Djibouti, 15 Janvier 2026 – La République de Djibouti occupe une position stratégique majeure en tant que plateforme logistique pour la Corne de l’Afrique. Dans le cadre de Djibouti Vision 2035, la stratégie nationale de développement vise à faire du pays un hub commercial et logistique mondial.
Djibouti constitue le principal point d’accès maritime de l’Éthiopie et des pays de la région. Le réseau de corridors routiers géré par Djibouti Ports Corridor Road SA (DPCR) s’étend sur 642 kilomètres et supporte l’essentiel du trafic de marchandises entre les marchés régionaux et les infrastructures portuaires djiboutiennes.
Ces corridors évoluent dans des conditions particulièrement exigeantes : des températures ambiantes dépassant régulièrement 40°C, des tempêtes de sable fréquentes, un trafic soutenu de véhicules lourds.
Ces facteurs accélèrent la dégradation des chaussées et augmentent les besoins en maintenance.
Avant la mise en œuvre de CorridorVision AI, l’évaluation de l’état des routes reposait sur des inspections visuelles manuelles. Cette approche présente plusieurs limites opérationnelles :
Cette approche réactive a conduit à un manque de données structurées : les activités opérationnelles étaient documentées, mais les données exploitables sur l’état réel des routes n’étaient pas collectées de manière systématique.
| Class | Work Type | Activity | Min | Max | Mean |
|---|---|---|---|---|---|
| Routine | Routine maintenance | Unsealed 2L Highway | 277 | 1,740 | 989 |
| Bituminous 2L Highway | 656 | 5,580 | 2,199 | ||
| Periodic | Grading | Light Grading | 51 | 205 | 110 |
| Heavy Grading | 323 | 876 | 522 | ||
| Gravel resurfacing | Regravelling | 1,997 | 65,038 | 15,326 | |
| Bituminous pavement | Fog Seal | 2,805 | 15,783 | 8,946 | |
| Unsealed | Preventive Treatment | 2,009 | 6,965 | 4,266 | |
| Surface treatment | Slurry / Cape Seal | 4,452 | 27,520 | 9,780 | |
| Single Surface Treatment | 5,295 | 38,607 | 18,937 | ||
| Double Surface Treatment | 10,684 | 45,277 | 27,039 | ||
| Asphalt resurfacing | Overlay < 40 mm | 12,878 | 82,320 | 38,095 | |
| Overlay 40–59 mm | 21,021 | 126,131 | 68,713 | ||
Cette approche réactive a conduit à un manque de données structurées : les activités opérationnelles étaient documentées, mais les données exploitables sur l’état réel des routes n’étaient pas collectées de manière systématique.
Pour répondre à ces enjeux, DPCR a développé CorridorVision AI, un système automatisé de surveillance de l’état des routes. La solution privilégie la fiabilité et la maîtrise des coûts, sans recours à des équipements spécialisés lourds.
Des véhicules sont équipés de systèmes d’imagerie 4K/UHD haute performance, utilisant des caméras d’action et dashcams de qualité professionnelle, sélectionnées pour leur excellente clarté d’image.
Ces dispositifs intègrent une stabilisation avancée afin d’éliminer le flou de mouvement et sont conçus pour résister à des températures élevées, garantissant un fonctionnement fiable même dans des environnements extrêmes.
Les vidéos collectées sont traitées et découpées en images individuelles. Ces images sont ensuite importées sur Labelbox, une plateforme d’annotation de données, où des annotateurs formés identifient et labellisent les défauts de chaussée, notamment : nids de-poule, fissures, orniérage.
Ce processus d’annotation supervisée par l’humain permet de constituer des jeux de données d’entraînement de haute qualité, essentiels à la précision du modèle.
Les jeux de données annotés sont utilisés pour entraîner un modèle de détection d’objets YOLOv8 (You Only Look Once, version 8). c’est un algorithme de détection en temps réel capable d’identifier et de localiser plusieurs types de défauts dans une seule image.
Le modèle est continuellement amélioré à mesure que de nouvelles données annotées sont ajoutées, ce qui permet d’augmenter progressivement la précision de détection.
Figure : Architecture du modèle de détection d’objets YOLOv8
Le modèle entraîné est déployé sur RapidCanvas, une plateforme d’IA hébergeant l’application CorridorVision AI. La plateforme traite les nouvelles données vidéo, détecte et classe automatiquement les défauts routiers, et associe chaque détection à des coordonnées GPS, facilitant ainsi la cartographie spatiale et la planification des opérations de maintenance.
À ce stade, le projet CorridorVision AI a déjà couvert plus de 844 km, avec 2 174 détections identifiées sur 4 types de défauts sélectionnés. Malgré des conditions opérationnelles exigeantes — une altitude moyenne de 399 m et des températures internes de caméras GoPro atteignant 79,11°C — les systèmes ont conservé un fonctionnement optimal, démontrant la robustesse et la fiabilité de la solution de capture haute résolution dans des environnements extrêmes.
CorridorVision AI est actuellement en phase de déploiement. À mesure que le système gagne en maturité, DPCR anticipe les améliorations suivantes :
CorridorVision AI a démontré qu’une surveillance efficace des infrastructures peut être mise en œuvre à partir de matériel commercial standard combiné à des techniques de machine learning.
En remplaçant les inspections manuelles par une détection et une classification automatisées, DPCR pose les bases d’une gestion des actifs routiers pilotée par les données.
À mesure que le système accumule des données opérationnelles et que le modèle de détection s’améliore grâce à l’entraînement continu, cette approche pourrait servir de référence pour des projets similaires dans la région.
