Analyse de plaque signalétique avec Claude

---

Le problème concret

Dans le secteur de la rénovation énergétique, un technicien sur le terrain doit régulièrement saisir les caractéristiques techniques d’une installation existante : marque, modèle, puissance, fluide frigorigène, numéro de série. Ces informations se trouvent sur la plaque signalétique de l’unité extérieure — ce petit rectangle en métal vissé sur le côté du groupe.

Le problème ? Ces plaques sont souvent :

– mal éclairées ou encrassées

– remplies d’abréviations propriétaires non standardisées

– différentes d’un fabricant à l’autre (Daikin, Atlantic, Mitsubishi, Hitachi…)

Résultat : les techniciens saisissent manuellement, parfois avec des erreurs, et perdent un temps précieux.

---

L’idée : déléguer la lecture à Claude

J’ai intégré Claude dans mon workflow de la façon suivante : le technicien prend une photo de la plaque avec son smartphone. Cette photo est envoyée à l’API Anthropic avec un prompt structuré. Claude analyse l’image et retourne un JSON propre avec les champs extraits.

Le prompt utilisé

import anthropic
import base64

client = anthropic.Anthropic()

def extract_nameplate(image_bytes: bytes) -> dict:
    image_b64 = base64.standard_b64encode(image_bytes).decode("utf-8")

    response = client.messages.create(
        model="claude-opus-4-7",
        max_tokens=1024,
        messages=[
            {
                "role": "user",
                "content": [
                    {
                        "type": "image",
                        "source": {
                            "type": "base64",
                            "media_type": "image/jpeg",
                            "data": image_b64,
                        },
                    },
                    {
                        "type": "text",
                        "text": """Tu es un expert en équipements CVC (Chauffage, Ventilation, Climatisation).
Analyse cette photo de plaque signalétique d'une unité extérieure de climatisation ou pompe à chaleur.

Extrais les informations suivantes en JSON strict :
{
  "marque": "...",
  "modele": "...",
  "numero_serie": "...",
  "puissance_nominale_kw": null,
  "fluide_frigorigene": "...",
  "tension_v": null,
  "intensite_max_a": null,
  "annee_fabrication": null,
  "pays_fabrication": "..."
}

Si une information n'est pas lisible ou absente, mets null.
Réponds UNIQUEMENT avec le JSON, sans commentaire.""",
                    },
                ],
            }
        ],
    )

    import json
    return json.loads(response.content[0].text)

---

Ce que Claude sait faire que les OCR classiques ne font pas

Un OCR traditionnel lit les caractères. Claude comprend ce qu’il lit.

Exemples concrets rencontrés :

Ce qui est écrit sur la plaque	Ce que Claude comprend
R-32	Fluide frigorigène R-32
RZAG71A	Modèle Daikin, gamme multi-split
IP24	Indice de protection, pas un modèle
230V~ 50Hz 16A	Tension 230V, intensité max 16A
COP 4.2	Coefficient de performance, pas extrait comme modèle

Cette capacité de désambiguïsation sémantique est ce qui change tout. Claude ne confond pas un indice de protection avec un numéro de modèle, même si les deux sont sur la même ligne.

---

Résultats observés

Sur un jeu de test de 120 photos de plaques réelles (conditions terrain, éclairage variable) :

– Extraction du modèle correcte : 94%

– Extraction du numéro de série correcte : 89%

– Fluide frigorigène correctement identifié : 97%

– Temps de traitement moyen : 1,8 secondes par photo

Les 6% d’échec sur le modèle concernent essentiellement des plaques illisibles à l’œil nu — dans ces cas, Claude répond honnêtement null plutôt que d’inventer.

---

FeedbacK :

1. Donner le contexte métier — dire que c’est du CVC aide Claude à interpréter les abréviations sectorielles.

2. Forcer le format JSON dès le départ — plus fiable que de demander une réponse libre puis de la parser.

3. Demander explicitement null plutôt qu’une valeur inventée — Claude est naturellement enclin à rester honnête sur ses incertitudes si on le lui permet explicitement.

4. Ne pas surcharger le prompt — j’ai testé avec 20 champs à extraire : la précision baisse. 8-10 champs bien définis, c’est le sweet spot.

---

Intégration ?

Cette brique est intégrée dans un backend Flask qui reçoit la photo, appelle l’API Anthropic, valide le JSON retourné, et pré-remplit le formulaire de saisie du technicien. L’humain valide, il ne saisit plus.

C’est ça, l’IA bien utilisée : pas remplacer le technicien, mais éliminer la tâche à faible valeur pour qu’il se concentre sur son diagnostic.

---

Ce post fait partie d’une série sur l’intégration de l’IA dans les workflows terrain de la rénovation énergétique.

---