FOD est l’acronyme de « Foreign Object Debris », c’est à dire l’ensemble des débris d’objets étrangers pouvant être présents sur les installations aéroportuaires et plus particulièrement sur les pistes.
Ces débris peuvent être de plusieurs ordres : des trous, des matériaux de construction, du verglas, des animaux et … des éléments d’avions.
Le concorde en 2000 et le catalogue des FOD en IA
C’est malheureusement ce qui a provoqué la catastrophe du Concorde qui a eu lieu à Roissy le 25 juillet 2000 où 113 personnes ont perdu la vie.
Un élément de l’avion précédent (une bande de titane d’environ 3 cm de large et 43 cm de long) s’est détaché pour se retrouver au milieu de la piste et déchirer par la même occasion les réservoirs du Concorde jusqu’à son décrochage fatal sur un hôtel avoisinant.
Afin de ne plus reproduire ce type d’accident, plusieurs aéroports ont équipé leurs pistes de caméras infra-rouge ou de puces RFID afin d’alerter rapidement les équipes au sol avant un décollage.
Ces différentes technologies répondent plus ou moins bien aux exigences de sécurité souhaitées :
La détection par caméras infra rouge n’est pas exempt de défauts puisqu’elle génère beaucoup de faux « positifs » (des éléments qui s’apparentent à des débris mais qui ne le sont pas ), le RFID qui nécessiterait d’équiper les milliers de pièces d’un aéronef est matériellement et financièrement impossible.
Plusieurs sociétés ont donc imaginé un système plus évolué reposant essentiellement sur les caractéristiques du « Computer Vision ». Ils équipent ainsi les pistes de caméras « haute qualité » combinées à un système de reconnaissance d’objets par l’image.
Après chaque décollage, le logiciel « scanne » la piste et, à partir des images récoltées, va trouver une correspondance dans sa base élaborée par l’apprentissage.
Suivant la « gravité » de la pièce détectée (une pièce métallique est plus critique qu’une brèche par exemple), une alerte est envoyée directement aux agents de nettoyage au sol. Il est donc indispensable de faire « ingurgiter » au système un maximum d’images de ces FOD.
Les premières expérimentations ont été assez déroutantes. En effet le système générait beaucoup de faux positifs dans certaines conditions liées…. à la météo !
Le système n’arrivait pas faire correspondre son catalogue de FOD avec les images des caméras quand ceux-ci étaient dans la neige ou dans la pénombre.
Pour remédier à cela les ingénieurs ont créé un « DataSet » spécifique incorporant les images de FOD suivant les variations météorologiques puis ont entrainé le système pour obtenir un taux de reconnaissance proche des 100%.
Il reste cependant encore beaucoup d’efforts à faire. Le système actuel fonctionne en mode « supervisé » et est donc dépendant de ce que l’humain va lui fournir comme images en entrée.
Il faut donc lui permettre de gérer un volume plus important. C’est le challenge de ces prochaines années !