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 » 13 / 39 3.3.4 Processus utilisé pour la génération des modèles de Deep Learning Dans le cadre de travaux antérieurs, une première génération de modèles de détection et de reconnaissance de dégradations avait été développée par l’UGE pour le cas des réseaux routiers de faible trafic (routes secondaires). Ces modèles, construits en utilisant l’outil d’apprentissage TensorFlow, résultent d’une opération dite de « Transfert Learning » ; cette dernière consiste à utiliser des modèles existants « pré-entrainés » et en accès libre, puis à réorienter l’apprentissage vers de nouvelles cibles ( i.e. des dégradations de chaussées dans le contexte de l’étude). L’architecture des modèles de Deep Learning se présentant sous la forme d’empilement de couches de neurones (ou réseau de neurones), le transfert de connaissance peut être perçu comme la réutilisation des réseaux des modèles pré-entrainés et l’ajout d’une ou plusieurs couches finales qui se « spécialisent » par rapport à l’extraction de nouvelles caractéristiques pertinentes. Le développement des modèles de DL a été réalisé selon le processus illustré dans la Figure 8. Le prérequis au déroulement de ce processus est de disposer d’un jeu d’images suffisamment riche aussi bien sur le plan quantitatif (nombre d’images) que qualitatif (panel d’images contenant les cibles à identifier). Depuis le jeu de données, le processus se déroule alors selon deux grandes étapes : i) Une phase préparatoire ii) Une phase d’entraînement Figure 8. Schéma du processus suivi pour la création d’un modèle de deep learning La phase préparatoire inclut le travail d’annotation (ou d’étiquetage) des images ; il consiste à identifier « manuellement » des dégradations parmi un ensemble d’images pour permettre aux modèles de retrouver, par eux-mêmes, des caractéristiques en vue de l’apprentissage. Cet exercice est également nécessaire pour le travail d’évaluation afin de savoir si la détection et/ou la classification proposée par un modèle entrainé est correcte ou pas. La phase préparatoire inclut également la définition d’un certain nombre de paramètres qui sont nécessaires au contrôle du processus d’entraînement (notamment les hyperparamètres).