Éliminer le réglage manuel des paramètres grâce à l’IA – Détection de pics en temps réel

Notre client est un groupe technologique mondial possédant une vaste expérience dans la conception de solutions pour l’industrie et les laboratoires. L’entreprise est spécialisée dans les technologies de transfert de liquides, telles que les pompes et les systèmes de dosage, utilisés dans les secteurs chimique, pharmaceutique, agroalimentaire, de l’eau et de l’environnement.

Dans le cadre d’un projet de R&D, l’entreprise a cherché à améliorer l’analyse des signaux provenant d’un appareil mesurant la teneur en azote de matériaux solides. Le principal défi était la détection des pics – c’est-à-dire des points de signal correspondant, par exemple, à la présence d’azote dans l’échantillon analysé.

Jusqu’ici, ce processus nécessitait une configuration manuelle de plusieurs paramètres :

• seuil de hauteur de pic
• largeur minimale
• distance entre les pics
• sensibilité au bruit
• valeurs limites de la ligne de base

Cette approche présentait plusieurs inconvénients :

• Seuil de compétence élevé – seuls des opérateurs expérimentés pouvaient ajuster correctement les paramètres
• Manque de répétabilité – les résultats dépendaient fortement de l’utilisateur et de la configuration
• Temps d’analyse prolongé – le réglage manuel prenait plusieurs minutes par signal
• Sensibilité aux erreurs – une petite variation pouvait modifier l’interprétation du signal
• Faible évolutivité – difficile de garantir une cohérence des mesures sur différents sites et appareils

L’objectif du Proof of Concept (PoC) était de développer un algorithme entièrement automatique, ne nécessitant aucun réglage manuel, capable de fonctionner directement sur les dispositifs edge du client (ex. Raspberry Pi), tout en maintenant une grande précision et une stabilité optimale.

L’équipe projet a conçu un algorithme complet de détection de pics, basé sur une logique d’analyse de signal, optimisé pour fonctionner sur des dispositifs à ressources limitées.

Données et méthodologie

Le projet a utilisé des données réelles provenant des capteurs chimiques du client, collectées lors de l’analyse de la teneur en azote. Les données incluaient :

• des signaux bruts (avec bruit et dérive de la ligne de base),
• des signaux débruités prétraités par l’équipe du client,
• des annotations manuelles servant de référence, avec les indices de début/fin de pics et les surfaces sous courbe.

Les données ont été fournies en trois étapes, permettant un développement rapide et itératif :

1. Jeu non annoté – pour visualisation et compréhension du comportement des signaux
2. Petit jeu annoté – pour tester les premières règles de détection
3. Jeu complet annoté – pour la validation finale de l’algorithme

Cette organisation a permis une validation continue par les experts métier du client.

Approche technique

• L’algorithme fonctionne sur données brutes, sans prétraitement — pas de filtrage, ni de correction de ligne de base, ni de normalisation.
• Détection de maxima locaux – les pics sont identifiés comme des points plus hauts que leurs voisins ; en cas de sommet plat, le point central est choisi.
• Seuil fixe – une valeur constante (par exemple 0) est utilisée, ce qui simplifie la logique et augmente la répétabilité.
• Calcul de la proéminence – différence entre le sommet du pic et la base la plus élevée (gauche/droite) pour un traçage précis des limites.
• Deux modes de limites – classique (ligne de base commune) et “side-aware” (ligne gauche/droite séparée), utile pour les signaux complexes.
• Exigences matérielles minimales – tous les calculs sont réalisés en moins de 60 secondes par signal sur Raspberry Pi.

• Utilisation simplifiée – grâce à l’automatisation complète, le système est accessible même aux utilisateurs sans expertise en physique ou chimie, ce qui le rend adapté aux marchés moins industrialisés.
• Extension du marché – la réduction de la complexité permet une adoption dans de nouveaux secteurs ou pays auparavant inaccessibles.
• Automatisation à 100 % – aucun réglage requis, suppression des erreurs humaines et standardisation des résultats.
• Précision équivalente à celle des experts – plus de 95 % de correspondance avec les annotations de référence.
• Performance efficace – temps d’analyse <1 minute par signal, avec une stabilité prouvée sur Raspberry Pi.
• Jusqu’à 70 % plus rapide – élimination du réglage manuel, analyse considérablement accélérée.
• Prêt pour la production – système intégrable au logiciel du client, évolutif vers des fonctions avancées comme le seuillage adaptatif ou l’analyse multipic.