Reconnaissance des formes pour l'inspection visuelle des tunnels
Auteur / Autrice : | Guillaume Decor |
Direction : | Fabrice Heitz, Pierre Charbonnier |
Type : | Thèse de doctorat |
Discipline(s) : | Traitement du signal et des images |
Date : | Soutenance le 27/09/2023 |
Etablissement(s) : | Strasbourg |
Ecole(s) doctorale(s) : | École doctorale Mathématiques, sciences de l'information et de l'ingénieur (Strasbourg ; 1997-....) |
Partenaire(s) de recherche : | Laboratoire : Laboratoire des sciences de l'ingénieur, de l'informatique et de l'imagerie (Strasbourg ; 2013-....) |
Etablissement public à caractère administratif : Centre d'études et d'expertise sur les risques, l'environnement, la mobilité et l'aménagement (France) | |
Jury : | Président / Présidente : Pierre Grussenmeyer |
Examinateurs / Examinatrices : Vincent Baltazart | |
Rapporteurs / Rapporteuses : Sylvie, Julie Chambon, Frédéric Bernardin |
Mots clés
Mots clés contrôlés
Résumé
Cette thèse vise à mettre en œuvre des méthodes de classification et de segmentation sémantique d'anomalies en tunnel à partir d’images photographiques ou de relevés laser. Pour ce faire, nous avons collecté et annoté des données provenant de plusieurs infrastructures, présentant des anomalies d’aspect et d’échelle différents. La première contribution de ce travail a été d’étudier un modèle de segmentation sémantique, avec une approche multi-échelle, entraîné puis évalué indépendamment sur chaque jeu de données. Ce modèle est capable de détecter l'essentiel des anomalies d'un tunnel dès lors que le biais de domaine entre les jeux d'apprentissage et de test est négligeable. Dans le cas contraire, nous avons mesuré des performances uniformément basses. Une seconde contribution a donc été de développer une méthode d'adaptation de domaine originale, reposant sur un ajustement de certains paramètres stratégiques d’un modèle entrainé sur un jeu source, et nécessitant d’annoter une petite quantité d’images du tunnel cible à analyser. Les performances obtenues par cette méthode approchent celles atteintes avec un modèle appris sur les données du tunnel évalué.