DEGRE - Détection et géoréférencement des réseaux enterrés | FEREC 2020

2.3. Détection des réseaux enterrés 14 Figure 2.7 – Comparaison entre l’apprentissage automatique et l’apprentissage pro- fond Chandradeep et al. (2021) base sur des caractéristiques extraites manuellement alors que l’apprentissage profond intègre la sélection des caractéristiques. Plusieurs méthodes de détection automatique d’hyperbole sur des Bscans ont été développées (Ter- rasse (2017) . Souvent la première étape consiste à effectuer un ou plusieurs pré-traitements du signal. Ces pré-traitements visent entre autres : — à supprimer l’arrière plan qui correspond à l’écho de surface et les échos des différentes couches (Al- Nuaimy et al. (2000) ; Sezgin et al. (2004) ; Pasolli et al. (2008) ; Liu et al. (2010) ; Wang & Su (2011) ; Birkenfeld (2010) ) ; — à appliquer un gain variable sur le signal pour compenser l’atténuation de la puissance du signal (Al-Nuaimy et al. (2000) ; Pasolli et al. (2008) ; Birkenfeld (2010) ) ; — la réduction du bruit par filtrage (Al-Nuaimy et al. (2000) ; Pasolli et al. (2008) ; Ji et al. (2009) ; Birkenfeld (2010) ). Seul ou en plus des pré traitements déjà cités, d’autres traitements peuvent être appliqués avec l’objectif d’obtenir des caractéristiques plus saillantes pour détecter les hyperboles. Par exemple Al- Nuaimy et al. (2000) utilise la densité spectrale de puissance selon la méthode de Welch, Delbo et al. (2000) réalise la transformée de Fourier en ondelettes discrètes. La transformée de Hough est utilisée dans Golovko (2007) ; Harkat et al. (2016) pour la détection d’hyperboles. Mais l’inconvénient majeur de cette méthode est la complexité de calcul et la génération de résultats aléatoires. L’ajustement automatique de l’hyperbole est une autre technique basée sur la méthode des moindres carrés pour ajuster la forme de l’hyperbole à une équation analytique Al-Nuaimy et al. (2000) . Cependant, cette méthode n’identifie principalement qu’une seule hyperbole dans les images non bruitées et n’est pas applicable aux images contenant des hyperboles superposées. De plus, une approche de reconnaissance de formes supervisée basée sur le descripteur de HOG (histogramme de gradient orienté) et l’algorithme d’apprentissage Viola-Jones basé sur des caractéristiques de type Haar ont également été utilisées Terrasse (2017) . Cependant encore une fois, ces algorithmes souffrent de nombreuses fausses alarmes et nécessitent une extraction de caractéristiques complexe. Dans ce contexte, plusieurs chercheurs ont proposé des algorithmes de détection d’hyperbole supportés par des réseaux de neurones convolutifs Feng et al. (2020) ; Li et al. (2020) (en anglais CNN pour Convolutional Neural Networks). Le CNN ignore l’étape standard de sélection des caractéristiques nécessaire à l’apprentissage automatique et « apprend » à la place les représentations automatiques des Cerema/ENDSUM