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 » 29 / 39 Même si toutes les bandes apparaissent dans ce tableau, il est plus intéressant de regarder les résultats sur les bandes 3, 7 et 8 qui comportent un nombre plus significatif de dégradations. Pour celles-ci, on constate que les longueurs des dégradations estimées par le modèle sont proches de celles provenant de la vérité terrain. Ainsi, malgré le changement de type de surface (de l’enrobé au béton) le modèle conserve, de ce point de vue, un niveau de performance intéressant. En revanche, la prise en charge des joints de dalles est essentielle pour assurer une bonne détection. En effet, il peut y avoir confusion entre une fissure et un joint et ainsi générer une forte quantité de faux positifs. Pour cette raison, et comme dit précédemment, le modèle a été entrainé à détecter les joints et les coins de dalles de béton. Les résultats de cette détection sur une bande de la piste Charlie sont exposés dans le Tableau 9. Tableau 9. Performance du modèle pour la détection des joints et des coins des dalles selon le F1-score La prise en charge de la détection des joints de chaussée et des coins de dalle par le modèle est excellente comme l’indiquent les valeurs de F1-score. Malgré tout, il peut subsister quelques erreurs de détection et en particulier des faux négatifs pour les joints qui, pour les plus irréguliers d’entre eux, peuvent être apparentés à une fissure. Par conséquent, cette confusion mène à la production de faux positifs pour la détection des dégradations ce qui explique en partie les valeurs observées dans le Tableau 7. Un exemple de cette problématique est illustré au moyen des images de la Figure 20. VP FP FN Precision Rappel F1-score Joints 88 2 3 97.78% 96.70% 97% Coins 21 0 1 100.00% 95.45% 98%