Détection des dommages de carrosserie par IA : rayures, chocs, enfoncements
En bref — Une IA détecte les dommages de carrosserie en repérant des ruptures de continuité dans la texture, la couleur ou la géométrie apparente : rayures, enfoncements, impacts, éclats, fissures, corrosion, éléments désalignés et vitrage. La gravité est ensuite déduite de l'étendue, de la localisation et d'un barème métier, puis arbitrée par un opérateur en cas de confiance insuffisante.
Typologie des dommages visibles, facteurs qui dégradent la détection, qualification de la gravité et réglage de l'arbitrage humain.
La détection des dommages de carrosserie par IA consiste à repérer, localiser et qualifier sur des images les altérations visibles d'un véhicule : rayures, enfoncements, impacts, éclats de peinture, fissures, corrosion, éléments désalignés ou vitrage endommagé. Chaque famille de dommage possède une signature visuelle propre, et un niveau de difficulté très différent pour un modèle de vision.
Cet article détaille cette typologie, explique ce qui rend certains défauts difficiles à détecter, et décrit comment la gravité est qualifiée puis arbitrée.
Ce qu'une IA détecte réellement sur une carrosserie
Un modèle de détection ne perçoit ni la matière ni la profondeur. Il repère des ruptures de continuité dans la texture, la couleur ou la géométrie apparente d'une surface : une ligne claire sur un fond uniforme, une déformation du reflet d'une ligne de carrosserie, un contour qui devrait être droit et ne l'est pas. C'est à partir de ces indices, et de ce qu'il a appris sur de très nombreux exemples annotés, qu'il conclut à la présence d'un dommage.
Cette mécanique explique directement les points forts et les points faibles observés en production. Un impact net sur une portière claire est facile : le contraste est fort, la forme caractéristique. Un enfoncement peu profond sur une carrosserie noire est difficile : il ne se manifeste que par une distorsion du reflet, qui dépend entièrement de l'environnement lumineux. Le principe général de cette analyse est détaillé dans le guide sur la computer vision appliquée à l'automobile.
Typologie des dommages de carrosserie
Une nomenclature partagée est la condition de tout constat comparable. Voici les huit familles couramment retenues, avec leur signature visuelle et leur difficulté relative.
| Famille | Description | Signature visuelle | Difficulté de détection |
|---|---|---|---|
| Rayure superficielle | Atteinte du vernis uniquement, souvent effaçable par polissage | Trait fin, peu contrasté, sans changement de couleur du fond | Élevée |
| Rayure profonde | Atteinte de la peinture, voire de l'apprêt ou du métal | Trait net, couleur différente au fond du sillon | Moyenne |
| Enfoncement | Déformation de tôle sans rupture de peinture | Distorsion des reflets et des lignes de carrosserie | Élevée |
| Impact | Choc localisé, souvent avec écaillage au centre | Zone circulaire contrastée, ombre portée marquée | Faible à moyenne |
| Éclat de peinture | Perte de matière ponctuelle, apprêt ou métal apparent | Tache de couleur nettement distincte, contours irréguliers | Faible |
| Fissure | Rupture d'un élément, fréquente sur pare-chocs plastiques | Ligne sombre avec écartement des bords | Moyenne |
| Corrosion | Oxydation du support, bulles de peinture | Texture granuleuse, coloration brun-orangé, contours diffus | Moyenne |
| Élément désaligné ou manquant | Jeu anormal, pièce déposée ou absente | Écart de jeu entre panneaux, discontinuité géométrique | Moyenne à élevée |
Le cas particulier du vitrage
Le vitrage suit une logique distincte. Un impact de gravillon sur un pare-brise se détecte bien parce qu'il diffuse la lumière de façon caractéristique, mais sa localisation compte autant que son existence : un impact dans le champ de vision du conducteur n'a pas les mêmes conséquences réglementaires et tarifaires qu'un impact en périphérie. La détection doit donc être couplée à un repérage de zone, ce qui suppose d'avoir d'abord segmenté correctement le pare-brise.
À retenir — La difficulté de détection n'est pas corrélée à la gravité du dommage. Une rayure superficielle peu visible est difficile à détecter et peu coûteuse ; un enfoncement discret est difficile à détecter et potentiellement coûteux. C'est ce second cas qui doit guider le réglage des seuils.
Pourquoi certains dommages restent difficiles
Trois causes structurelles expliquent l'essentiel des détections manquées.
- Le dommage est encodé dans la géométrie, pas dans la couleur. C'est le cas des enfoncements sans écaillage. L'information est dans la déformation du reflet, donc dépendante de la source lumineuse. Changez l'éclairage, et le même défaut devient invisible ou évident.
- Le dommage est de faible amplitude par rapport au bruit visuel. Les microrayures d'un lavage automatique, les traces de circulation et le grain de certaines peintures métallisées produisent des signaux comparables à ceux d'une rayure légère.
- Le dommage ressemble à un motif normal. Une ligne de style, un joint, un reflet d'antenne ou une trace d'adhésif retiré peuvent générer des faux positifs si le modèle n'a pas vu suffisamment de contre-exemples.
Reflets, saleté, ombres : les facteurs aggravants
Les conditions de prise de vue pèsent davantage que le choix d'architecture du modèle sur le résultat final.
- Reflets spéculaires : une carrosserie vernie se comporte comme un miroir déformant. Un lampadaire, un bâtiment ou l'opérateur lui-même peuvent créer des artefacts interprétés comme des dommages, ou au contraire masquer une zone entière.
- Saleté et poussière : une couche de salissure lisse les micro-reliefs et supprime le contraste des rayures fines. Les projections séchées sont parfois classées à tort comme éclats.
- Ombres dures : en plein soleil, l'ombre d'un rétroviseur ou d'un montant produit une ligne nette, très proche visuellement d'une rayure profonde.
- Chromes et éléments polis : baguettes, encadrements et jantes polies renvoient une image de l'environnement plutôt que leur propre surface, ce qui rend la détection très instable.
- Couleurs sombres : noir, bleu nuit et gris anthracite offrent un contraste interne faible. Les défauts n'y apparaissent que par le reflet, ce qui augmente la dépendance à l'éclairage.
La réponse à ces contraintes est moins technique qu'organisationnelle : elle passe par un protocole de captation guidé qui impose une distance, des angles et des conditions minimales, et qui refuse les plans inexploitables plutôt que de les analyser malgré tout.
Comment la gravité est qualifiée
La gravité n'est pas une propriété directement observable : c'est une construction métier, dérivée de mesures et de règles. Quatre variables la déterminent généralement.
- L'étendue : longueur d'une rayure, diamètre d'un enfoncement, surface affectée. Elle suppose une segmentation au pixel près et une estimation d'échelle, obtenue par la connaissance des dimensions de la pièce détectée.
- La profondeur présumée : déduite d'indices visuels — apprêt visible, métal nu, arête vive — et non mesurée. C'est la variable la plus incertaine.
- La localisation : le même dommage n'a pas le même effet selon qu'il touche un élément structurel, un panneau peint ou une pièce plastique non peinte. Le rattachement à la pièce est donc déterminant.
- Le nombre : plusieurs dommages légers sur un même élément peuvent déclencher le même traitement qu'un dommage unique plus important, selon le barème appliqué.
Ces variables sont ensuite confrontées à un barème contractuel, qui distingue typiquement l'usure normale acceptable des dommages facturables. Un même défaut sera donc qualifié différemment selon qu'il s'agit d'une restitution en location longue durée, d'un passage en concession ou d'une déclaration de sinistre.
À retenir — Séparez toujours la détection du barème. Le modèle produit des faits observables — nature, étendue, localisation — ; le barème, paramétrable, en déduit une conséquence financière. Mélanger les deux rend le système impossible à auditer et à faire évoluer.
Seuil de confiance et arbitrage humain
Chaque détection est accompagnée d'un score de confiance. Ce score n'indique pas la gravité, mais la probabilité que la détection soit correcte. Son usage opérationnel repose sur un double seuil.
- Au-dessus du seuil haut, la détection est retenue automatiquement et intégrée au rapport.
- En dessous du seuil bas, elle est écartée pour éviter de polluer le rapport de bruit.
- Entre les deux, le dossier est routé vers un opérateur humain qui tranche sur la base des images.
Le réglage de ces seuils est une décision métier, pas technique. Il dépend du coût relatif des deux types d'erreur. En restitution de véhicule, un faux positif génère une contestation client coûteuse en relation et en temps de traitement : on privilégie un seuil haut exigeant. En assurance, un faux négatif laisse passer un dommage préexistant qui sera ensuite déclaré : on abaisse le seuil et on accepte davantage d'arbitrages. Les indicateurs permettant de piloter ce compromis sont présentés dans l'article sur la mesure de performance d'un modèle de détection.
Le rôle des corrections opérateur
Les arbitrages humains ne servent pas seulement à corriger un dossier. Correctement collectés, ils constituent le gisement d'annotations le plus précieux, car ils portent précisément sur les cas où le modèle est incertain. C'est le principe de la boucle d'amélioration décrite dans l'article sur l'annotation des données d'inspection automobile.
Du dommage détecté à la décision
Un dommage détecté n'est pas une décision. Entre les deux s'intercalent plusieurs étapes que toute solution sérieuse doit rendre explicites : le rattachement du dommage à un élément nommé de la nomenclature, la comparaison avec l'état antérieur du véhicule lorsqu'il existe, l'application du barème, puis la validation par une personne identifiée.
Cette chaîne détermine aussi la défendabilité du constat. Un rapport qui affiche pour chaque dommage l'image source, la zone concernée, la nature retenue et le niveau de confiance se discute sereinement avec un client. Une conclusion sans preuve consultable se conteste immédiatement. C'est le principe retenu par Lucius AI : produire des observations traçables plutôt que des verdicts opaques.
Pour situer cette étape dans l'ensemble du processus, l'article pilier sur l'inspection automobile par intelligence artificielle décrit la frontière entre automatisation et décision humaine, et la page des cas d'usage illustre les arbitrages retenus métier par métier.
À retenir — Un rapport doit distinguer trois états par élément : observé et intact, observé et endommagé, non observé. Confondre le troisième avec le premier est la source d'erreur la plus coûteuse en exploitation.
