DEGRE - Détection et géoréférencement des réseaux enterrés | FEREC 2020

15 David Guilbert et al . fonctionnalités des objets enterrés directement à partir des images GPR Bscan. J. Feng (Feng et al. (2020) ) a appliqué les réseaux de neurones convolutifs basés sur les régions qui sont une famille de modèles d’apprentissage automatique pour la détection d’objets. Faster R-CNN fait partie de cette famille et intègre l’extraction des régions d’intérêt dans le réseau neuronal lui-même pour accélérer la détection d’objet. L’application de Faster R-CNN pa rFeng et al. (2020) sur des Bscans bruts a permis d’obtenir des performances de plus de 90 % de détection. Cependant, le nombre d’échantillons d’apprentissage était énorme et Faster-RCNN n’est pas encore compatible pour une détection en temps réel en raison de son délai de traitement. Cependant, il a le potentiel d’être déployé en tant que modèle de post-traitement. D’autre part, pour faciliter la détection automatique des hyperboles en temps réel, Y.Li (Li et al. (2020) ) a introduit une technique basée sur Yolo-3 qui a produit une précision des résultats de test supérieure à 80 % à partir de seulement 300 données d’apprentissage. Dans l’ensemble, les performances et la robustesse de ces modèles variaient en fonction des techniques de pré-traitement du signal pendant ou après l’acquisition, de la stratégie d’annotation et des algorithmes d’apprentissage automatique adoptés. L’inconvénient le plus courant des modèles d’apprentissage profond existants était un nombre plus élevé de faux positifs, car toute hyperbole formée par des effets de diffusion et de bruit peut être détectée. Cela se traduit par une faible précision globale des modèles. Pendant ce temps, les faux négatifs sont plus élevés lorsque plusieurs hyperboles se chevauchent en raison de la densité des canalisations. Cependant, la distinction des tuyaux individuels n’est pas obligatoire dans la perspective de la sécurité de l’excavation, mais la détection du tuyau supérieur est importante. Dans ce contexte, en considérant les défis de détection et les avantages de Faster-RCNN par ses performances et ses caractéristiques, deux approches d’annotation différentes sont proposées. De plus, une seule hyperbole et plusieurs hyperboles superposées non séparables ont été considérées comme une seule cible. Ceci est fait parce que, du point de vue de la sécurité, la détection d’un ou plusieurs tuyaux dans le même emplacement ou la même tranchée est suffisante pour tracer la limite de sécurité des actifs de service pendant l’excavation. Pour minimiser les faux positifs (dus aux effets de réflexions multiples), le sous-sol ou l’écho d’une interface de couche est également inclus dans la stratégie d’annotation. Deux scénarios sont donc envisagés : — Modèle Faster RCNN avec l’annotation d’hyperbole à partir du sommet. Dans ce premier scénario d’annotation, l’étiquetage de l’hyperbole n’inclut pas l’écho de la surface, comme le montre la figure 2.8a ; — Modèle Faster RCNN avec l’annotation d’hyperbole incluant l’écho de surface. Le deuxième scénario d’annotation prend en compte l’écho de la surface dans l’étiquetage. (a) Scénario 1 d’annotation. (b) Scénario 2 d’annotation. Figure 2.8 – Les deux scénarii d’annotation prenant en compte ou non l’écho de surface. Mesure de l’efficacité de la détection Les algorithmes de détection sont évalués en analysant les résultats des prédictions obtenues sur un jeu de données dont nous connaissons la vérité. Nous comptons notamment les nombres de : Vrais positifs le nombre de fois où le modèle prédit correctement la classe positive c’est-à-dire que l’objet est correctement détecté ; Cerema/ENDSUM