DEGRE - Détection et géoréférencement des réseaux enterrés | FEREC 2020

22 4 Résultats expérimentaux 4.1 Détection 4.1.1 Base de données numériques Les scénarios de détection proposés ont été validés numériquement sur des images GPR synthétiques (B-scans) générées à l’aide de gprMax (Warren et al. (2016) ) en considérant pour la modélisation une dispersion homogène du milieu et aucun bruit. La configuration à couche unique est adoptée avec l’hypothèse selon laquelle les couches multiples peuvent être approchées comme une seule couche avec des valeurs paramétriques globales uniques. La source électromagnétique utilisée pour simuler l’antenne GPR est un dipôle hertzien alimenté par une forme d’onde de Ricker avec une fréquence centrale de f c = 1 , 5 GHz. Les modèles générés aléatoirement se compose d’un ou plusieurs réseaux enterrés dans une seule couche. Trois types de réseaux enterrés ont été modélisés : en métal, en PVC avec de l’air à l’intérieur ou en PVC avec de l’eau à l’intérieur. La permittivité de la couche ( ε r ) varie entre 6 et 9 aléatoirement. La profondeur de positionnement d’un réseau enterré varie entre 0 , 5 m et 1 , 5 m aléatoirement. Le diamètre du réseau enterré varie aléatoirement de 2 cm à 15 cm. La conductivité est fixée à 1 × 10 − 5 Sm − 1 . La résolution spatiale entre les A-scans adjacents est de 2 cm. Ainsi, un total de 200 B-scans uniques composés de 600 A-scans avec un ou plusieurs réseaux enterrés ont été créés. Un gain a été appliqué sur les B-scans générés pour augmenter la visibilité de l’hyperbole. Ensuite, un bruit blanc gaussien a été ajouté afin de produire un B-scan plus proche du scénario réaliste. De plus, les B-scans originaux de dimensions 600 x 4200, ont été redimensionnés en une image binaire de 600 x 600 pixels plus appropriée pour le modèle Faster-RCNN. Par conséquent, la résolution horizontale a été conservée comme le B-scan d’origine tandis que les informations temporelles ont été compressées lors du redimensionnement. Les bords de l’hyperbole étaient beaucoup plus nets et clairs après le pré-traitement et la binarisation. Les B-scan prétraitées ont été séparées au hasard en trois groupes de 60, 25 et 100 B-scans respecti- vement pour l’apprentissage, la validation et les tests. Deux ensembles distincts d’annotations ont été réalisés selon les deux scénarios. Enfin, deux modèles Faster RCNN ont été entraînés en conséquence à l’aide de TensorFlow dans Google Colab. Le nombre d’itérations a été maintenu à 40 000 pour être suffisant pour la convergence de la fonction de perte d’apprentissage (L). Le tableau montre 4.1 les résultats sur la base de test de 100 images contenant 272 hyperboles. Ils ont été obtenus à partir de la prédiction des deux modèles Faster-RCNN construits à l’aide de deux stratégies d’annotation et de l’architecture convolutive RESNET-50 avec un seuil d’IoU de 0 , 6. Vrai Positifs Faux Négatifs Faux Positifs Précision Rappel Scénario 1 270 2 8 97 , 1 % 99 , 2 % Scénario 2 262 10 3 98 , 1 % 95 , 8 % Table 4.1 – Précision et rappel selon les différents scénarios sur des données modélisées. Les figures 4.1 et 4.2 sont de bons exemples qui démontrent les avantages et les inconvénients des deux modèles. La vérité terrain pour ces deux exemples comporte trois réseaux enterrés. Dans la figure 4.1, le modèle détecte les trois réseaux enterrés avec un faux positif supplémentaire car il classe à tort la réflexion multiple d’un tuyau. La figure 4.2 fournit un faux négatif où il ne parvient pas à détecter le troisième réseau enterré. Cependant, le deuxième scénario valide son objectif ultime en éliminant les faux positifs causés dans le premier scénario. Avec le scénario 1, 270 hyperboles sur un total de 272 ont été détectées. 8 fausses détections dues à des Cerema/ENDSUM