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 » 24 / 39 Figure 16. Exemple de détections des classes RLC et RTC (dégradations situées dans des pontages) Ce nouveau modèle a été testé sur un faible échantillon d’images (  270 images, une image pouvant contenir plusieurs dégradations) prélevés sur le site de Lognes (images autres que celles utilisées pour l’entraînement bien entendu). Les résultats par rapport à la matrice de confusion sont présentés ci- après. Tableau 6. Matrice de confusion et indicateurs servant au calcul du F1-score après ajout des classes RLC et RTC Le fait d’avoir ajouté deux nouvelles classes qui prennent en charge des fissures présentes sur des réparations et d’avoir entrainé les modèles sur ces nouvelles cibles permet une amélioration sensible des résultats. Après ce travail, le critère F1-score est ainsi de l’ordre de 80% pour l’ensemble des classes de dégradations sur l’échantillon d’images considéré. VP FP FN Precision Rappel F1-score TC 74 20 20 78.72% 78.72% 79% LC 154 40 38 79.38% 80.21% 80% RTC 112 23 29 82.96% 79.43% 81% RLC 190 42 47 81.90% 80.17% 81%