Agent tools: reading tools moved to agent-tools/ (D-081)

The reading tools leave agents/diagnostic/outils/ for a root folder of their
own; paths updated in skills, agents, detectors, scripts, case fiches,
support/, contexts and CLAUDE.md; graphique, vignettes and gif find the repo
root one level up; history keeps old paths.

Co-Authored-By: Claude Opus 5.5 <noreply@anthropic.com>
This commit is contained in:
maximeandClaude Opus 5.5 committed 2026-10-28 16:36:45 +01:00
1 parent cb98818712
commit 56b93e9b82
55 files changed
+135 -127

No files matched your search

+8 -8
View File
@@ -15,11 +15,11 @@ Des passages de trains, des gouttes de pluie devant l'objectif et les feuilles d
## Signature
Critères observables, relatifs au niveau habituel du capteur, chacun avec sa commande :
1. Trains : à quelques instants isolés, de jour comme de nuit (ici 5 en 3 jours), l'`error_value` de nombreuses cibles saute à des dizaines ou des centaines de MAD le temps d'une seule mesure, puis revient au pas suivant (ici 19 à 20 capteurs, de 6 à 200 MAD, au 30.09 22:00 et au 01.10 12:00 ; 5 ou 6 aux 01.10 21:00 et 02.10 21:00 ; 2 au 03.10 10:00) ; aucune référence ne bouge ; ces mesures sont presque toutes rejetées : `python3 agents/diagnostic/outils/resume.py events/C-005/ --colonne error_value --pas 1h`
2. Trains : aux plus gros passages, quelques cibles voisines restent sous leur seuil et gardent un saut de `corr_y` d'une seule mesure, puis reviennent (ici C7, C8 et C9 au 30.09 22:00 et au 01.10 12:00 : +0,6 à +1,4, soit 16 à 35 MAD ; C6 moins ; `relative_y` +1 px) : `python3 agents/diagnostic/outils/resume.py events/C-005/ --colonne corr_y --pas 1h --capteurs C6,C7,C8,C9,C15 --fin 2026-10-01T15:00Z`
3. Pluie : la nuit, pendant 6 à 8 h, l'`error_value` d'une douzaine de cibles monte de 6 à 40 MAD au-dessus de sa médiane, sans pic d'un seul pas, puis revient sans palier quand la pluie cesse (ici 4 à 14 cibles par heure, le 01.10 de 05:00 à 11:00 et le 02.10 de 03:00 à 11:00 ; les plus touchées C12, C16, C17, C21, C7) ; aucune référence ne monte : `python3 agents/diagnostic/outils/resume.py events/C-005/ --colonne error_value --pas 1h --capteurs C12,C16,C17,C21,C7,C15,R4`
4. Plante : une seule cible, au bord d'une plante du premier plan, voit son `error_value` sauter à des dizaines de MAD environ une mesure sur deux, pendant une douzaine d'heures, puis revenir ; sa voisine reste intacte (ici C1, le 02.10 de 10:00 à 22:00 : 7 pas sur 12 entre 0,39 et 0,96, soit 6 à 25 MAD pour une médiane de 0,21 ; voisine C6) : `python3 agents/diagnostic/outils/resume.py events/C-005/ --colonne error_value --pas 1h --capteurs C1,C6 --debut 2026-10-02T08:00Z --fin 2026-10-03T00:00Z`
5. Sur les images : un train devant les cibles aux instants des pics du critère 1 ; la nuit sous la pluie, des gouttes éclairées par le projecteur, un fond bruité, des taches qui rapetissent ou disparaissent ; des feuilles devant la cible du critère 4 aux heures de ses pics, à côté d'elle aux autres heures : `.venv/bin/python agents/diagnostic/outils/vignettes.py events/C-005/ --capteurs C12,C16,C24,C15 --heures 2026-10-01T03:00Z,2026-10-01T08:00Z,2026-10-02T08:00Z,2026-10-03T08:00Z --rayon 60` ; `.venv/bin/python agents/diagnostic/outils/vignettes.py events/C-005/ --capteurs C1,C6 --heures 2026-10-02T09:00Z,2026-10-02T11:00Z,2026-10-02T15:00Z,2026-10-02T16:00Z,2026-10-02T19:00Z,2026-10-02T22:00Z --rayon 80` ; Read sur `images/20261001T1200Z_*.jpg` et `images/20261002T0800Z_*.jpg`
1. Trains : à quelques instants isolés, de jour comme de nuit (ici 5 en 3 jours), l'`error_value` de nombreuses cibles saute à des dizaines ou des centaines de MAD le temps d'une seule mesure, puis revient au pas suivant (ici 19 à 20 capteurs, de 6 à 200 MAD, au 30.09 22:00 et au 01.10 12:00 ; 5 ou 6 aux 01.10 21:00 et 02.10 21:00 ; 2 au 03.10 10:00) ; aucune référence ne bouge ; ces mesures sont presque toutes rejetées : `python3 agent-tools/resume.py events/C-005/ --colonne error_value --pas 1h`
2. Trains : aux plus gros passages, quelques cibles voisines restent sous leur seuil et gardent un saut de `corr_y` d'une seule mesure, puis reviennent (ici C7, C8 et C9 au 30.09 22:00 et au 01.10 12:00 : +0,6 à +1,4, soit 16 à 35 MAD ; C6 moins ; `relative_y` +1 px) : `python3 agent-tools/resume.py events/C-005/ --colonne corr_y --pas 1h --capteurs C6,C7,C8,C9,C15 --fin 2026-10-01T15:00Z`
3. Pluie : la nuit, pendant 6 à 8 h, l'`error_value` d'une douzaine de cibles monte de 6 à 40 MAD au-dessus de sa médiane, sans pic d'un seul pas, puis revient sans palier quand la pluie cesse (ici 4 à 14 cibles par heure, le 01.10 de 05:00 à 11:00 et le 02.10 de 03:00 à 11:00 ; les plus touchées C12, C16, C17, C21, C7) ; aucune référence ne monte : `python3 agent-tools/resume.py events/C-005/ --colonne error_value --pas 1h --capteurs C12,C16,C17,C21,C7,C15,R4`
4. Plante : une seule cible, au bord d'une plante du premier plan, voit son `error_value` sauter à des dizaines de MAD environ une mesure sur deux, pendant une douzaine d'heures, puis revenir ; sa voisine reste intacte (ici C1, le 02.10 de 10:00 à 22:00 : 7 pas sur 12 entre 0,39 et 0,96, soit 6 à 25 MAD pour une médiane de 0,21 ; voisine C6) : `python3 agent-tools/resume.py events/C-005/ --colonne error_value --pas 1h --capteurs C1,C6 --debut 2026-10-02T08:00Z --fin 2026-10-03T00:00Z`
5. Sur les images : un train devant les cibles aux instants des pics du critère 1 ; la nuit sous la pluie, des gouttes éclairées par le projecteur, un fond bruité, des taches qui rapetissent ou disparaissent ; des feuilles devant la cible du critère 4 aux heures de ses pics, à côté d'elle aux autres heures : `.venv/bin/python agent-tools/vignettes.py events/C-005/ --capteurs C12,C16,C24,C15 --heures 2026-10-01T03:00Z,2026-10-01T08:00Z,2026-10-02T08:00Z,2026-10-03T08:00Z --rayon 60` ; `.venv/bin/python agent-tools/vignettes.py events/C-005/ --capteurs C1,C6 --heures 2026-10-02T09:00Z,2026-10-02T11:00Z,2026-10-02T15:00Z,2026-10-02T16:00Z,2026-10-02T19:00Z,2026-10-02T22:00Z --rayon 80` ; Read sur `images/20261001T1200Z_*.jpg` et `images/20261002T0800Z_*.jpg`
## Diagnostic
- **Classification** : *target-local degradation* : chaque événement masque ou brouille des visées une à une ; les références restent intactes pendant les trois
@@ -27,9 +27,9 @@ Critères observables, relatifs au niveau habituel du capteur, chacun avec sa co
- **Conséquence pour l'ouvrage** : aucune · **Action** : aucune
- **Mécanisme** : un train qui passe devant les cibles, ou juste derrière, les cache ou change leur fond le temps d'une mesure ; des gouttes devant l'objectif voilent les taches pendant les heures de pluie ; les feuilles d'une plante au premier plan, agitées par le vent, passent par moments devant une cible.
- **Pics gardés au passage des trains** (critère 2) : ces mesures restent dans la courbe corrigée. Pour l'agent à l'aveugle, effet optique du train ou vrai fléchissement du rail sous la charge, non établi. À mon avis : un seul pas, au même instant que le train, puis retour ; des mesures horaires ne séparent pas les deux. *Avis de l'expert : à revoir.*
- **Corrections qui suivent la caméra** : les après-midi du 02.10 (13:00 → 00:00) et du 03.10 (13:00 → fin des mesures), tous les capteurs se décalent dans l'image (`relative_x` +1 px le 02.10, jusqu'à +3 px le 03.10) et le `corr_x` de plusieurs cibles suit, dans des sens opposés selon leur place (C3, C6, C7 vers le bas, C21 et C15 vers le haut, 4 à 6 MAD) ; le 02.10, tout revient la nuit ; le 03.10, l'écart est encore là à la fin des mesures. L'agent à l'aveugle y voit une *model mismatch / parallax* (références au loin sur le pont, cibles tout près sur les voies), `consistent with`, cause inconnue. À mon avis : l'écart suit la caméra heure par heure, ce qui va avec un défaut de la compensation plutôt qu'un mouvement des voies ; il chevauche les épisodes où les références s'accordent moins (ci-dessous), qui peuvent en être la cause ; non établi. *Avis de l'expert : à revoir* ; il juge la période entière sans conséquence pour l'ouvrage : `python3 agents/diagnostic/outils/resume.py events/C-005/ --colonne corr_x --pas 1h --capteurs R5,C3,C6,C7,C21,C15 --debut 2026-10-02T06:00Z`
- **Références moins cohérentes** : le 02.10 de 05:00 à 16:00, puis du 02.10 23:00 au 03.10 vers 20:00, `sigma0` monte jusqu'à environ 4 fois son niveau du 01.10, `reproj_err` aussi (R4 surtout) ; le `corr_y` des références dessine un arc : celles des bords (R1, R5) montent, celles du milieu (R3, R4) descendent ; tout revient seul ; aucune n'est rejetée. L'agent à l'aveugle : *weak / unstable reference solution*, `possible`, cause inconnue ; la pluie n'explique pas le second épisode, par nuit sèche. À mon avis : un arc, bords contre milieu, est la forme d'une déformation douce du réseau (le pont qui porte les références et se courbe avec la température, ou une réfraction), pas d'une référence isolée ; rien ne se voit sur les images ; non établi. *Avis de l'expert : à revoir* : `python3 agents/diagnostic/outils/resume.py events/C-005/ --colonne sigma0 --pas 1h --capteurs R1` ; `python3 agents/diagnostic/outils/resume.py events/C-005/ --colonne corr_y --pas 3h --capteurs R1,R2,R3,R4,R5`
- **État sur toute la période** : C18, C19, C20, C22, C23, C26 et C27 (des *local references*) sont rejetées à chaque mesure, C4 à plus d'une sur deux ; le `corr_y` de C6 à C15 vaut environ +1,2 à +1,4 du début à la fin ; trois heures n'ont ni mesure ni image (01.10 01:00, 01.10 13:00, 02.10 12:00 : images vides dans les zips de la plateforme). Ce ne sont pas des événements du cas : `python3 agents/diagnostic/outils/inventaire.py events/C-005/`
- **Corrections qui suivent la caméra** : les après-midi du 02.10 (13:00 → 00:00) et du 03.10 (13:00 → fin des mesures), tous les capteurs se décalent dans l'image (`relative_x` +1 px le 02.10, jusqu'à +3 px le 03.10) et le `corr_x` de plusieurs cibles suit, dans des sens opposés selon leur place (C3, C6, C7 vers le bas, C21 et C15 vers le haut, 4 à 6 MAD) ; le 02.10, tout revient la nuit ; le 03.10, l'écart est encore là à la fin des mesures. L'agent à l'aveugle y voit une *model mismatch / parallax* (références au loin sur le pont, cibles tout près sur les voies), `consistent with`, cause inconnue. À mon avis : l'écart suit la caméra heure par heure, ce qui va avec un défaut de la compensation plutôt qu'un mouvement des voies ; il chevauche les épisodes où les références s'accordent moins (ci-dessous), qui peuvent en être la cause ; non établi. *Avis de l'expert : à revoir* ; il juge la période entière sans conséquence pour l'ouvrage : `python3 agent-tools/resume.py events/C-005/ --colonne corr_x --pas 1h --capteurs R5,C3,C6,C7,C21,C15 --debut 2026-10-02T06:00Z`
- **Références moins cohérentes** : le 02.10 de 05:00 à 16:00, puis du 02.10 23:00 au 03.10 vers 20:00, `sigma0` monte jusqu'à environ 4 fois son niveau du 01.10, `reproj_err` aussi (R4 surtout) ; le `corr_y` des références dessine un arc : celles des bords (R1, R5) montent, celles du milieu (R3, R4) descendent ; tout revient seul ; aucune n'est rejetée. L'agent à l'aveugle : *weak / unstable reference solution*, `possible`, cause inconnue ; la pluie n'explique pas le second épisode, par nuit sèche. À mon avis : un arc, bords contre milieu, est la forme d'une déformation douce du réseau (le pont qui porte les références et se courbe avec la température, ou une réfraction), pas d'une référence isolée ; rien ne se voit sur les images ; non établi. *Avis de l'expert : à revoir* : `python3 agent-tools/resume.py events/C-005/ --colonne sigma0 --pas 1h --capteurs R1` ; `python3 agent-tools/resume.py events/C-005/ --colonne corr_y --pas 3h --capteurs R1,R2,R3,R4,R5`
- **État sur toute la période** : C18, C19, C20, C22, C23, C26 et C27 (des *local references*) sont rejetées à chaque mesure, C4 à plus d'une sur deux ; le `corr_y` de C6 à C15 vaut environ +1,2 à +1,4 du début à la fin ; trois heures n'ont ni mesure ni image (01.10 01:00, 01.10 13:00, 02.10 12:00 : images vides dans les zips de la plateforme). Ce ne sont pas des événements du cas : `python3 agent-tools/inventaire.py events/C-005/`
## Preuves
![error_value de cinq cibles et d'une référence, les deux nuits de pluie grisées](C-005_error_value_C12-C7-C16-C24-C15-R4_debut_fin.png)