de véhicules, des grues et des zones portuaires.

Collecter en continu des données sur divers équipements, cadres, types de conteneurs et conditions de fonctionnement, et affiner la solution actuelle à partir de… « Disponible pour un projet unique ” L'itération est « Réplicable dans de multiples scénarios ” Le module de capacité de standardisation réduit les coûts ultérieurs de déploiement et de maintenance.