Détection et segmentation de défauts pour les infrastructures de transport en utilisant l'imagerie par drones et l'apprentissage profond

Hebbache, Loucif (2023). Détection et segmentation de défauts pour les infrastructures de transport en utilisant l'imagerie par drones et l'apprentissage profond. Mémoire. Gatineau, Université du Québec en Outaouais, Département d'informatique et d'ingénierie, 85 p.

Prévisualisation

PDF Télécharger (6MB) | Prévisualisation

Résumé

Les infrastructures de transport telles que les ponts, atteignent un jour ou l’autre la fin de leur durée de vie en raison du vieillissement, de l’utilisation accrue et de l’impact climatique défavorable. Une inspection régulière est indispensable pour maintenir la sécurité du public qui les utilise ainsi que l’intégrité de ces structures. Jusqu’à récemment, ces inspections sont entièrement manuelles et se basent sur l’inspection visuelle pour détecter les défauts. Avec le développement de l’apprentissage profond, l’inspection à l’aide de drones équipés de caméras, a été envisagée comme une approche alternative prometteuse qui permet un accès plus efficace aux structures avec moins de risques.

Dans ce mémoire, nous proposons une méthodologie permettant de classer, détecter, et éventuellement segmenter, les défauts sur les images acquises par drone, en utilisant l’apprentissage profond pour les infrastructures de transport, et en particulier les ponts. En premier lieu, une étude comparative des algorithmes de classification a été faite pour sélectionner les architectures les plus appropriées, en particulier ResNet, Inception, EfficientNet et leurs variantes. Une nouvelle méthode combinant la détection et la saillance visuelle, baptisée SMDD-NET, a été proposée comme notre principale contribution dans le cadre de la détection de défaut, et qui a donné des résultats très prometteurs. Par la suite, des architectures telles que U-Net, FCN et leurs variantes ont été explorées pour la segmentation de défauts .

Type de document:	Thèse (Mémoire)
Directeur de mémoire/thèse:	Allili, Mohand Said
Co-directeurs de mémoire/thèse:	Lapointe, Jean-François
Mots-clés libres:	Pont; Inspection; AI; Intelligence artificielle; DL; Apprentissage profond; Détection de défauts; Drone
Départements et école, unités de recherche et services:	Informatique et ingénierie
Date de dépôt:	01 juin 2023 19:48
Dernière modification:	01 juin 2023 19:48
URI:	https://di.uqo.ca/id/eprint/1494

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt