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 » 14 / 39 Figure 9. Interface utilisée pour l’annotation des images d’entraînement Pendant la phase d’entraînement, les modèles vont chercher à mettre en place un raisonnement qui, à partir de données d’entrée annotées, va conduire à la reconnaissance et à la classification automatique des dégradations de chaussée. Ce travail passe par l’extraction de caractéristiques pouvant être plus ou moins abstraites. Dans le cas du transfert de connaissance, la phase d’entraînement se traduit par l’ajout d’une ou plusieurs couches dans le réseau de neurones, ce qui différencie le nouveau modèle du modèle initial. Dans ce projet, la phase d’entraînement a été complétée avec deux étapes dans le but d’augmenter les performances des modèles : un ajustement des hyperparamètres et l’utilisation de la méthode d’augmentation. La première consiste à optimiser certains paramètres du modèle de sorte à ce que celui-ci s’améliore un peu plus dans ses prédictions par rapport aux données d’entrée (mais aussi à ce qu’il soit plus rapide) ; la seconde permet de générer de nouvelles images pour l’entraînement par des modifications aléatoires sur les images d’entrée (par rapport à la luminosité, au contraste, niveau de zoom, etc.). À la fin de cette phase, on dispose de modèles entrainés qui doivent montrer de bonnes capacités de généralisation, c’est-à-dire être capables de faire des prédictions sur des images jamais rencontrées lors de l’entraînement. Pour cela, on découpe le jeu d’images issu de relevés in situ en plusieurs sous- ensembles dont l’un sert uniquement à apprécier le niveau de généralisation (sous-ensemble représentant environ 10% des images), le reste étant alloué à l’entraînement. Dans le cadre du projet, le processus de traitement des données a été effectué au moyen d’un ordinateur « standard » interfacé avec Windows 10 et s’appuyant sur une carte graphique NVIDIA Quadro P4000 (RAM de 8 Go) et d’un microprocesseur 64 bits @ 3.7 GHz avec une mémoire de 32 Go. Avec cet équipement et à titre indicatif, il faut environ 1 jour pour entrainer un modèle depuis les données labellisées et moins de 2 secondes pour fournir une image associée à une boite de détection. 3.3.5 Les modèles de Deep Learning utilisés Le projet EASY-(DAI)2 s’est appuyé sur des travaux antérieurs réalisés par l’UGE qui avaient débouché sur la production de modèles de DL entrainés sur une base d’environ 6000 images en couleur. Ces modèles avaient été développés dans le cadre de relevés de dégradations sur les réseaux secondaires ; la collecte des images avait été réalisée par le biais de webcams montées sur des véhicules traceurs. Malgré la qualité relativement faible des images, une première évaluation de ces modèles avait montré des aptitudes intéressantes pour la détection et la classification d’un certain nombre de dégradations (celles qui sont les plus pertinentes à relever pour ce type de réseau). Les modèles ayant offert les meilleurs résultats proviennent de méthodes de détection basées sur des réseaux de neurones convolutifs et en particulier la méthode dite de « Faster R-CNN ». Chaque type de