Apport de la photogrammétrie et de l’intelligence artificielle à la détection des zones amiantées sur les fronts rocheux

Contribution of photogrammetry and artificial intelligence for the asbestos areas detection on rock outcrops

• Auteur / Autrice : Philippe Caudal
• Direction : Véronique Merrien-Soukatchoff, Thomas Dewez, Elisabeth Simonetto
• Type : Thèse de doctorat
• Discipline(s) : Mécanique des solides, des matériaux, des structures et des surfaces
• Date : Soutenance le 13/12/2021
• Etablissement(s) : Le Mans
• Ecole(s) doctorale(s) : Sciences de l'ingénierie et des systèmes (Nantes Université)
• Partenaire(s) de recherche : Laboratoire : Laboratoire Géomatique et Foncier. Équipe de Géodésie et de Géomatique (Le Mans) - Laboratoire Géomatique et foncier / GeF
• Jury : Examinateurs / Examinatrices : Sébastien Lefèvre
• Jury : Rapporteurs / Rapporteuses : Michel Jaboyedoff, Tania Landes

Mots clés

Mots clés contrôlés

Apprentissage automatique

Apprentissage profond

Photogrammétrie

Imagerie tridimensionnelle en géologie

Affleurements (géologie)

Roches -- Fracturation

Amiante

Sols -- Composition chimique

Mots clés libres

Front rocheux

Amiante environnemental

Analyse structurale

Photogrammétrie

Cartographie 3D

Apprentissage approfondi

Nuage de points 3D

Intelligence artificielle

Autoencodeur

Rock outcrops

Outcrop

Asbestos

Photogrammetry

Structural analysis

3D Mapping

Artificial intelligence

Deep Learning

3D Points cloud

Résumé

Les lois récentes imposent de repérer l’amiante avant travaux. Ce cadre s’applique à l’amiante présent dans les matériaux de construction et dans les roches naturelles. L’objet du projet de thèse est de se placer à l’échelle locale d’un affleurement rocheux afin de proposer une carte 3D des zones amiantifères en exploitant les photographies des sites. Dans son contexte naturel, l’occurrence amiante est présente à la surface des fractures ayant des orientations réglées par l’histoire tectonique locale. Trois axes de recherche ont été suivis. Ils sont basés sur le traitement de nuages de points denses 3D obtenus par photogrammétrie.Le premier axe de recherche s’est focalisé sur la localisation spatiale et la caractérisation de l’orientation et de la fréquence des zones à forte densité de fractures d’un affleurement rocheux. Le deuxième s'est concentré sur l'optimisation des prises de vue pour restituer par photogrammétrie un affleurement rocheux fracturé. La délimitation des zones amiantées sur les photos (2D) a été le point de départ d’un troisième axe de recherche. Cette délimitation a été faite manuellement dans une première phase ; le lien entre les points 3D d’un nuage restitué par photogrammétrie et les pixels des photos utilisées pour sa restitution 3D a permis une cartographie 3D des zones amiantées connues, car identifiées in situ. La délimitation a été ensuite étendue aux zones amiantées n’ayant pas été repérées in situ par apprentissage profond (« Deep Learning »). Une méthodologie intégrant un auto-encodeur (p.ex. U-Net) a été élaborée pour détecter les zones amiantifères sur les photos 2D. À nouveau, la liaison 2D-3D permise par la restitution 3D photogrammétrique a rendu possible une cartographie 3D des zones amiantées.

Recent regulation imposes to identify asbestos-bearing material before undertaking civil engineering works, both in existing buildings and in the natural environment. The purpose of the thesis project is to focus on the local scale of a rock outcrop in order to provide a 3D map of asbestos zones from photographs of the sites. In its natural context, asbestos occurrence is present on the surface of fractures with specific orientations. Three lines of research were followed. They are based on the processing of dense 3D point clouds obtained by photogrammetry.The first line of research focused on the spatial location and the orientation and frequency characterization of areas with a high density of rock outcrop fractures. The second concentrated on optimizing the shots to restore a rock fractured outcrop using the photogrammetry technique. The delineation of the asbestos zones in the (2D) photos was the starting point of a third line of research. This delineation was done manually in a first phase; the link between the points of a 3D model restored by photogrammetry and the pixels of the photos used for its 3D restitution allowed a 3D restitution of known asbestos zones, because they were identified in situ. The mapping was then extended to asbestos zones (that had not been identified in situ) by deep learning. A methodology integrating an auto-encoder (e.g. U-Net) has been developed to detect asbestos zones in 2D photos. The 2D-3D link made possible by the 3D photogrammetric restitution, rendered a 3D mapping of the asbestos zones.