Détection d'anomalies dans des images de tunnels par forêts d'arbres aléatoires ou par apprentissage profond
Résumé
Tunnel maintenance requires a complicated and restrictive visual inspection. In order to automate this task, we propose to evaluate and compare three statistical learning algorithms, one random forest and two convolutional networks , dedicated to the detection of anomalies (e.g. cracks) on tunnel linings. Each model is trained on two databases of our own, from images of concrete walls and masonry walls. We show that they are competitive with the state of the art on this application domain.
La maintenance des tunnels requiert une inspection visuelle lourde et contraignante. Dans le but d'automatiser cette tâche, nous proposons d'évaluer et de comparer trois algorithmes d'apprentissage statistique, une forêt aléatoire et deux réseaux convolutifs, dédiés à la détection d'anomalies (e.g. des fissures) sur les parements des tunnels. Chaque modèle est entraîné sur deux banques de données créées par nos soins, à partir d'images de parois en béton et de parois en maçonnerie. On montre qu'ils permettent tout trois d'atteindre le niveau de l'état de l'art sur ce domaine applicatif.
Origine : Fichiers produits par l'(les) auteur(s)
Loading...