Approches d’apprentissage profond pour la détection et la segmentation des défauts visuels des ponts en béton

Amirkhani, Dariush (2024). Approches d’apprentissage profond pour la détection et la segmentation des défauts visuels des ponts en béton. Thèse. Gatineau, Université du Québec en Outaouais, Département d'informatique et d'ingénierie, 148 p.

Prévisualisation

PDF Télécharger (54MB) | Prévisualisation

Résumé

Cette thèse explore l’application des techniques d’apprentissage profond dans le domaine de la surveillance de l’état des structures, en se concentrant particulièrement sur la détection et la segmentation précises des défauts dans les ponts en béton. Motivé par la nécessité cruciale d’assurer la sécurité et l’intégrité des infrastructures de transport, ce travail présente deux contributions révolutionnaires : la première contribution propose une revue systématique et une application des modèles d’apprentissage profond pour la classification et la détection des défauts des ponts en béton, tandis que la deuxième contribution introduit CrackSight, une nouvelle architecture U-net qui intègre parfaitement les mécanismes d’attention avec la détection et la classification pour une segmentation précise des fissures dans des environnements complexes. La première partie de cette recherche explore l’application de l’apprentissage profond pour la classification visuelle et la détection des défauts des ponts en béton. À travers un examen minutieux des méthodologies actuelles, cette étude évalue l’efficacité de diverses architectures d’apprentissage profond, soulignant leur potentiel à identifier les défauts des bétons, à surmonter les défis posés par les conditions d’éclairage variables et à différencier les textures nuancées dans des arrière-plans complexes. Les expériences complètes menées sur divers ensembles de données et scénarios réels ont démontré une amélioration notable de la précision de détection des fissures, faisant ainsi progresser significativement l’état de l’art dans ce domaine. La deuxième partie de cette thèse introduit CrackSight, une méthodologie innovante qui améliore de manière significative la détection et la segmentation des fissures. Crack-Sight intègre un mécanisme de mise au point linéaire à double attention (DALFM) et une couche de saillance dans le modèle Détection de Fissures Basée sur les Caractéristiques Linéaires (LFB-Net), utilisant la convolution à trous pour traiter les motifs de fissures subtils et complexes. De plus, la perte d’entropie croisée binaire pondérée contextuelle est introduite pour traiter dynamiquement le déséquilibre des classes et intégrer des informations contextuelles globales, améliorant ainsi les performances de segmentation. Nos expériences ont démontré la robustesse de CrackSight face à plusieurs complexités des arrière-plans et des conditions d’acquisition d’images ainsi qu’à des scénarios pratiques, établissant ainsi une nouvelle norme dans la segmentation des fissures. En résumé, cette thèse non seulement démontre l’efficacité de l’apprentissage profond pour améliorer les pratiques de surveillance de l’état des structures, mais elle met également en évidence le potentiel de la combinaison des mécanismes d’attention avec les stratégies de détection et de classification pour améliorer la précision de la segmentation. Grâce à ce travail, une contribution significative est apportée au domaine de la surveillance de l’état des structures, offrant de nouvelles perspectives et des approches pratiques pour la détection précoce et l’intervention sur les défauts structurels.

This thesis explores the application of deep learning techniques in the domain of structural health monitoring, particularly focusing on the accurate detection and segmentation of defects in concrete bridges. Motivated by the crucial need for ensuring the safety and integrity of transportation infrastructures, this work introduces two groundbreaking contributions: the first contribution presents a systematic review and application of deep learning models for the classification and detection of concrete bridge defects, while the second contribution consists CrackSight, a novel U-net architecture that seamlessly integrates attention mechanisms with detection, and classification for precise crack segmentation in complex backgrounds. The initial part of this research explores the application of deep learning for visual concrete bridge defect classification and detection. Through a meticulous examination of current methodologies, this study benchmarks the effectiveness of various deep learning architectures, highlighting their potential in identifying concrete defects, overcoming challenges posed by varying lighting conditions, and differentiating nuanced textures across complex backgrounds. The comprehensive experiments conducted across diverse datasets and real-world scenarios demonstrated a marked improvement in crack detection accuracy, significantly advancing the state-of-the-art in this field. The second part of this thesis introduces CrackSight, an innovative methodology that significantly enhances crack detection and segmentation. CrackSight integrates a dual-attention linear focus mechanism (DALFM) and a saliency layer within the Linear Feature-based Crack Detection (LFB-Net) model, employing atrous convolution to handle subtle and complex crack patterns. Additionally, the Contextual Weighted Binary Cross-Entropy Loss is introduced to dynamically address class imbalance and incorporate global contextual information, thereby improving segmentation performance. Our experiment demonstrated the robustness of CrackSight against several complexities of the background and image acquisition conditions and practical scenarios, setting a new standard in crack segmentation. In summary, this thesis not only substantiates the efficacy of deep learning in enhancing structural health monitoring practices but also it highlights the potential of combining attention mechanisms with detection and classification strategies to enhance segmentation accuracy. Through this work, a significant contribution is made to the field of structural health monitoring, offering novel insights and practical approaches for the early detection and intervention of structural defects.

Type de document:	Thèse (Thèse)
Directeur de mémoire/thèse:	Said Allili, Mohand
Co-directeurs de mémoire/thèse:	Lapointe, Jean-François
Départements et école, unités de recherche et services:	Informatique et ingénierie
Date de dépôt:	28 mars 2025 14:44
Dernière modification:	28 mars 2025 14:44
URI:	https://di.uqo.ca/id/eprint/1765

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt