DEGRE - Détection et géoréférencement des réseaux enterrés | FEREC 2020

23 David Guilbert et al . Figure 4.1 – Exemple de faux positif. Figure 4.2 – Exemple de faux négatif. multiples réflexions ont été relevées. Le scénario 2 dont l’objectif est d’éviter les fausses détections, n’a effectué que 3 fausses détections. 262 hyperboles sur un total de 272 ont été détectées. Comme observé dans le tableau 4.1, la précision globale et le rappel ont été estimés. Il a été observé que la précision du modèle Faster-RCNN est meilleure dans le scénario 2 tandis que le rappel est meilleur dans le scénario 1. Le scénario 2 valide son objectif en éliminant les faux positifs relevés dans le scénario 1. En fait, les faux négatifs du scénario 2 peuvent être négligés, car l’objectif et l’hypothèse de cette étude est de considérer comme cible unique une ou plusieurs canalisations à un endroit dense. 4.1.2 Base de données réelles Les scénarios proposés ont été validés sur des données GPR de terrain acquises à l’Université Gustave Eiffel de Nantes (Fig. 4.3) . Deux GPR à impulsion de 400MHz (modèle GSSI SIR-4000) ont été déployés pour effectuer un levé GPR. Des profils parallèles à la route espacés de 0 , 5 m d’une distance approximative de 30 m chacun (profils bleus), ainsi que des profils perpendiculaires à la route espacés de 1 m d’intervalle de 20 m ont été acquis (profils jaunes). Pour garantir l’exclusivité de la base de données de test, des données pour l’apprentissage ont été collectés dans d’autres zones du campus. Les deux GPR avaient la même configuration avec : — 70 A-scans/m ; — 1024 échantillons de temps par A-scan pour une fenêtre temporelle de 35 ns Bien que les B-scans acquis sont de longueurs différentes, l’ensemble des B-scans a été subdivisé en image de 5 m de long. Enfin, sur chaque B-scan de 5 m, un gain logarithmique, un décalage de l’offset et le redimensionnement à 600 par 600 pixels requis pour Faster-RCNN ont été appliqués. Environ 84 Cerema/ENDSUM