Méthodes d’apprentissage profond pour la segmentation des défauts dans l’inspection des ponts en béton

Hammouche, Nadir (2024). Méthodes d’apprentissage profond pour la segmentation des défauts dans l’inspection des ponts en béton. Mémoire. Gatineau, Université du Québec en Outaouais, Département d'informatique et d'ingénierie, 82 p.

Prévisualisation

PDF Télécharger (27MB) | Prévisualisation

Résumé

La maintenance des infrastructures de transport dans un état fonctionnel est une opération cruciale. Les inspections régulières et proactives de ces infrastructures comme les ponts est une stratégie efficace qui permet de repérer les anomalies et les défauts au préalable. Les recherches menées dans ce domaine récemment ont tendance à s’appuyer sur les techniques de l’apprentissage profond et de la vision par ordinateur afin d’améliorer l’efficacité de ce processus. L’objet du travail proposé à travers ce mémoire est centré sur la segmentation pour la détection des défauts dans les images d’inspections de ponts. La première contribution consiste en la construction d’un ensemble de données dédié à la tâche de segmentation des défauts. Il est constitué de 594 images prises lors d’inspections de ponts. Ces images sont annotées avec des masques appartenant à quatre classes de défauts majeurs. Dans la deuxième contribution, nous proposons trois modèles basés sur l’apprentissage multitâche pour la segmentation des défauts. L’apprentissage multitâche permet d’exploiter le contexte d’information de chaque classe de défaut afin de construire un réseau avec une meilleure généralisation et performance. Le premier modèle est un réseau U-Net classique adapté pour la segmentation multi-classe. Le deuxième est un réseau à encodeur partagé avec un mécanisme d’attention. Le dernier est un réseau à encodeur-décodeur partagé qui intègre à la fois le mécanisme d’attention et de la supervision en profondeur. Ces réseaux sont entraînés et testés sur l’ensemble de données construit préalablement et réalisent des scores Dice allant de 60% à 79%.

Type de document:	Thèse (Mémoire)
Directeur de mémoire/thèse:	Allili, Mohand Saïd
Mots-clés libres:	Inspection de pont; Apprentissage profond; Segmentation sémantique; Apprentissage multitâche; Mécanisme d’attention; Supervision profonde
Départements et école, unités de recherche et services:	Informatique et ingénierie
Date de dépôt:	22 août 2024 17:21
Dernière modification:	22 août 2024 17:21
URI:	https://di.uqo.ca/id/eprint/1660

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt