IronNet : détection de fers apparents au sein de structures en béton armé

Guillaume Décor (1) , Philippe Foucher (1) , Pierre Charbonnier (1) , Fabrice Heitz (2)

1 ENDSUM - Evaluation non destructive des structures et des matériaux
2 ICube - Laboratoire des sciences de l'ingénieur, de l'informatique et de l'imagerie

Dans cet article, nous nous intéressons à la segmentation automatique des fers apparents sur des images d'infrastructures de génie civil. Nous proposons une méthode basée sur l'architecture neuronale U-net, adaptée de manière à prendre en compte des images obtenues à différentes échelles. Le modèle est appris à partir d'une base de 134 images acquises à l'entrée d'un tunnel piéton. Les premiers résultats obtenus sur trois jeux de données, indépendants de la base d'apprentissage, montrent que la majorité des pixels "fers apparents" sont identifiés, avec cependant, selon les bases, un nombre parfois conséquent de fausses alarmes. L'utilisation de méthodes d'apprentissage profond plus sophistiquées pourrait permettre d'améliorer ces performances.

Domaines: Traitement du signal et de l'image [eess.SP]; Machine Learning [stat.ML]; Infrastructures de transport

Guillaume Décor, Philippe Foucher, Pierre Charbonnier, Fabrice Heitz. IronNet : détection de fers apparents au sein de structures en béton armé. Congrès national sur la Reconnaissance des Formes, Image, Apprentissage et Perception (RFIAP), AFRIF Association Française pour la Reconnaissance et l'Interprétation des Formes, Oct 2020, Vannes, France. ⟨hal-02976002⟩