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 » 33 / 39 5 Synthèse Grâce à des essais en laboratoire et à des expérimentations in situ , le projet EASY-(DAI)2 a permis de démontrer le potentiel de détection de dégradations de chaussées aéronautiques offert par le deep learning par une application sur des images issues d’un dispositif « allégé ». Un tel dispositif serait en effet indiqué pour l’auscultation de plateformes qui ne peuvent bénéficier de l’usage de moyens lourds soit pour des raisons de coût soit pour des raisons logistiques (disponibilité, acheminement du matériel, etc.). Par conséquent, un soin a été apporté au choix des composants les plus adéquats en début de projet (et tout particulièrement l’imageur) de sorte à définir une instrumentation « type » qui pourrait être dupliquée à l’avenir dans un cadre purement opérationnel. Une fois cette instrumentation figée et la qualité des données entrantes connue, la puissance de la méthode porte alors sur le traitement des images de chaussée pour l’identification et la classification des dégradations. Dans le projet EASY-(DAI)2, ce traitement a été assuré par un apprentissage profond (deep learning) qui est une technique provenant de l’intelligence artificielle. Dans une première approche, les modèles de deep learning déployés pour ce projet avaient pour objectif de détecter une ou plusieurs dégradations dans une image de chaussée, d’identifier sa classe et de dimensionner sommairement chaque défaut au moyen d’un cadre de détection. Ces modèles ne permettaient cependant pas d’extraire le squelette des dégradations ni même d’estimer l’ouverture de la fissure. Ce projet a également été l’occasion de tester la transférabilité de modèles de deep learning entre une application routière et une application aéronautique. Les résultats expérimentaux ont montré qu’un tel transfert était possible mais qu’un réentraînement était nécessaire en particulier pour la prise en charge de défauts sur des dalles de béton. Il faut aussi noter que le niveau d’exigence pour la détection des dégradations sur chaussée aéronautique a volontairement été plus élevé pour ce projet par rapport à des projets portant sur le domaine routier où les longueurs de linéaires sont telles qu’un plus fort taux d’erreurs est en général mieux toléré. À l’issue de plusieurs tests, un seul modèle de deep learning a été retenu et entrainé de sorte à ce qu’il puisse performer aussi bien sur chaussée aéronautique souple (bitumineuse) que rigide (béton). L’évaluation de ce modèle a été effectuée selon plusieurs critères : le F1-score pour mettre en avant la capacité à détecter et classifier la dégradation et le critère de longueur de fissuration pour estimer la capacité du modèle à dimensionner correctement cette même dégradation. Le niveau de performance du modèle de deep learning peut également être apprécié à travers d’autres critères. Ainsi, même s’ils n’ont pas fait l’objet d’une étude approfondie, les informations suivantes ont été obtenues : - Le temps de traitement par image (d’environ 1s par image, ce qui est très correct par rapport aux besoins du gestionnaire) ; - La capacité de détection par rapport à des techniques de traitement d’images traditionnelles de segmentation. Sur ce dernier point et pour le cas des chaussées souples, nous avons constaté que le modèle de deep learning était moins gêné sur des images « difficiles » présentant par exemple des ombres portées au sol ou bien du marquage horizontal. Suite à cette étude de faisabilité, un certain nombre de verrous doivent encore être levés pour tendre vers une solution opérationnelle qui puisse être une alternative aux relevés visuels pédestres. Ces verrous concernent : - Une amélioration du modèle de deep learning pour réduire en particulier le nombre de faux négatifs ; - Une aide à l’acquisition d’images de chaussée pour faciliter le balayage du véhicule d’essais sur la piste, augmenter la vitesse de passage et obtenir des images parfaitement séquencées (à pas fixe et bien juxtaposées).