ADOUCIR - Aide au diagnostic d’ouvrages par couplage d’images et radar | FEREC 2020

Aide au Diagnostic d’Ouvrages par Couplage d’Images et Radar Lauréat de l’appel à projets 2020 Fondation FEREC « Intelligence artificielle (IA) appliquée aux infrastructures en service » 10 / 23 3.2.3 Segmentation d’hyperboles La segmentation, telle qu’elle est définie dans la section 3.2.1, permet de donner automatiquement un label à chaque pixel de l’image. Dans le cas des images GPR, il s’agit de segmenter les hyperboles qui correspondent aux armatures du béton. Deux approches de segmentation sont possibles (Figure 7) :  La segmentation sémantique est la méthode basique. Tous les pixels appartenant aux hyperboles doivent être identifiés mais il n’y a pas de distinction entre les hyperboles (Figure 7- milieu). Lorsque les éléments segmentés sont disjoints, cela ne pose pas de difficulté puisqu’on peut isoler aisément chaque composante connexe. En revanche, lorsqu’on observe une connexité entre hyperboles, il est plus complexe de distinguer les éléments connexes.  La segmentation d’instances permet de répondre à cette difficulté en proposant une segmentation de chaque occurrence de l’hyperbole (voir Figure 7- droite). Cette deuxième approche de segmentation est mise en œuvre dans ce projet. L’algorithme Mask R-CNN [5] e st une architecture d’apprentissage profond dédiée à la segmentation d'instances. Le principe de cet algorithme se calque, dans la première partie, sur les architectures de détection d’objets, dits Réseaux à Proposition de Régions (RPN 1 ) dont le but est d’abord de trouver et localiser (sous forme d’une boite englobante) des éléments dans l’image, puis d’identifier la classe de l’objet. Dans ces familles d’algorithmes RPN, on extrait dans un premier temps les caractéristiques en utilisant un ensemble de filtres de convolution et d’opérateurs de pooling de la même manière que ce qui est présenté à la Figure 5. Les propositions de régions sont des boites rectangulaires de taille et de rapport longueur/largeur variables (9 configurations en tout). Celles-ci sont appliquées de manière glissante à chaque pixel de la carte de caractéristiques ce qui permet de calculer la probabilité que cette région soit une région d’intérêt. On ne retient que les régions dont la probabilité de contenir, dans notre cas une hyperbole, est supérieure à un seuil. Notons qu’une phase d’ajustement des coordonnées de la proposition de région est également prévue dans l’algorithme de manière à obtenir une boite englobante qui détoure au plus près l’objet d’intérêt. Grâce à cette approche, on peut ainsi extraire la boite englobante entourant l’objet d’intérêt. Cela se matérialise dans l a Figure 7- droite par des rectangles colorés avec la bordure en pointillés. L’architecture Mask-R-CNN ajoute une étape supplémentaire puisque pour chaque boite englobante détectée, elle calcule le masque de l’objet d’intérêt au pixel près, ce qui permet d’aboutir à la segmentation d’instances. A partir des hyperboles détectées au pixel près, plusieurs indicateurs physiques peuvent être envisagés : 1 Region Proposal Network Figure 7: à gauche Image Bscan d'une structure en béton ; au milieu segmentation sémantique des hyperboles de l'image (pixels en rouge) ; segmentation d'instances des hyperboles de l'image (pixels colorés)