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 » 8 / 23 classification, de manière à affecter automatiquement les classes à des données nouvelles, non utilisées pour l’apprentissage. L’apprentissage est dit « supervisé », lorsque les exemples utilisés pour cette phase sont de classes connues et ont été préalablement annotés. Ces échantillons labellisés manuellement forment la vérité- terrain. A partir de ces exemples, l’objectif de l’apprentissage est de minimiser l’écart (selon un critère préalablement défini) existant entre la classe résultante de la fonction classifiante et la classe réelle indiquée par la vérité-terrain. Cette minimisation se fait de manière itérative en ajustant pas à pas les paramètres internes de la fonction de classification. L’apprentissage est terminé lorsque le critère n’évolue qu’à la marge ou que le nombre d’itérations fixé initialement est atteint. Avant d’être envoyées en entrée de la fonction de classification, les données sont représentées selon un vecteur de caractéristiques adaptées à l’algorithme. Ces caractéristiques sont soit générées selon des connaissances expertes et en fonction du problème à résoudre, soit directement apprises à partir de l’ensemble d’exemples pré-cité. Cette seconde possibilité correspond aux approches par apprentissage profond ( deep learning ) qui ont connu un essor considérable ces dernières années et donnent d’excellentes performances dans de nombreux domaines d’application. Ces méthodes d’apprentissage seront utilisées dans la suite de ce rapport. Classification Détection Segmentation Figure 4 : Application de méthodes de reconnaissance de formes sur des images de parois d’ouvrages. Colonne de gauche : classification d’images en catégories : désordres (en haut) et saines (en bas) ; Colonne du milieu : détection de fissures ; Colonne de droite : segmentation d’images. Apprentissage de caractéristiques classification Figure 5 : schéma général d'une architecture d'apprentissage profond dédiée à la classification de chiffres manuscrits.