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 22/29 Θ ( +1) = Θ − √̂+ + ̂ (5) Après avoir effectué le choix de l’optimiseur adéquat pour la base de données, le nombre de neurones et de couches optimales a pu ainsi être déterminé. Ainsi en appliquant l’approche sur une base similaire à celle présentée dans le paragraphe 4.3. pour une classification multi-class, chaque A-scan de la base a donc été classé en fonction de son épaisseur de couche d’accrochage (0, 1, 2 ou 3 mm) dans une matrice de confusion. Les résultats suivants ont été obtenus : a) Predicted class True class 0 1 2 3 0 1216 23 0 1 1 0 861 6 0 2 0 0 1008 64 3 0 0 44 936 b) Predicted class True class 0 1 2 3 0 1168 72 0 0 1 7 852 8 0 2 0 17 1033 22 3 0 0 210 770 Figure 21 : Résultats préliminaires comparatifs entre les méthodes a) ANN et b) MCSVM Les premiers résultats semblent indiquer de meilleures performances de la part du réseau de neurones artificiels comparé aux méthodes SVM avec un DSC ANN > 0,98 contre DSC SVM < 0,96. A ce stade de la pré-étude, il serait prématuré de confirmer ces résultats. Le sujet complexe du Deep Learning a été mené lors d’un stage et l’étude comparative avec les algorithmes de SVM demande des travaux d’analyse supplémentaires en intégrant par exemple un bruit blanc gaussien pour vérifier leur sensibilité et ainsi trouver le bon compromis biais/variance des paramètres. Seulement alors des conclusions pourront aboutir. 7. Développement d’une IHM Python pour l’exploitation des résultats de la méthode SVM / RSF 7.1. Introduction Afin de générer et exploiter efficacement les données issues des méthodes Support Vector Machines (SVM/SVR) ou Deep Learning préalablement développées, une Interface Homme-Machine (IHM) a été développée en langage Python. Celle-ci se voulait complète avec la possibilité de générer des signaux simulés en interfaçant le code numérique gprMax, mais également de créer des bases de données labelliser en vue de l’apprentissage supervisé puis d’exécuter celles-ci dans les algorithmes développés de Machine Learning ou Deep Learning. De plus, la possibilité de travailler avec des signaux issus de matériel comme le GSSI (Geophysical Survey Systems, Inc. - radar impulsionnel) a été rendu possible.