Comptage rapide et précis des ustensiles – cuillères, fourchettes et couteaux

Résumé

Client. L’entreprise loue du matériel pour événements et, en 12 ans d’activité, a réalisé plus de 70 000 projets allant de fêtes familiales jusqu’à de grands festivals de 5 000 invités. Son catalogue inclut du matériel professionnel de restauration, de la vaisselle, des couverts, des meubles et du textile.

Tâche. Après l’événement, il est nécessaire de recevoir rapidement plusieurs milliers de pièces de couverts, de les compter avec précision et d’éviter tout désaccord avec le client.

Résultat. Le compteur vidéo CamContador a permis de compter rapidement et précisément le nombre de fourchettes, cuillères et couteaux retournés. Le programme a réduit de moitié le temps nécessaire à l’acceptation du matériel.

Situation

Après l’événement, il faut accepter rapidement et précisément le matériel retourné après location. Lors de grands événements, le nombre de pièces de couverts (cuillères, fourchettes, couteaux) peut atteindre plusieurs milliers. En raison du facteur humain, des erreurs et des litiges apparaissent.

Parfois un recomptage était nécessaire pour clarification. Tout cela prenait du temps aux employés comme au client.

Pour résoudre le problème, la direction a décidé d’investir dans un comptage automatique basé sur la vision par ordinateur.

Ils ont commencé par se concentrer sur les objets les plus courants, à savoir 40 types de couverts : couteaux, fourchettes et cuillères.

Solution

Installation de l’équipement

Le client a acheté et installé un convoyeur à bande.

Un employé place les couverts sur la bande, et de l’autre côté ils tombent dans une boîte.

Une caméra de vidéosurveillance standard est montée au-dessus du convoyeur.

Collecte du dataset et entraînement du réseau neuronal

Nous devions inclure tous les types possibles de couteaux, cuillères et fourchettes dans différentes positions sur le convoyeur dans l’ensemble d’entraînement.

Pour cela, le client a placé des couverts sur la bande et nous avons enregistré une vidéo.

Nous avons simulé avec le client différentes situations susceptibles de se produire dans le travail réel.

Par exemple : couverts mouillés reflétant la lumière, bande humide laissant des traces, etc.

Les couverts pouvaient arriver sales, avec des restes de gâteau ou autre nourriture. La vaisselle sale pouvait laisser des traces sur la bande.

Donc, plus il y avait d’images uniques, mieux c’était. Inutile de créer des situations artificielles — l’objectif est de reproduire les conditions réelles de travail.

L’employé a disposé les couverts dans des positions variées : horizontal, vertical, en diagonale, etc. Nous avons fait plusieurs passages.

Voici la première vidéo, un cas irréaliste ; en pratique, ils ne les disposeraient pas ainsi.

Et cette disposition est trop difficile à reconnaître et à compter :

Nous avons convenu avec le client de ne pas tout jeter en tas, mais de laisser un petit espace entre les objets :

Défis

Utilisation des Oriented Bounding Boxes (OBB)

Une Oriented Bounding Box (OBB) est un rectangle qui peut être orienté pour correspondre à l’orientation de l’objet, tandis qu’une Horizontal Bounding Box (HBB) a des côtés strictement horizontaux et verticaux. Les OBB offrent un ajustement plus précis pour les objets inclinés ou tournés, améliorant la précision dans des applications comme la surveillance aérienne ou la robotique. Les HBB sont plus simples mais peuvent inclure du fond inutile lorsque l’objet n’est pas droit.

Nous avons constaté que les employés ne pouvaient pas toujours espacer suffisamment les objets pour utiliser des boîtes horizontales classiques (HBB). Les couverts peuvent être placés aléatoirement, parfois proches ou croisés. Les HBB n’étaient donc pas adaptées — nous avons opté pour les OBB.

Avec ce nouvel étiquetage, nous avons obtenu une excellente précision.

Carte graphique dédiée

Nous avons annoté le dataset, entraîné le réseau et tenté une exécution sur un ordinateur. Nous avons découvert que parfois le processeur ne suivait pas. Le client utilisait un i5-10400, un processeur âgé de six ans.

Nous ne pouvions pas réduire la résolution ou utiliser un modèle léger, car la bande contenait des lignes, des flèches et parfois des traces d’humidité qu’il fallait distinguer des vrais couverts.

Par exemple, un couteau mouillé laissait une marque sombre :

Et voici un vrai couteau noir :

Après plusieurs tests, nous avons conclu qu’il fallait soit un processeur plus moderne, soit une carte graphique.

Les GPU sont abordables aujourd’hui ; nous avons recommandé une GTX 1060 (100 €) ou une RTX 3050 (160 €).

Le client a acheté une Nvidia GeForce GTX 1060 6 GB, résolvant ainsi le problème de surcharge CPU.

Flèches peintes sur la bande

Un autre détail : parfois, le compteur confondait les bandes verticales blanches avec des couteaux ou fourchettes.

Le client les a simplement effacées et le problème a disparu.

Les flèches horizontales ne posaient pas de problème, elles ont donc été laissées.

Après avoir éliminé tous ces obstacles, nous avons atteint une précision de comptage de 100 %.

Le processus actuel d’acceptation du matériel est le suivant :

1. Avant de commencer, l’employé lance le programme et active l’enregistrement vidéo.

2. Après l’acceptation, il arrête le programme et génère un rapport de quantité.

3. Si le client a des questions, ils visionnent ensemble la vidéo enregistrée.

Résultats

Le temps de la procédure d’acceptation a été divisé par deux.

Bien que l’acceptation soit effectuée par deux employés, elle n’a pas lieu tous les jours ni à temps plein — le temps réel est d’environ 120 heures/mois.

Avec un salaire de 1 500 €/mois et un volume de 150 h, le coût horaire est de 10 €/h. Donc l’acceptation coûte 120 h × 10 € = 1 200 €/mois.

Après implémentation, l’économie a été de 50 %, soit 600 €/mois.

Coûts du projet :

• Caméra et installation : 100 €
• Ordinateur : 600 €
• Carte graphique : 100 €
• Convoyeur horizontal : 1 000 €
• Licence du programme CamContador : 800 €

Total : 2 600 €

Le projet a été rentabilisé en cinq mois.

Mais au-delà de l’aspect financier, le plus important est que le nombre d’erreurs et de litiges clients a diminué. La satisfaction client et le NPS ont donc augmenté.

Exemple vidéo du processus de comptage des couverts :

Calendrier. Le projet a duré deux mois (septembre–octobre 2025), incluant l’installation, l’entraînement du réseau et les tests.

Équipe. Du côté CamContador : un ingénieur. Du côté du client : deux employés — chef de projet et spécialiste IT.