« Système automatisé de vérification d'authenticité des certificats de qualité basé sur l'intelligence artificielle » — Diao Long, ingénieur adjoint en chef de l'assurance qualité de la centrale nucléaire de Huizhou de CGN

Le 14 novembre 2025, Diao Long, ingénieur adjoint en chef de l'assurance qualité de la centrale nucléaire de Huizhou de CGN, a présenté un rapport principal intitulé « Système automatisé de vérification d'authenticité des certificats de qualité basé sur l'intelligence artificielle » lors du roadshow « Scénarios d'application innovants IA+énergie nucléaire » du Salon nucléaire de Shenzhen.

Le rapport a présenté le système automatisé de vérification d'authenticité des certificats de qualité basé sur l'IA de la centrale de Huizhou, conçu pour résoudre les problèmes de faible efficacité de la vérification manuelle, de propension aux erreurs due au volume important d'informations, de difficulté de traçabilité du processus de vérification des entrepreneurs et de diversité des méthodes de contrefaçon. Le système réalise une vérification d'authenticité par lots, à grande vitesse et traçable grâce au téléchargement des certificats, à la reconnaissance des codes QR, à l'extraction de pages web, à la comparaison des informations clés par grand modèle et à la génération de rapports, et a déjà identifié des anomalies dans plusieurs cas réels de contrefaçon. Le rapport estime que ce système peut économiser un volume important d'heures de travail manuel, renforcer les capacités de sûreté nucléaire et présenter un potentiel d'extension à d'autres secteurs que le nucléaire.

Points clés
1. Thème et structure du rapport (00:12)
Le thème du rapport est le système automatisé de vérification d'authenticité des certificats de qualité basé sur l'intelligence artificielle, axé sur les scénarios de lutte contre la contrefaçon. Le rapport est divisé en quatre parties : contexte du projet, présentation du système, démonstration des résultats et valeur et promotion.

2. La vérification manuelle confrontée à de multiples difficultés (00:39)
Actuellement, les certificats de qualité reposent principalement sur une vérification manuelle, mais la centrale de Huizhou traite jusqu'à cent mille certificats par an. La méthode manuelle présente des problèmes tels qu'une faible efficacité, une propension aux erreurs due au volume important d'informations, une difficulté de traçabilité du processus de vérification des entrepreneurs et des difficultés de lutte contre la contrefaçon face à la diversité des techniques de falsification.

3. Introduction des grands modèles pour renforcer les capacités anti-contrefaçon (01:17)
Avec l'avènement de la technologie des grands modèles, l'équipe l'a appliquée à la vérification anti-contrefaçon des certificats de qualité afin d'améliorer les capacités de reconnaissance et de comparaison. Le système utilisait initialement la technologie OCR, mais les résultats n'étaient pas satisfaisants ; après le passage aux grands modèles, les performances de reconnaissance se sont nettement améliorées.

4. Processus de vérification du système (01:28)
Le système reçoit d'abord les certificats et les convertit uniformément au format image, puis utilise un petit modèle d'IA pour reconnaître les codes QR de tailles variables, avant d'effectuer l'extraction d'informations sur les pages web. L'étape la plus cruciale consiste à utiliser le grand modèle pour extraire les informations clés des pages web officielles et des certificats locaux, puis à comparer point par point les numéros, organismes, dates et autres éléments afin de déterminer leur cohérence.

5. Fonctions de rapport de vérification et de registre (02:26)
Le système peut générer des rapports de vérification indiquant si les certificats, les sites web et les codes QR sont authentiques, et présente en parallèle le certificat local, les informations du site officiel et les résultats de comparaison de l'IA. Le système a également développé une fonction de génération de registres qui permet de compiler uniformément les informations des certificats dans des tableaux Excel, réduisant ainsi la saisie manuelle et facilitant la conservation des archives.

6. Développement interne à faible coût et itération continue (03:15)
Le développement du système a débuté en 2024, avec une transition vers la technologie des grands modèles en 2025 qui a amélioré les performances, et un brevet associé a été déposé en avril. Le système a été développé de manière autonome par le personnel de première ligne chargé de la lutte contre la contrefaçon, avec un investissement financier très limité, et fait l'objet d'itérations et de mises à jour continues.

7. Démonstration de la vitesse de vérification par lots (03:58)
Lors de la démonstration, après le téléchargement de certificats provenant de vingt organismes, le système a automatiquement effectué en arrière-plan la conversion d'images, la reconnaissance des codes QR, l'extraction d'informations web et la vérification par IA. En raison des temps de réponse variables des serveurs de chaque certificat, la durée totale peut varier, mais lors de la démonstration, la vérification de plus de vingt certificats a été réalisée en moins d'une minute, avec possibilité de télécharger uniformément les images et les rapports textuels.

8. Résultats des tests sur certificats falsifiés (05:24)
L'équipe a utilisé un certificat de qualité de produits en acier pour béton dont les informations de poids avaient été modifiées : le site officiel indiquait vingt-six tonnes, tandis que le certificat local avait été modifié pour indiquer vingt-huit tonnes. Après téléchargement, le système a rapidement jugé le certificat comme douteux, parvenant à identifier l'anomalie grâce à l'optimisation algorithmique, même pour des caractères de petite taille.

9. Identification de cas réels de contrefaçon (05:53)
Lors de la vérification des étiquettes d'acier pour béton sur la base, le système a constaté que le code QR ne figurait pas sur la liste blanche, identifiant ainsi un faux code QR ; pour un autre certificat de produits en acier, il a constaté l'absence d'informations correspondantes sur le site officiel ; lors de tests sur des cas externes, il a également identifié des sites officiels falsifiés ne figurant pas sur la liste blanche ; pour un cas de modification de date sur un certificat d'étalonnage, le système a rapidement identifié l'anomalie et l'a signalée en caractères rouges.

10. Évaluation par les pairs et performances (07:14)
Le système a obtenu la reconnaissance de ses pairs lors d'une évaluation en réunion de groupe, recevant des évaluations favorables concernant le champ d'application, la vitesse de vérification, le principe de vérification, la précision et le degré de substitution du travail manuel. Le rapport indique que la vitesse de vérification du système peut atteindre plus d'un millier de certificats par heure, voire quatre à cinq mille par heure dans les cas les plus rapides, et que la précision pour les certificats au format standard peut dépasser quatre-vingt-dix-neuf pour cent selon les tests.

11. Valeur et perspectives de promotion (07:51)
Le système a obtenu la reconnaissance de bonnes pratiques de l'Association chinoise de l'industrie nucléaire ainsi que des prix d'innovation au niveau municipal et interne à l'entreprise. Sur le plan économique, on estime qu'il permet d'économiser environ dix mille heures de travail par an, et surtout de réduire les arrêts de travail et les risques de sûreté causés par la contrefaçon ; sur le plan social, le rapport considère qu'il s'agit de l'un des premiers cas réussis d'application de l'intelligence artificielle à la lutte contre la contrefaçon en Chine. Le système est actuellement disponible gratuitement et peut être utilisé dans les secteurs de la construction, de la chimie, des mines, etc., au-delà du domaine nucléaire.

Chronologie
00:07 - Le présentateur ouvre la séance, présente son unité, le thème du rapport et le cadre général de la présentation.
00:39 - Explication du contexte réel de la lutte contre la contrefaçon des certificats de qualité et des insuffisances de la vérification manuelle en termes d'efficacité, de précision, de traçabilité et de lutte contre la contrefaçon.
01:28 - Présentation du système : réception des certificats, conversion de format, reconnaissance des codes QR, extraction web, comparaison par grand modèle, génération de rapports et exportation de registres.
03:15 - Retour sur le processus : démarrage en 2024, transition de l'OCR vers les grands modèles, dépôt de brevet et développement interne à faible coût par le personnel de première ligne.
03:50 - Démonstration des performances réelles du système, notamment le téléchargement par lots, la vérification simultanée de plusieurs certificats, le retour des résultats et le téléchargement des rapports.
05:24 - À travers un certificat de test avec poids modifié et plusieurs cas réels ou externes, démonstration de la capacité du système à identifier les certificats douteux, les faux codes QR, les informations absentes du site officiel et les modifications de dates.
07:14 - Présentation des performances du système lors des évaluations, de la vitesse de vérification, de la précision, des distinctions obtenues, des bénéfices économiques, des bénéfices sociaux et du potentiel de promotion intersectorielle.
09:03 - Conclusion du rapport et remerciements aux invités présents.

Lecture complémentaire IA (le texte ci-dessous est généré par l'IA, son contenu peut comporter des inexactitudes, veuillez en tenir compte) :

Pratique et valeur de l'IA appliquée à la vérification d'authenticité des certificats de qualité dans le nucléaire

Le 14 novembre 2025, Diao Long, ingénieur adjoint en chef de l'assurance qualité de la centrale nucléaire de Huizhou de CGN, a présenté un rapport principal intitulé « Système automatisé de vérification d'authenticité des certificats de qualité basé sur l'intelligence artificielle » lors du roadshow « Scénarios d'application innovants IA+énergie nucléaire » du Salon nucléaire de Shenzhen, présentant l'exploration intelligente de la centrale de Huizhou dans le domaine de la lutte contre la contrefaçon des certificats de qualité des projets. Le contexte de développement de ce système repose sur le besoin crucial d'authenticité des certificats de qualité dans les secteurs à exigences de sûreté élevées comme le nucléaire. Face à la fréquence croissante des problèmes de contrefaçon de certificats en Chine, les méthodes traditionnelles de vérification manuelle révèlent progressivement leurs limites : faible efficacité, propension aux erreurs, difficulté de traçabilité et capacités anti-contrefaçon insuffisantes. La centrale de Huizhou génère environ cent mille certificats par an ; la vérification manuelle individuelle représente non seulement une charge de travail considérable, mais face à des formats complexes, de nombreux champs et des méthodes de contrefaçon diversifiées, elle peut entraîner des omissions ou des erreurs de jugement ; de plus, lorsqu'un entrepreneur prétend avoir terminé la vérification mais que de faux certificats sont encore détectés, la détermination des responsabilités devient difficile.

Ce projet a connu une transition technologique de la reconnaissance optique de caractères vers les grands modèles d'IA. Le système initial utilisait la technologie OCR pour reconnaître le contenu des certificats, mais ses performances étaient limitées face aux mises en page complexes, aux petits caractères, aux nombreux champs et aux formats non standard. En 2025, avec la maturation accrue de la technologie des grands modèles, l'équipe de recherche et développement s'est orientée vers l'utilisation de grands modèles d'IA pour l'extraction d'informations clés et la comparaison sémantique, en intégrant l'expérience pratique du personnel de première ligne chargé de la lutte contre la contrefaçon pour des itérations continues. Le projet a été développé de manière autonome par le personnel de terrain avec un investissement financier limité, mais grâce à l'optimisation continue des processus de reconnaissance, d'extraction, de comparaison et de génération de rapports, il a progressivement abouti à un système automatisé de vérification d'authenticité des certificats de qualité opérationnel.

Le processus central du système commence par la réception en ligne des certificats. Les fichiers de certificats provenant de différentes sources et formats sont convertis uniformément au format image après téléchargement, posant ainsi les bases de la reconnaissance et de la comparaison ultérieures. Pour résoudre les problèmes de codes QR de tailles variables, de clarté différente et de contenus divers, le système introduit un petit modèle d'IA pour reconnaître avec précision les URL, textes ou autres informations contenus dans les codes QR. Ensuite, le système extrait les informations des sites web officiels à partir des codes QR ou des liens associés, et améliore la précision et la stabilité de l'extraction grâce à une optimisation approfondie de la logique d'extraction web, évitant ainsi que les différences de structure des pages web ou les changements de chemins d'accès n'affectent les résultats de vérification.

Dans l'étape de jugement d'authenticité, le système utilise le grand modèle pour extraire les champs clés du certificat local et du contenu extrait du site officiel, puis compare plusieurs dimensions telles que le numéro de certificat, le nom de l'organisme, la date, les informations produit et le poids. Contrairement à la correspondance mécanique traditionnelle des champs, ce système prend en charge une certaine correspondance floue et un jugement intelligent, capable d'identifier les différences de format, les variations d'expression et les informations suspectées d'avoir été modifiées, et de produire une conclusion sur la cohérence des champs. Une fois la vérification terminée, le système génère automatiquement un rapport de vérification d'authenticité du certificat, présentant de manière centralisée le certificat local, les informations du site officiel et les résultats de comparaison de l'IA, en indiquant clairement si le code QR, le site web et le contenu du certificat sont authentiques ou présentent des points douteux.

Outre la vérification d'authenticité, le système dispose également d'une capacité de génération automatique de registres. Les informations clés des certificats peuvent être automatiquement organisées en tableurs électroniques, réduisant ainsi la charge de travail de saisie répétée et de compilation manuelle des registres pour les entrepreneurs et les employés. Le système prend en charge une utilisation via navigateur web, ainsi que le téléchargement de fichiers depuis un ordinateur ou un téléphone mobile, avec une interface relativement simple, facilitant une utilisation rapide par le personnel de terrain sur les chantiers. Cette approche multi-terminale améliore l'adaptabilité du système, permettant à la vérification des certificats de ne plus se limiter aux bureaux, mais de s'étendre aux étapes de chantier, d'entrée des matériaux et de contrôle qualité.

En termes de résultats démontrés, le système présente une capacité de vérification par lots relativement robuste. Lors des tests, l'équipe de R&D a utilisé des certificats provenant de vingt organismes différents : après le téléchargement, le système a automatiquement effectué en arrière-plan la conversion d'images, la reconnaissance des codes QR, l'extraction web et la vérification par IA, avec un traitement simultané de plusieurs certificats. Plus de vingt certificats ont été vérifiés en moins d'une minute, et la vitesse de traitement du système peut atteindre plus d'un millier de certificats par heure, voire quatre à cinq mille par heure dans des conditions optimisées. Les résultats de vérification peuvent être téléchargés de manière centralisée, comprenant les images des certificats, les rapports textuels, les heures de vérification et les conclusions de comparaison, facilitant ainsi l'archivage, l'audit et la traçabilité des responsabilités.

Lors des tests de faux certificats, le système a démontré une capacité de reconnaissance relativement forte. Prenant l'exemple d'un certificat de qualité de produits en acier pour béton, les testeurs ont modifié le poids de vingt-six tonnes indiqué sur le site officiel en vingt-huit tonnes sur le certificat local ; le système a identifié l'incohérence des informations de poids grâce à la comparaison des champs et a jugé le certificat comme « douteux ». Ce cas démontre que le système peut non seulement déterminer si un certificat possède un enregistrement sur le site officiel, mais aussi identifier les différences subtiles entre le contenu du certificat et les informations officielles, révélant ainsi des problèmes que la vérification visuelle manuelle pourrait négliger.

Le rapport présente également plusieurs cas pratiques. Sur un chantier, des étiquettes d'acier pour béton avaient déjà été validées par l'entrepreneur, mais le système a détecté des anomalies lors de la vérification par lots de plusieurs centaines à un millier d'étiquettes. Bien que les informations superficielles des étiquettes semblaient cohérentes, le code QR ne figurait pas sur la liste blanche et a été identifié comme un faux code QR. Dans un autre cas de certificat de produits en acier, un certificat validé par l'entrepreneur a révélé après vérification par le système l'absence d'informations correspondantes sur le site officiel, mettant en évidence des omissions dans la vérification manuelle. Le cas de Fangchenggang a montré que les contrefacteurs avaient même créé un faux site officiel très réaliste, mais le système a identifié l'anomalie de l'URL grâce au mécanisme de liste blanche, démontrant que le système ne se limite pas au contenu du certificat lui-même, mais accorde également une importance à la fiabilité de la source d'information. Dans le cas de la modification de date sur un certificat d'étalonnage de la base de Ningde, le fournisseur avait modifié l'année 2022 en 2023 pour contourner les problèmes d'expiration ou de non-inspection ; le système a rapidement identifié l'incohérence de date et l'a signalée en caractères rouges, améliorant ainsi la visibilité du problème.

Sur le plan technique, le système adopte une combinaison de « petit modèle + grand modèle » : le petit modèle est principalement utilisé pour la reconnaissance précise d'objets spécifiques comme les codes QR, tandis que le grand modèle est chargé de l'extraction sémantique, de la reconnaissance multi-champs et de la comparaison intelligente des certificats complexes. Le système optimise également les processus de traitement d'images, d'extraction web et de correspondance des champs grâce à divers algorithmes, et utilise plusieurs agents intelligents exécutant des tâches en parallèle pour améliorer l'efficacité globale de la vérification. Pour les certificats au format standard, la précision de vérification du système peut dépasser quatre-vingt-dix-neuf pour cent, avec une capacité de reconnaissance relativement forte pour les petits caractères, les champs complexes et les informations modifiées. Lors des évaluations lors de réunions du groupe, le système a reçu des évaluations favorables concernant le champ de vérification, la vitesse de vérification, le principe de vérification, la précision et le degré de substitution du travail manuel.

La valeur de ce système réside avant tout dans la garantie de sûreté. Les projets nucléaires exigent une authenticité extrêmement élevée des documents qualité ; si un faux certificat pénètre sur le chantier, cela peut entraîner une perte de contrôle de la qualité des matériaux, une distorsion de l'état des équipements, des arrêts de travail pour rectification, voire des risques pour la sûreté nucléaire. Grâce à la vérification automatisée par IA, le système peut détecter rapidement les anomalies lors de l'entrée des certificats sur le chantier et de leur circulation, réduisant ainsi le risque d'introduction de faux certificats dans la chaîne des projets nucléaires, avec pour objectif central de servir la sûreté nucléaire. Sur le plan économique, le système devrait permettre d'économiser environ dix mille heures de travail par an en coûts de main-d'œuvre, en réduisant la saisie manuelle, la comparaison manuelle et les vérifications répétées, tout en contribuant à éviter les reprises, les arrêts de travail et les pertes économiques potentielles causés par les faux certificats.

Sur le plan de la démonstration sectorielle, ce projet est considéré comme l'un des premiers cas pratiques en Chine d'application réussie de l'IA à la lutte contre la contrefaçon des certificats. Il a obtenu la reconnaissance de bonnes pratiques de l'Association chinoise de l'industrie nucléaire ainsi que des distinctions lors des prix d'innovation au niveau municipal et des évaluations internes de l'entreprise. Actuellement, le système a attiré l'attention et l'utilisation de nombreuses unités au sein et en dehors du groupe CGN, et présente un potentiel de promotion dans plusieurs secteurs tels que le nucléaire, la construction, la chimie et les mines. Étant donné que les certificats de qualité, les rapports d'inspection et les certificats de conformité des produits sont courants dans de nombreux secteurs à haut risque, la capacité intelligente de vérification d'authenticité des certificats présente une forte polyvalence. Le système est actuellement disponible gratuitement, ce qui facilite également les essais, la validation et la promotion secondaire par davantage d'unités.