Extraction automatique de métrés
Un bureau d'études structure perdait 3 à 4 heures par projet à recopier manuellement des données entre plans PDF, tableaux Excel et logiciel de calcul. On a automatisé tout ça.
Scénario représentatif basé sur des missions réelles. Les noms, chiffres et contextes sont adaptés pour des raisons de confidentialité.
Le problème
Un bureau d’études de 8 ingénieurs. Chaque projet de structure commence par la même corvée : ouvrir les plans PDF du client, repérer les éléments à dimensionner, copier les dimensions dans un tableau Excel, puis reporter le tout dans le logiciel de calcul. À la main. Chaque fois.
3 à 4 heures perdues par projet. Sur 3 à 4 projets en parallèle, ça fait une journée et demie de travail purement mécanique chaque semaine - par ingénieur.
Et les erreurs arrivent. Un chiffre mal recopié, une section oubliée. Personne ne les voit jusqu’au moment où les résultats de calcul ne collent pas.
Ce qu’on a construit
Un pipeline Python qui prend un PDF de plans en entrée et produit un tableau de métrés structuré en sortie, prêt à importer dans leur logiciel de calcul.
Extraction depuis les PDFs - reconnaissance des éléments structurels (poutres, poteaux, dalles, fondations), lecture des cotations, identification des types de sections.
Structuration automatique - les données sont organisées dans le format exact attendu par le logiciel de l’équipe. Pas de manipulation intermédiaire.
Validation et alertes - le système signale les zones d’incertitude (plans peu lisibles, cotations manquantes) pour que l’ingénieur concentre sa vérification là où ça compte.
La difficulté principale : les plans annotés à la main par les clients. L’OCR standard ne tient pas sur des écritures manuscrites denses. On a ajouté une couche de détection de zones incertaines avec demande de validation manuelle ciblée - l’ingénieur ne revoit que les 10 à 15% d’éléments que le système ne traite pas avec confiance suffisante.
Les résultats
- 2h30 économisées par projet en moyenne (varie selon la complexité des plans)
- Taux de détection automatique : 86% des éléments sans intervention humaine
- Rentabilisé en 4 semaines sur le volume de projets de l’équipe
- Les ingénieurs font du calcul, pas de la saisie
Stack
- Python - extraction PDF, structuration des données
- Parsing vectoriel + OCR ciblé sur les zones dégradées
- Export vers format natif du logiciel de calcul
- Déploiement local (données sensibles, pas de cloud)