LA MAINTENANCE DE DEMAIN les innovations dans le domaine des auscultations et du diagnostic en Génie Civil

Dimension: px

Commencer à balayer dès la page:

Download "LA MAINTENANCE DE DEMAIN les innovations dans le domaine des auscultations et du diagnostic en Génie Civil"

Martine Cardinal
il y a 6 ans
Total affichages :

1 LA MAINTENANCE DE DEMAIN les innovations dans le domaine des auscultations et du diagnostic en Génie Civil Journée Technique Vendredi 9 septembre 2016 à l Amphithéâtre de la SMABTP

2 Inspection à grand rendement des tunnels Philippe Foucher *, Christophe Heinkelé *, Pierre Charbonnier * M. Bah *,, C. Boulogne, C. Larive * Cerema, CETU 2

Le contexte 3 Nécessité du suivi de l état des

d intervention sur site Temps d exploitation au

pour l inspection visuelle Adaptée aux tunnels

numérique, avec accès à l information 3D

3 Le contexte 3 Nécessité du suivi de l état des tunnels Méthodes actuelles contraignantes Temps d intervention sur site Temps d exploitation au bureau Vers une nouvelle génération d outils pour l inspection visuelle Adaptée aux tunnels routiers et fluviaux Fondée sur l imagerie numérique, avec accès à l information 3D Acquisitions rapides, exploitation automatisée (recherche défauts)

4 Sommaire 4 Contexte L acquisition des images Photogrammétrie des tunnels Recherche automatique de défauts Conclusion - perspectives Journée technique de de l'imgc : La : La maintenance de demain demain

5 5 L acquisition des images

6 Un système modulaire 6 Objectif Acquérir des images de bonne qualité en tunnel et les localiser Difficultés Problème de localisation sans GPS Nécessité d embarquer un éclairage puissant Solution Développement d un prototype modulaire Utilisable en tunnels routiers mais aussi en tunnels canaux

7 Système d acquisition 7 Châssis modulaire Eclairage, 6 caméras Rive de Gier Routier : adaptation MLPC IRCAN LGV Niderviller Canaux : logiciel spécifique (avec IFSTTAR)

8 8 Photogrammétrie des tunnels

9 Photogrammétrie en tunnel 9 Utilisation des séquences d images prise au long du tunnel Reconstruction 3D et positionnement précis des images (trajectoire) Problématiques Coût calcul : adaptation du logiciel MicMac (IGN) / Mésocentre Unistra Recalage absolu du modèle pour juguler l accumulation des erreurs

10 Exemple de reconstruction 3D 10 Reconstruction 3D «tube entier» des tunnels navigables Thèse Cerema ( ) Photogrammétrie SONAR

11 11 Recherche automatique de défauts

12 Que détecter? 12 Objets d intérêt Défauts visibles en surface (nids de cailloux, fers apparents, zones humides, fissures) Existant? (Koch et al., 2015) Domaine en plein essor, mais Peu d évaluations hors laboratoire Absence de base référencée existante Très souvent tunnels en béton (fissures) Étude exploratoire : stage M. BAH (Cerema, financement CETU)

Méthode employée 13 Technique de reconnaissance des formes L image est analysée par échantillons Représentation intermédiaire : caractéristiques (attributs)

13 Méthode employée 13 Technique de reconnaissance des formes L image est analysée par échantillons Représentation intermédiaire : caractéristiques (attributs) Représentation de l échantillon par un vecteur de valeurs Nécessite savoir-faire et mise au point L algorithme d analyse nécessite un apprentissage préalable

14 Etape 1 : Apprentissage 14 Classe 2 : Défauts Classifieur forêt d arbres aléatoires (Random Forest) Classe 1 : Revêtement sain

15 Etape 2 : Détection (classification) 15 Classifieur forêt d arbres aléatoires (Random Forest) Fenêtre glissante sur l image Classification (sain/défaut) Image analysée Résultat En clair : défauts

16 Détection de zones humides 16 Tunnels canaux 2 classes : zones saines (C1) / humides (C2) Apprentissage : images pixels ~500 échantillons / classes Evaluation sur autre jeu d échantillons

17 Détection de zones humides 17 Tests sur séquences (autre partie du tunnel) Evaluation quantitative en cours En bleu : zones humides détectées

18 Détection de défauts (tunnels béton) 18 Tunnel routier béton 2 classes : classes saines (C1) et classes avec défauts (C2) défauts = fers apparents, nids de cailloux, fissures Apprentissage échantillons de taille pixels ~500 échantillons / classe Evaluation sur autre jeu d échantillons Réalité Détection C1 C2 C1 97,1 % 4,1 % C2 2,9 % 95,9 %

19 Détection de défauts (tunnels béton) 19 Imagettes: pixels

: - zones claires = défauts - faible nombre de fausses alarmes - petite fissure non détectée autre

20 Détection de défauts (tunnels béton) 20 Tests sur séquences (autre partie du tunnel) Difficulté de généralisation cas de la détection de fissures fines Apprentissage très sensible 1 er apprentissage : - zones claires = défauts - faible nombre de fausses alarmes - petite fissure non détectée autre apprentissage : - zones claires = défauts - petite fissure détectée - grand nombre de fausses alarmes

21 Conclusion / perspectives 21 Exploration de techniques de classification automatique Revêtements, coulures, fers apparents, nids de cailloux, fissures Des résultats encourageants! Perspectives Evaluation quantitative, améliorations des algorithmes Méthodologie d apprentissage Problème de la généralisation : apprendre dans chaque tunnel? Choix attributs vs. apprentissage attributs? Deep learning Vers de nouveaux systèmes d inspection (échéance = 5 ans)

22 22 Merci de votre attention

23 Reconnaissance de revêtements 23 3 classes: maçonnerie / béton / roche Apprentissage images pixels Analyse sur 1 séquence Jauge = score Vert (maçonnerie) Rouge (béton) Bleu (roche)

Documents pareils

CONFERENCE EXPO-PROTECTION

CONFERENCE EXPO-PROTECTION Agenda Conférence Se conformer à l arrêté du 3 août 2007 : opportunités et menaces Points clés de l arrêté du 3 août 2007 et de la loi 95-73 Bénéfices de la mise en conformité