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 » 23 / 39 Figure 15. Vérité terrain faisant apparaitre 3 TC distinctes (à gauche) et détection faisant apparaitre une seule TC (à droite) En agrégeant des fissures qui sont très proches les unes des autres dans la réalité terrain, on réduit significativement le nombre de faux négatifs. Cela conduit automatiquement à augmenter les degrés de rappel ainsi que le F1-score. Ce travail a été réalisé pour l’ensemble des bandes en considérant le total des classes LC et TC afin d’évaluer l’impact de ce genre de cas sur les résultats (Tableau 5) . Tableau 5. Effet de l'agrégation des fissures dans la vérité terrain sur le niveau de performance du modèle DL Concernant les cas de faux positifs (détections erronées) recensés dans le Tableau 3, il semblerait que le modèle de DL les produise principalement pour des dégradations de classe TC et de grande dimension; cette erreur est probablement due à une confusion avec les réparations de fissures qui occupent en général une place importante dans l’image. Dans le futur, il sera ainsi intéressant de calculer les distributions des composantes de la matrice de confusion en fonction des longueurs de fissuration pour valider l’hypothèse formulée précédemment. Ce travail n’a pas pu être réalisé dans ce projet faute de temps. En revanche, le modèle a été ré-entrainé de sorte à distinguer deux nouvelles classes que sont les fissurations dans des réparations dans le sens longitudinal (RLC) et dans le sens transversal (RTC). Un exemple de ce travail est illustré dans l a Figure 16. FN initial FN après agrégation Rappel initial Rappel après agrégation F1 score initial F1 score après agrégation Bande 1 167 157 65% 67% 73% 74% Bande 2 178 102 51% 64% 64% 74% Bande 3 244 158 54% 64% 66% 73% Bande 4 171 87 27% 42% 40% 55% Total 760 504 53% 63% 65% 72%