EASY-(DAI)² - Economical & Automated SYstem for Distresses Detection on Airfield Infrastructure with Artificial Intelligence | FEREC 2020

Vers un relevé simplifié et automatisé des dégradations par IA Lauréat de l’appel à projets 2020 Fondation FEREC « Intelligence artificielle (IA) appliquée aux infrastructures en service » 11 / 39 3.3.2 Le prétraitement Afin de ne pas « manquer » des dégradations lors de la collecte d’images, il a été décidé de générer volontairement des chevauchements entre les images pour ces expérimentations. Comme expliqué précédemment, ces chevauchements impliquent un risque de surestimation du nombre et de la longueur des fissures détectées. On distingue deux types de chevauchement : - Le chevauchement longitudinal (dans le sens d’avancement du véhicule) dont l’ampleur est dépendante de la capacité du logiciel d’acquisition à prélever une image à intervalle de distance fixe ; - Le chevauchement latéral qui peut être contrôlé en positionnant correctement le véhicule sur la ligne de début de relevé (véhicule à l’arrêt) mais dont le niveau peut varier par la suite en fonction de la capacité du véhicule à conserver sa trajectoire. Pour estimer le chevauchement longitudinal, on calcule a posteriori la distance réelle entre deux images successives sur la base des coordonnées GPS correspondantes (durant la phase d’acquisition, seule une estimation de cette distance est considérée) ; cette distance inter-images est susceptible de varier plus ou moins fortement en particulier pendant les phases d’accélération/décélération du véhicule porteur. Le chevauchement latéral est quant à lui plus direct puisqu’on considère une zone de recouvrement fixe sur toute la progression du véhicule dans son couloir (hypothèse de travail retenue dans cette étude). La phase de prétraitement consiste donc à rogner, pour chaque image et en fonction des distances évoquées précédemment, les régions qui sont communes à d’autres de sorte à éliminer les zones de chevauchement générées lors de l’acquisition. À l’avenir, la gestion des chevauchements pourrait être améliorée en faisant évoluer l’instrumentation (ex : travail avec un codeur de roue et/ou avec un GPS plus précis avec une fréquence supérieure à 1Hz). Néanmoins, une telle évolution risque d’être pénalisante par rapport aux contraintes de simplification et de minimisation des coûts du dispositif. Figure 6. Illustration du découpage des images pour tenir compte des zones de chevauchement 3.3.3 Les classes d’objets à détecter Le projet EASY-(DAI)2 s’intéresse à un nombre limité de classes d’objets qui rassemble plusieurs types de dégradations de surface. Les classes d’objet ont été choisies par rapport aux besoins principaux liés au contexte de l’étude, aux dégradations présentes sur les différents sites expérimentaux ainsi qu’au temps imparti pour réaliser ce projet. Un certain nombre de dégradations a donc été retenu sachant que l’après-projet pourra être l’occasion d’enrichir le nombre de classes.