Smart TCscan - Évaluation intelligente, à grand rendement et non destructive des défauts de collage dans les chaussées | FEREC 2020

Smart TCscan Lauréat de l’appel à projets 2020 20/29 6. Deep learning - Réseau de Neurones Artificiels (ANN) : Validation sur données synthétiques (pré-étude) De la même façon que le modèle biologique, le réseau de neurones artificiels reçoit des signaux d’entrée (x 1 , x 2 , … x n ) qu’il va devoir traiter. Le potentiel d’activation z de celui-ci est défini par : = ( + ) avec x le vecteur d’entrée, ω le vecteur poids, b un biais et f la fonction d’activation. Chaque neurone se déclenche alors ou non en fonction du seuil pondéré et biaisé, c’est à dire en fonction de la valeur de z (figure 18a). Le biais peut être vu comme un neurone externe supplémentaire qui envoie 1 avec un poids b . Il permet au réseau de meilleures possibilités d’apprentissage grâce à un décalage de la fonction d’activation. Cette fonction représente le seuil à partir duquel le neurone va émettre ou non un signal et peut prendre différente forme (Heaviside, Sigmoid, Tangente hyperbolique, Rectified Linear Unit, ...). Elle présente dans la majorité des cas trois intervalles : - Au-dessous le seuil : Neurone inactif, - Proche du seuil : Phase de transition - Au-dessus du seuil : Neurone Actif Figure 18 : a) Principe de fonctionnement d’un neurone ; b) Architecture d’un réseau de neurones Les réseaux de neurones sont structurés en couches : la couche d’entrée, la (ou les) couche(s) cachée(s) et la couche de sortie (figure 18b). Chaque neurone d’une même couche est connecté aux neurone de la couche suivante. La couche d’entrée rassemble ici les signaux brut (A-scan) simulés (ou expérimentaux), la couche de sortie donne le résultat final de prédiction du réseau, la couche intermédiaire (appelée couche cachée) est le cœur du perceptron et n’est pas accessible directement. Lors de l’apprentissage, le réseau va parfois commettre des erreurs de prédiction et s’auto-ajustera grâce à une étape nommé « rétropropagation » ou « backpropagation ». Il s’agit d’un algorithme basé sur le principe de descente de gradient (Figure 19) permettant la minimisation de la fonction coût, en calculant l’impact de l’erreur des poids du réseau, couche après couche pour permettre leur actualisation ainsi que celle des biais afin d’améliorer les prédictions à chaque itération.