Les parkings urbains et commerciaux font face à un problème simple mais coûteux : personne ne sait quelle place est libre à un instant donné. Les conducteurs tournent d'étage en étage, une file se forme à l'entrée, le système de billetterie n'est pas relié aux places, et la direction ne connaît les entrées et sorties de la journée qu'après la fermeture. Les capteurs au sol installés sur chaque place sont coûteux à poser et à entretenir, et fonctionnent mal dans les installations à ciel ouvert. Ce qu'il faut, c'est un moyen de mesurer l'état de chaque place en continu, à faible coût et sans intervention humaine.
L'enjeu ne se limite pas au confort du conducteur. Pour la ville, chaque minute passée par un véhicule à chercher une place ajoute de la circulation et des émissions. Pour l'exploitant, ne pas connaître l'occupation réelle signifie ne pouvoir ni pratiquer une tarification dynamique, ni proposer des réservations, ni analyser les usages. Pour la sécurité, savoir quel véhicule occupe quelle place et depuis quand est la base du suivi de tout incident. Le stationnement intelligent n'est donc pas un produit de confort ; c'est une infrastructure qui se transforme en données, et des données qui se transforment en décisions.
Une architecture de vision par ordinateur transforme les caméras existantes, ou un petit nombre de nouvelles caméras, en capteurs. En périphérie, une unité de traitement compacte analyse les images, détecte l'occupation de chaque place et lit les plaques d'immatriculation, puis n'envoie au serveur que les événements significatifs, tels que « place douze occupée » ou « plaque X entrée ». Ces événements sont collectés sur une plateforme centrale, reliés à la billetterie et au paiement, et exposés via des API aux panneaux de guidage, à l'application mobile et au tableau de bord de direction. La vidéo brute ne quitte jamais le site ; seules les données en sortent.
La première considération pratique est la réalité du terrain. Des modèles performants sous un bon éclairage et avec un objectif propre peuvent échouer la nuit, sous la pluie, à l'ombre des arbres ou lorsqu'une caméra a été désalignée. La solution consiste à évaluer le modèle sur des données du site réel et à le réentraîner périodiquement, plutôt que de se fier à un modèle générique. Par exemple, un parking à ciel ouvert présente en hiver un éclairage totalement différent de celui de l'été, et il faut s'attendre à une baisse de précision sans réentraînement.
La deuxième considération est la vie privée et la conception des données. Une plaque d'immatriculation est une donnée personnelle et doit être traitée avec le même soin que les données clients dans une banque. Cela implique un traitement en périphérie, la suppression de l'image une fois l'événement extrait, la conservation des plaques uniquement pour la durée nécessaire à l'exploitation et au paiement, et un accès aux tableaux de bord fondé sur les rôles. Une bonne architecture intègre ces contraintes dès la conception plutôt que de les greffer après coup, ce qui est à la fois plus sûr et moins coûteux.
Les écueils courants sont bien identifiés. Premièrement, commencer par le meilleur modèle plutôt que par le meilleur angle de caméra ; un positionnement correct de la caméra influe davantage sur la précision que n'importe quel algorithme. Deuxièmement, diffuser la vidéo brute vers un serveur central, ce qui consomme de la bande passante et crée un risque pour la vie privée. Troisièmement, construire le système de détection sans l'intégrer à la billetterie et au paiement, ce qui produit un tableau de bord sur lequel personne n'agit. Quatrièmement, ignorer l'état de panne ; lorsqu'une caméra tombe en panne, le système doit signaler les places comme « inconnues » plutôt que « libres », sans quoi les conducteurs seront guidés vers des places qui n'existent pas.
La plateforme d'IA de vision Bina («بینا») de Niadad met en œuvre cette architecture : traitement en périphérie, détection de l'occupation et des plaques, génération d'événements et intégration aux systèmes opérationnels via des API. Dans le projet de stationnement intelligent de Niadad, Bina sert de couche de perception, et ses événements alimentent les plateformes de données et d'événements de Niadad, afin que l'état du parking soit accessible aussi bien au conducteur qu'à l'exploitant et à l'analyse à l'échelle de la ville.
Le stationnement intelligent est une déclinaison à petite échelle du modèle plus large de la ville intelligente : captation peu coûteuse, intelligence en périphérie, événements plutôt que vidéo, et intégration aux systèmes opérationnels. Une organisation qui maîtrise ce modèle dans un parking peut le reproduire à l'entrée d'un bâtiment, sur une ligne de production ou dans un entrepôt. La technologie est aujourd'hui suffisamment mature pour que le facteur décisif ne soit plus le modèle, mais la rigueur avec laquelle le système qui l'entoure est construit.