Cet article présente le développement d'un système de détection d'emballement thermique basé sur l'apprentissage profond sur la ligne de production de batteries du constructeur automobile néerlandais VDL Nedcar. L'emballement thermique constitue un problème de sécurité majeur pouvant entraîner des incendies, des explosions et des émissions de gaz toxiques. Le développement d'un système de détection automatisé est donc crucial. À l'aide de données d'images optiques et thermiques collectées sur la ligne de production, l'équipe de recherche a simulé une situation de référence (absence d'emballement thermique) et une condition d'emballement thermique à l'aide d'une source de chaleur externe et d'un générateur de fumée. Trois modèles d'apprentissage profond ont été évalués : les réseaux de neurones convolutifs superficiels, les réseaux de neurones résiduels et les transformateurs de vision. La capacité des modèles à détecter des informations sur les caractéristiques a été analysée à l'aide de techniques d'explicabilité. Les résultats démontrent que l'apprentissage profond est une approche efficace pour la détection d'emballement thermique sur les lignes de production de batteries.
