Le Catalogue de Performance des Technologies d'Aide à l'Inspection du MLIT — le Système National Japonais de Certification pour la Détection des Dommages sur les Ponts par IA

Face à l'obligation légale d'inspecter visuellement chaque pont et tunnel routier tous les cinq ans, et à la projection selon laquelle environ 40 % des ponts japonais auront plus de 50 ans, le ministère japonais du Territoire, des Infrastructures, des Transports et du Tourisme (MLIT) a lancé en février 2019 le Catalogue de Performance des Technologies d'Aide à l'Inspection. Le catalogue répertorie des technologies de reconnaissance d'image par IA, de contrôle non destructif et de mesure/surveillance — dont des systèmes d'IA détectant et classant automatiquement fissures, éclatements de béton, exposition des armatures, infiltrations d'eau et efflorescences calcaires sur les surfaces en béton des ponts, à partir de photographies ou d'images de drones — ainsi que la précision déclarée et le champ d'application de chaque technologie, permettant aux collectivités locales et aux ingénieurs de choisir des alternatives validées à l'inspection manuelle rapprochée, coûteuse.
Le catalogue est passé de 12 technologies répertoriées pour les ponts en février 2019 à 215 en avril 2025, réparties entre les catégories mesure par image (91), mesure/surveillance (76) et contrôle non destructif (48), avec de nouvelles technologies ajoutées via des annonces publiques périodiques. À partir de l'exercice 2022, l'utilisation des technologies d'aide à l'inspection répertoriées est devenue obligatoire pour certains éléments d'inspection des ponts et tunnels des autoroutes nationales, une exigence étendue aux inspections de chaussées à partir de l'exercice 2023 — transformant une liste de référence volontaire en un mécanisme national de conformité contraignant.
Les fiches de performance de chaque technologie (comme le système de détection de dommages par IA BMStar) publient des niveaux de précision déclarés, avec notamment l'affirmation que la reconnaissance de fissures par IA égale ou dépasse l'inspection visuelle rapprochée réalisée par des ingénieurs formés ; il s'agit de déclarations de performance soumises par les développeurs et évaluées selon les critères de test standard du MLIT, et non d'audits de précision totalement indépendants menés par des tiers, si bien que la solidité des preuves varie selon la technologie répertoriée.