11 KiB
C-005
Lieu : Canada (à confirmer), voies ferrées
Événement : du 30.09.2026 22:00 au 03.10.2026 21:00 UTC, toute la période de l'export : passages de trains (30.09 22:00, 01.10 12:00 et 21:00, 02.10 21:00, 03.10 10:00) ; pluie les nuits du 01.10 (05:00 à 11:00) et du 02.10 (03:00 à 11:00) ; feuilles devant une cible le 02.10, de 10:00 à 22:00
Cas créé le : 15.10.2026
Résumé
Une caméra surveille des voies ferrées. En trois jours, plusieurs événements ordinaires brouillent les mesures sans que les voies bougent : des trains passent devant les cibles, la pluie dépose des gouttes devant l'objectif la nuit, et une plante agitée par le vent cache par moments une cible. Aucun n'est grave : chacun a son explication.
Symptôme
Des courbes peu lisses sur toute la période : des pics d'une seule mesure, des mesures rejetées, et des nuits plus bruitées.
Verdict
Des passages de trains, des gouttes de pluie devant l'objectif et les feuilles d'une plante, vus sur les images, masquent ou brouillent des cibles : l'ouvrage ne bouge pas et il n'y a rien à faire.
Signature
Critères observables, relatifs au niveau habituel du capteur, chacun avec sa commande :
- Trains : à quelques instants isolés, de jour comme de nuit (ici 5 en 3 jours), l'
error_valuede 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 agents/diagnostic/cas/C-005/ --colonne error_value --pas 1h - Trains : aux plus gros passages, quelques cibles voisines restent sous leur seuil et gardent un saut de
corr_yd'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 agents/diagnostic/cas/C-005/ --colonne corr_y --pas 1h --capteurs C6,C7,C8,C9,C15 --fin 2026-10-01T15:00Z - Pluie : la nuit, pendant 6 à 8 h, l'
error_valued'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 agents/diagnostic/cas/C-005/ --colonne error_value --pas 1h --capteurs C12,C16,C17,C21,C7,C15,R4 - Plante : une seule cible, au bord d'une plante du premier plan, voit son
error_valuesauter 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 agents/diagnostic/cas/C-005/ --colonne error_value --pas 1h --capteurs C1,C6 --debut 2026-10-02T08:00Z --fin 2026-10-03T00:00Z - 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 agents/diagnostic/cas/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 agents/diagnostic/cas/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 surimages/20261001T1200Z_*.jpgetimages/20261002T0800Z_*.jpg
Diagnostic
- Classification : target-local degradation : chaque événement masque ou brouille des visées une à une ; les références restent intactes pendant les trois
- Cause : occlusion (trains ; feuilles d'une plante au vent) et buée ou eau (gouttes de pluie devant l'objectif) · Niveau de preuve : vue sur les images pour les trois (trains le 01.10 à 12:00 et 21:00 et le 02.10 à 21:00 ; gouttes le 02.10 à 08:00 ; feuilles devant C1) ; la pluie du 01.10 est déduite (fond voilé, pas de goutte visible), le passage du 30.09 à 22:00 aussi (pas d'image)
- 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 lecorr_xde 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 agents/diagnostic/cas/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,
sigma0monte jusqu'à environ 4 fois son niveau du 01.10,reproj_erraussi (R4 surtout) ; lecorr_ydes 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 agents/diagnostic/cas/C-005/ --colonne sigma0 --pas 1h --capteurs R1;python3 agents/diagnostic/outils/resume.py agents/diagnostic/cas/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_yde 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 agents/diagnostic/cas/C-005/
Preuves
Critères 1 et 3. Dans les zones grisées, l'error_value des cibles touchées monte pendant des heures, puis revient ; C15 et R4 restent plates. Les pics d'une seule mesure (30.09 22:00, 01.10 12:00 et 21:00, 02.10 21:00, 03.10 10:00) sont les trains.
Critères 1 et 2. C15 saute (rejetée) aux trois premiers passages ; C8 et C9, gardées, sautent en corr_y au 30.09 22:00 et au 01.10 12:00, puis reviennent ; R3 ne bouge pas.
Critères 1 et 5. Le train passe devant les cibles à l'instant de la mesure rejetée de 12:00.
Critères 3 et 5. À 08:00 le 01.10 et le 02.10, sous la pluie, le fond est bruité et les taches rapetissent ; C16 disparaît le 02.10. Le 03.10 à 08:00, nuit sèche, tout est net.
Critères 3 et 5. Des gouttes devant l'objectif, éclairées par le projecteur.
Critère 4. Dans la zone grisée, C1 saute environ une mesure sur deux ; C6 ne suit pas (sa bosse du matin est la pluie).
Critères 4 et 5. Aux heures des pics (11:00, 16:00, 19:00, 22:00), les feuilles couvrent C1 ; à 09:00 et 15:00, elles sont à côté. C6 reste nette.
Corrections qui suivent la caméra. En haut, tous les capteurs se décalent ensemble dans les zones grisées. En bas, corr_x des cibles s'écarte en sens opposés ; rien de tel l'après-midi du 01.10.
Références moins cohérentes. Dans les zones grisées, R1 et R5 montent, R3 et R4 descendent, et sigma0 monte jusqu'à environ 4 fois son niveau du 01.10, puis tout revient.