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 » 15 / 39 modèle se distingue des autres par une architecture qui lui est propre ; cette architecture conditionne la façon dont les caractéristiques sont recherchées dans les images ainsi que la classification des objets détectés. Par exemple, pour la famille des « R-CNN » (Regional Convolutional Neural Network, le modèle va d’abord proposer un ensemble de régions dans l’image (ou zones d’intérêt) susceptibles de contenir la cible par l’utilisation d’un réseau de neurones convolutifs. Chacune de ces régions se voit pourvu par la suite d’un ensemble de « boites de détection » (ou « bounding box » en anglais) de taille et de ratio différents. L’ensemble est alors entré dans ce même réseau de neurones convolutifs qui délivre en sortie une information finale contenant la présence ou pas de l’objet (ou des objets) recherché(s), une bounding box associée (en cas de détection) et la classe de l’objet (ex : fissure, faïençage, etc.). Ce traitement de l’image par morceaux permet de détecter plusieurs objets d’une même classe ou de différentes classes sur une même image. Par rapport à d’autres architectures, la méthode des R-CNN peut s’avérer plus lente (même si la modélisation en Faster-RCNN offre un gain en temps de traitement) notamment vis-à-vis des méthodes « Single Shot multi-box Detector » (SSD) par exemple ; mais ce facteur n’est pas gênant car le traitement des données dans le projet EASY-(DAI)2 s’inscrit dans un travail en temps différé (pas de besoin en temps réel). Figure 10. Schéma décrivant le fonctionnement d’un modèle de type R-CNN