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 » 34 / 39 D’autres travaux peuvent compléter cette étude en considérant par exemple un changement de méthode de prise de vue (vue panoramique, usage d’un drone) ou bien encore d’autres modèles de deep learning ou d’autres techniques en provenance de l’IA pour détecter les dégradations. 6 Utilisation de l’aide de la Ferec dans le projet L’aide de la Ferec dans ce projet a principalement été mise à profit pour progresser efficacement et le plus vite possible sur l’utilisation des techniques de deep learning. Elle a ainsi contribué à l’embauche d’un post-doctorant pour une durée de 12 mois qui avait engagé des travaux sur cette thématique pendant sa thèse mais dans le contexte routier. Dans le projet EASY-(DAI)2, ce post-doctorant s’est focalisé sur la problématique de transférabilité des modèles de deep learning et de leur optimisation pour répondre au contexte du secteur aéronautique. Il a également fortement valorisé les travaux réalisés dans le projet par la rédaction d’un article pour une conférence internationale dédiée aux caractéristiques de surface ainsi qu’une communication pour un « user group » européen spécialisé dans les techniques d’auscultation de surface. 7 Impact 7.1 Mise en évidence du caractère collaboratif et d’intérêt général Le projet EASY-(DAI)2 a permis d’initier une collaboration entre le STAC et l’UGE sur la problématique de relevés de dégradations sur chaussées aéronautiques avec le soutien d’Aéroport De Paris (ADP). Grâce à ce projet, les équipes des différents organismes ont pu se découvrir et travailler ensemble notamment lors des expérimentations in situ menées sur les aéroports de Lognes-Emerainville et Roissy- Charles de Gaulle. Cette collaboration a réuni du personnel de recherche et des techniciens du STAC et de l’UGE pour les développements portant sur l’instrumentation embarquée ainsi que les outils de traitement des images. Grâce à l’intervention d’agents venant d’ADP, la collaboration s’est enrichie du point de vue du gestionnaire ce qui a facilité l’organisation des expérimentations et consolidé l’évaluation des résultats (contribution à la vérité terrain). 7.2 Apports et retombées pour la collectivité Beaucoup d’acteurs de la profession s’intéressent à l’usage des techniques provenant de l’intelligence artificielle pour tenter de lever ou contourner des verrous pour la détection des dégradations depuis des relevés d’images. Contrairement aux techniques « traditionnelles » qui ont faire leurs preuves mais qui ont aussi montré leurs limites, les techniques issues de l’IA pour ce genre d’applications sont encore peu éprouvées et évaluées formellement ; il existe ainsi une forte attente de la part de la profession pour mieux cerner les possibilités offertes par ces techniques et en particulier le deep learning. Le livrable du projet EASY-(DAI)2 présente des résultats quantifiés suite à l’application de ces techniques sur des chaussées aéronautiques. Il met également en avant la question de la transférabilité des modèles de deep learning initialement développés pour des applications routières (auscultation de grands linéaires) vers des applications aéronautiques (auscultation de plateformes) sachant que l’objectif global d’aide à la maintenance est commun aux deux cadres mais que les informations collectées ne desservent pas les mêmes indicateurs. Pour ces raisons, les retours d’expériences sont précieux et permettent d’alimenter en particulier les groupes de travail incluant les différents acteurs de la profession. Il existe actuellement plusieurs groupes qui discutent de l’actualisation ou de la refonte