Automatiser la lecture des plans techniques : 6 modèles YOLO pour remplacer la saisie manuelle

Extraire à la main les données d'un plan technique est un travail fastidieux, propice aux erreurs. Pour commander la fabrication d'une pièce non standard, il faut saisir dans un calculateur une vingtaine de paramètres tirés du plan : dimensions, filetages, qualités de tolérance, rugosités, tolérances, matériau, masse. Une équipe d'ingénieurs a construit un pipeline automatisé qui prend un plan PDF, le lit comme le ferait un humain et en extrait tout le nécessaire sous forme structurée. En sortie : un JSON pour le calculateur.

Architecture de la solution

Le système procède en trois étapes : localisation des données, reconnaissance du texte, synthèse du résultat. En entrée, un plan PDF ; en sortie, un JSON contenant les paramètres. Les étapes intermédiaires : Normalisation de la résolution et du contraste Isolement des vues (face, côté, dessus) Séparation du contour de la pièce et des lignes auxiliaires Localisation des champs de texte et des flèches de cotation Reconnaissance des symboles (filetage, qualité de tolérance, rugosité) Association des flèches à leurs valeurs via un graphe de connexité ## Les composants du pipeline La partie vision par ordinateur repose sur six modèles YOLO spécialisés.

Chacun a été entraîné sur un sous-ensemble de plus de 500 plans de production réels : 1. Détection des vues — repère les vues de face, de côté et de dessus sur le plan. 2.

Localisation des cotes — isole toutes les flèches de cotation et les champs de texte. 3. Reconnaissance des symboles spéciaux — lit les désignations de filetage (M10), de qualité de tolérance (IT6) et de rugosité (Ra 3.

2). 4. Contour de la pièce — sépare le contour visible des lignes auxiliaires.

5. Lignes auxiliaires — détecte les axes et les constructions de référence. 6.

Flèches et repères — localise tous les types de flèches et les valeurs textuelles qui leur sont associées. Les modèles YOLO sont couplés à un OCR maison : les solutions standard lisent mal les annotations manuscrites et les symboles spéciaux comme ∅ (diamètre) ou les représentations conventionnelles des filetages. Le réseau de neurones a été entraîné sur un échantillon annoté par des spécialistes.

La logique des flèches repose sur un graphe pondéré : si une flèche part d'un point A, traverse un objet géométrique B et se termine près d'un texte C, alors la valeur C se rapporte à l'objet A. En pratique, c'est plus compliqué : les flèches peuvent être en pointillés ou en S, plusieurs flèches peuvent pointer vers le même endroit, et des ambiguïtés apparaissent.

Quand la réalité s'en mêle

Les tests sur des plans de production réels ont révélé des problèmes absents des datasets idéalisés : Scans sales — plans vieux de 20 ans, scans passés par la photocopieuse, taches d'eau, traits de crayon accidentels. Libertés typographiques — un filetage peut être noté « Ø10×1.5 », « M10 », voire dessiné sous forme de ressort.

Annotations en couleur — une cote surlignée au stylo rouge, alors que l'OCR filtre souvent les lignes rouges comme du bruit. Feuilles surchargées — plus de 30 cotes sur un même plan, des flèches qui se croisent, d'où des confusions. La solution est venue de la data augmentation : l'équipe a généré des plans synthétiques avec ajout de bruit et de parasites, variation du contraste et simulation de vieux scans.

Après entraînement sur ce dataset enrichi, la qualité sur les plans sales est passée de 68% à 92%.

Ce que cela signifie L'automatisation de la lecture des plans illustre

comment le travail humain cède la place à un combo d'outils accessibles à tous (YOLO), de logique d'ingénierie (le graphe des flèches) et de réglages spécialisés. Pour la production, cela représente une accélération d'un facteur 15 : 2 minutes en pilote automatique au lieu de 30 minutes de saisie manuelle. Pour l'entreprise, cela permet d'émettre plus vite des offres commerciales, sans saisie manuelle des données.