DEGRE - Détection et géoréférencement des réseaux enterrés | FEREC 2020

17 David Guilbert et al . Figure 2.10 – Un exemple de calcul d’intersection sur des unions pour diverses boîtes englobantes ( https://pyimagesearch.com/2016/11/07/ intersection-over-union-iou-for-object-detection/ ) . exemple pour l’estimation des armatures dans le béton Liu et al. (2020) , pour la localisation des réseaux enterrés Liu et al. (2018) . Cependant, quelles que soient les informations acquises à l’aide du GPR, chaque application a besoin de techniques de traitement adaptées afin d’interpréter les données GPR pour la prise de décision. Dans le cadre des conduites de services publics enterrées, l’estimation de la profondeur et du rayon a été démontrée dans la littérature à l’aide de techniques d’inversion (en anglais Full Wave Inversion, FWI) (Liu et al. (2018) ) et d’apprentissage automatique basées sur les rayons. Cependant, cette approche a demandé de lourdes ressources de calcul. La méthode basée sur les rayons a été utilisée dans Mechbal, Zoubaida & Khamlichi, Abdellatif (2018) pour détecter les barres d’armature enterrées, tandis que Sham & Lai (2016) l’a utilisée pour estimer la vitesse de propagation des ondes du GPR dans le béton lorsque le rayon est connu. Bien que les méthodes basées sur les rayons soient largement adoptées, l’erreur commise sur la localisation du pic dans le signal temporel a conduit à de grandes erreurs dans l’estimation du rayon Borgioli et al. (2008) . Pendant ce temps, les techniques d’apprentissage automatique ont montré des résultats prometteurs pour les applications de services publics souterrains. En particulier, les séparateurs à vaste marge (SVM) qui sont un ensemble de techniques d’apprentissage supervisé, ont été utilisés pour la détection automatique d’hyperboles Terrasse (2017) . En termes d’estimation, Jaufer et al. (2020b) propose d’utiliser les caractéristiques extraites de l’hyperbole et avec une version de SVM pour la régression (SVR) d’estimer le rayon et la profondeur d’objets cylindriques souterrains. Cependant, bien que cette approche ait donné de bons résultats sur des données synthétiques, elle n’a pas encore été validée sur des données réelles. D’autre part, les réseaux de neurones artificiels (ANN) sont des outils de calcul relativement nouveaux qui ont été largement utilisés pour résoudre de nombreux problèmes complexes du monde réel. L’attrac- tivité des ANN provient de leurs remarquables caractéristiques de traitement de l’information, adaptées principalement à la non-linéarité, au parallélisme élevé, à la tolérance aux pannes et au bruit, et aux capacités d’apprentissage et de généralisation Giannakis et al. (2021) . Dans les applications GPR, Li et al. (2020) ont adopté l’ANN et l’apprentissage automatique pour la détection et la localisation des barres d’armature tandis que Giannakis et al. (2021) a utilisé un ANN multicouche basé sur le percep- tron pour l’évaluation de la taille des barres d’armature dans le béton. Cependant, les approches n’ont été validées que sur quelques barres d’armature et la robustesse reste encore à démontrer. Étant donné que les caractéristiques d’entrée dominent fortement les performances du modèle, Jaufer et al. (2020b) ainsi que d’autres facteurs tels que la taille de la base de données et la morphologie de l’ensemble des données, l’objectif de cet article est donc d’évaluer les performances du modèle de régression basé sur l’ANN combiné à un ensemble de caractéristiques locales proposées pa rJaufer et al. (2020b) pour estimer la vitesse, la profondeur et le rayon des tuyaux cylindriques enterrés considérés comme trois paramètres uniques et indépendants. Même si la vitesse est corrélée à la profondeur, la conversion de la vitesse à partir des informations de profondeur ne représente que la vitesse de groupe du milieu stratifié Cerema/ENDSUM