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 » 16 / 23 5 Résultats acquis L’ensemble des implémentations ont été réalisées avec le langage de développement Python et les bibliothèques informatique dynamiques tensorflow et keras 2 . 5.1 Classification en catégories « saines » ou « avec fissures » Les techniques de deep learning nécessitent en général une base composée de plusieurs milliers d’images pour apprendre, ce qui est loin d’être le cas dans notre situation puisque nous avons uniquement 176 images visibles et GPR. Néanmoins, comme il est désormais d’usage avec les réseaux convolutionnels, il est possible de réaliser l’apprentissage à partir de modèles pré-appris sur des bases génériques. Ce processus permet de partir d’un état initial des paramètres internes du modèle moins aléatoire. L’apprentissage est complété et finalisé en utilisant les données propres à l’application mais en moins grand nombre. La limite de cette approche est que nous devons utiliser une architecture déjà existante. Nous avons opté pour cette solution de pré-apprentissage et nous avons choisi l’architecture Inception-v 3 [10] q ui comprend plus de deux cent suites d’opérateurs (filtres convolutionnels, pooling et autres fonctions). Dans cette architecture, les images en entrée sont de taille 512 x 512 pixels. Nous devons donc redimensionner les images à la taille définie. Pour les images radar, initialement de taille 160 x 256 pixels, le redimensionnement est tel quel sans conversion des proportions. Les images visibles sont de taille initiale 3000 X 4000 pixels pour la plupart d’entre elles. Pour éviter un sous-échantillonnage trop important, nous avons préféré extraire la partie centrale et redimensionner celle-ci à la taille voulue comme montré sur l a Figure 12. Figure 12 : Sélection de la partie centrale (en vert) de l'image visible et redimensionnement en 512 x 512 pixels de celle-ci. Nous avons divisé la base de 352 couples d’images (visibles et GPR) en deux sous-bases. La première, constituée de 302 couples, est dédiée à l’apprentissage. Notons que dans cette base, il y a plus de zones avec fissures que de zones saines. Les 50 couples restants seront utilisés pour le test final. Notons que dans la base de test, 25 couples appartiennent à la classe « saine » et 25 sont dans la classe « avec fissures ». Pour la phase d’apprentissage d’un réseau de neurones, une « époque » correspond à une itération du jeu complet de données dans l’architecture. Dans cette application, nous avons fait un apprentissage avec 100 époques. Le dernier modèle est retenu pour réaliser les tests. A chaque itération, des techniques dites d’augmentation de données sont appliquées de manière à accroître la variabilité des images en apprentissage. Ces méthodes consistent à appliquer des filtres géométriques (effet miroir, rotation, zoom) ou photométriques (variations d’intensité) sur les données. Ces variations doivent bien entendu rester crédibles par rapport à la réalité. L’effet de rotation sur les hyperboles par exemple doit être limité de manière à ce que les hyperboles restent globalement orientées verticalement. 2 https://www.tensorflow.org/learn?hl=fr