Un modèle d’IA conçu à l’Université Concordia pourrait accélérer et améliorer la détection des fissures dans les infrastructures

Chaque année, le cycle de gel et de dégel printanier entraîne d’importants dommages structurels aux infrastructures critiques, dont les fissures que l’on aperçoit sur les routes, les ponts et les bâtiments sont les premiers signes. Si les dommages ne sont pas détectés, ils peuvent présenter de graves dangers pour la population.

Afin d’améliorer la rapidité et la précision de la détection des fissures, une équipe de recherche de l’Université Concordia a mis au point une nouvelle méthode faisant appel à des drones équipés d’une caméra et à l’intelligence artificielle fondée sur l’image. Appelé « Segment-Any-Crack », leur modèle s’appuie sur les systèmes d’IA existants pour la détection des fissures, tout en nécessitant beaucoup moins de réentraînement.

Décrite dans la revue Journal of Computing in Civil Engineering, cette approche s’est avérée d’une précision supérieure à celle des modèles entièrement réentraînés selon les indicateurs standard de l’IA. De plus, elle n’a nécessité que moins de 0,05 % de réglage des paramètres du système, ce qui a permis d’économiser une quantité considérable de puissance informatique. La méthode ayant également donné lieu à d’excellentes performances sur des ensembles de données complètement nouveaux, il est permis de croire qu’elle peut s’adapter efficacement à différents environnements sans nécessiter d’entraînement supplémentaire.

Réglage de précision plutôt que réentraînement

Si les outils d’inspection fondés sur l’IA sont plus rapides que les méthodes manuelles, ils nécessitent généralement de vastes ensembles de données soigneusement étiquetés pour être entraînés efficacement. En outre, leur adaptation à de nouveaux environnements – matériaux, éclairage ou textures de surface différents – peut s’avérer longue et coûteuse en termes de ressources informatiques. Dans certains cas, le réentraînement complet du modèle peut même écraser des connaissances utiles acquises précédemment.

Pour remédier à ces problèmes, l’équipe de recherche s’est attachée à modifier uniquement une partie restreinte mais essentielle du modèle, soit les couches de normalisation. Ces composants contribuent à stabiliser le flux des données au sein du réseau et peuvent être ajustés pour mieux s’adapter à de nouveaux types d’images. En réglant ces couches avec précision, l’équipe a réussi à améliorer le système sans avoir à réentraîner l’ensemble du modèle.

« Notre modèle évite d’avoir à se rendre sur place et à prendre un grand nombre de photos et de vidéos pour ensuite les analyser afin de repérer les fissures à l’aide des algorithmes classiques; il permet d’automatiser l’ensemble du processus », indique Po-Han Chen, professeur au Département de génie du bâtiment, civil et environnemental et coauteur de l’étude.

« L’automatisation du processus d’inspection peut s’avérer extrêmement bénéfique dans des régions comme le Québec et le Canada dans son ensemble, qui possèdent de vastes territoires et disposent d’une main-d’œuvre limitée. »

Un outil transférable

L’équipe a appliqué sa méthode à un vaste système d’IA préentraîné, conçu pour la segmentation d’images, qui permet de repérer et de délimiter les objets à l’échelle du pixel. Elle l’a ensuite testée sur plusieurs modèles de détection de fissures à l’aide d’un ensemble volumineux et diversifié de données comprenant plus de 30 000 images d’une grande variété de matériaux dans de multiples conditions différentes.

Les résultats montrent que le réglage sélectif permet d’obtenir de meilleures performances que les approches classiques, tout en mobilisant beaucoup moins de ressources informatiques. En réduisant la durée et les exigences du processus d’entraînement, cette méthode diminue les coûts et facilite la surveillance des infrastructures à grande échelle.

Cette technologie est également plus évolutive que les modèles précédents, ce qui permet de l’utiliser dans un plus large éventail de situations d’inspection.

Cet article a été coécrit par Ghodsiyeh Rostami, doctorante, et Mahdi Hosseini, professeur adjoint au Département d’informatique et de génie logiciel. 

Cette étude a été financée par le Conseil de recherches en sciences naturelles et en génie du Canada.

Lisez l’article cité : « Segment Any Crack: Deep Semantic Segmentation Adaptation for Crack Detection »