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 » 17 / 23 Pour analyser l’intérêt de la combinaison images visibles et GPR pour la classification, nous avons également réaliser deux autres apprentissages avec un seule modalités d’images, soit les images visibles, soit les images GPR. La base de test est constituée des 50 mêmes zones que précédemment. Les résultats sont montrés sur le Tableau 4. On observe que, sur la base de test, les performances en classification sont meilleures avec un couplage d’images radar et visibles (47 bonnes détections sur les 50 images), comparées à la classification basée sur une seule modalité : 25 bonnes détections avec les images radar seules et 38 avec les images visibles seules. Il faut noter que, pour le modèle avec fusion de données, les 3 erreurs de classification sont toujours dans le même sens, à savoir que des images considérées comme saines dans la vérité-terrain ont été classées à tort dans la catégorie fissures. Le fait que l’apprentissage contienne plus d’images avec fissures que d’images saines pourrait être une explication à ce constat, mais cela doit être confirmée sur une base plus large. Pour le modèle utilisant des images visibles seules, on note que parmi les 12 mauvaises classifications, 7 images ont été identifiées à tort dans la catégorie fissures et 5 classées à tort dans la catégorie saine. Enfin, pour les images radar, les résultats sont au niveau du « hasard » avec 50% de bonnes classifications. Il apparaît que le modèle n’arrive pas à se déterminer uniquement à partir de cette modalité. Cette première étude semble avoir montré l’intérêt d’une approche bimodale pour améliorer la classification. Il faut bien entendu rester prudent sur ces conclusions car la base de données reste relativement limitée en nombre et sans doute en représentativité des situations mais ces performances restent encourageantes et nous incitent à continuer dans cette voie. Tableau 4 : résultats de classification en catégories saines ou fissures Mono-input (pas de fusion) Dual-input (fusion) images GPR Images visibles Images GPR + visibles Taux de bonnes détections 25/50 38/50 47/50 5.2 Extraction d’armatures Pour réaliser la segmentation d’instances d’hyperboles, rappelons que l’architecture de réseau de neurones mask-R-CNN [5] a été choisie (voir sectio n 3.2.3) . Nous avons 176 images GPR à disposition auxquelles nous pouvons ajouter 55 images GPR simulées, soit 231 images au total. Parmi ces données 194 images Bscans sont sélectionnées aléatoirement pour l’apprentissage, et les 37 restantes constitueront la base de test. Contrairement à l’expérimentation en classification (Section 5.1) , les images n’ont pas besoin d’être redimensionnées. Nous avons fait le choix de repartir partiellement d’un modèle pré-appris. En effet, ce pré-apprentissage concerne uniquement la première partie du réseau mask-r-cnn pour l’obtention de la carte de caractéristiques. A partir de cet état pré-appris, les 231 images sont appliquées au réseau pour générer le modèle final au bout de 500 époques. Les 37 images GPR de la base de test contiennent en tout 159 hyperboles (nombre d’hyperboles de la vérité-terrain). Nous définissons les critères d’évaluation suivants :  VP (Vrais Positifs) le nombre d’hyperboles correctement détectées par l’algorithme parmi toutes celles à détecter  FP (Faux Positifs) le nombre d’hyperboles détectées à tort par l’algorithme  FN (Faux Négatifs) le nombre d’hyperboles de la vérité-terrain oubliées par l’algorithme Pour analyser les performances, on considère qu’une hyperbole est détectée si au moins 50% des pixels considérées comme appartenant à l’hyperbole dans la vérité-terrain ont été segmentés comme