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 » 20 / 39 réparations en place, ce cas pouvant être apprécié différemment selon les méthodes d’exploitation (ce travaillant impliquant un réentraînement des modèles). Compte-tenu de ces remarques, les résultats ci-après portent sur le modèle de deep learning qui a le mieux performé (à savoir le Faster R-CNN après optimisation des hyperparamètres) sur des images issues de la caméra industrielle pour une vitesse de relevés de 30 km/h et en considérant les classes LC et TC sur chaussée aéronautique souple (la classe BC faisait également partie des objets à détecter mais comme la piste de Lognes ne présentait pas ce type de dégradation, elle n’apparait pas dans les résultats). Tableau 3. Performance du modèle de DL sur la métrique F1-score et autres critères (Lognes) Le tableau précédent fait apparaitre plusieurs observations qui sont commentées ci-après : Le niveau de performance du modèle de DL pour la bande n°4 diffère significativement des autres selon le F1-score. Quand on connait la configuration des lieux, la bande n°4 a en effet la particularité d’offrir un peu moins de dégradations que les autres d’une part et ces dégradations sont davantage situées dans des réparations (pontages) d’autre part. En conséquence, le modèle présente un F1-score faible (  40%) pour cette bande notamment à cause d’un nombre important de Faux Négatifs (FN) pour la classe TC ; le modèle a donc plutôt tendance à manquer des détections pour cette bande. Pour les bandes n°1 à 3, le F1-score est bon pour la détection des fissures longitudinales (LC) puisqu’il est en général proche de 75%. Il est en revanche moins élevé pour la détection des fissures transversales (de 48% à 68%) sans qu’il n’y ait une explication particulière à avancer sachant que lors de l’entraînement des modèles, la précaution a été prise d’équilibrer les classes LC et TC pour l’apprentissage de sorte à ne pas renforcer / favoriser l’une ou l’autre de ces classes. Par rapport à des résultats antérieurs obtenus sur route et avec le même modèle de DL, les F1-scores résultant de cette expérimentation sont moins bons. Cela peut s’expliquer par le caractère difficile des images à traiter par rapport à la présence très récurrente de pontages, ces derniers portant par ailleurs la plupart des fissures. Comme le modèle n’a pas été entrainé sur de tels cas, son niveau de performance est tout naturellement altéré. Afin d’illustrer les résultats obtenus, quelques images en sortie de modèle de DL sont présentées sur l a Figure 14. D’autres illustrations sont fournies dans les annexes du livrable. VP FP FN Precision (%) Rappel (%) F1-score (%) LC 236 59 99 80.00% 70.45% 75% TC 83 9 68 90.22% 54.97% 68% Total Fissures 319 68 167 82.43% 65.64% 73% LC 93 18 47 83.78% 66.43% 74% TC 91 12 131 88.35% 40.99% 56% Total Fissures 184 30 178 85.98% 50.83% 64% LC 215 41 104 83.98% 67.40% 75% TC 67 8 140 89.33% 32.37% 48% Total Fissures 282 49 244 85.20% 53.61% 66% LC 11 11 20 50.00% 35.48% 42% TC 53 8 151 86.89% 25.98% 40% Total Fissures 64 19 171 77.11% 27.23% 40% LC 555 129 270 81.14% 67.27% 74% TC 294 37 490 88.82% 37.50% 53% Total Fissures 849 166 760 83.65% 52.77% 65% Bande 1 Bande 2 Bande 3 Bande 4 Total toutes bandes