Shape-Aware Topological Representation for Pipeline Hyperbola Detection in GPR Data

Résumé Technique : Représentation Topologique Sensible à la Forme pour la Détection de Hyperboles de Pipelines dans les Données GPR

Énoncé du Problème
Le radar à pénétration de sol (GPR) est une technique de contrôle non destructif (CND) critique pour l'inspection des infrastructures souterraines, particulièrement les pipelines. Cependant, les méthodes d'interprétation traditionnelles sont souvent laborieuses, chronophages et hautement sensibles au bruit et à la variabilité environnementale. Bien que les modèles d'apprentissage profond, tels que YOLO et Faster R-CNN, aient amélioré l'automatisation, ils font face à des défis importants :

1. Rareté des Données : Les ensembles de données GPR réels de haute qualité et annotés sont difficiles et coûteux à collecter en raison des contraintes logistiques et de la complexité des environnements souterrains.
2. Écart de Domaine : Les modèles entraînés sur des données synthétiques échouent souvent à se généraliser aux scénarios du monde réel en raison des incohérences structurelles et des différences de bruit (le fossé « Sim2Real »).
3. Limitations des Caractéristiques : Les réseaux de neurones convolutifs (CNN) standards excellent dans la capture de textures locales mais peinent à percevoir les structures de formes globales, telles que les motifs de réflexion hyperboliques caractéristiques des objets cylindriques enfouis.

Méthodologie
Les auteurs proposent TE-S2R (TDA-Enhanced Sim2Real), un cadre qui intègre l'analyse de données topologiques (TDA) avec l'apprentissage profond pour répondre à ces limitations. La méthodologie se compose de deux étapes principales :

1. Représentation Topologique Sensible à la Forme (Intégration de la TDA) :

   • Au lieu de convertir les caractéristiques topologiques en vecteurs statistiques abstraits (par exemple, des images de persistance), les auteurs encodent directement l'information topologique dans le domaine de l'image.
   • En utilisant l'homologie persistante sur des images B-scan en 2D, la méthode extrait les caractéristiques $\beta_1$ (boucles), qui correspondent aux motifs fermés et en forme de croissant des hyperboles de pipelines.
   • Une carte de caractéristiques pondérée par la durée de vie est générée où l'intensité des structures de boucles est modulée par leur « durée de vie » topologique (temps de mort moins temps de naissance). Les caractéristiques ayant des durées de vie plus longues, représentant des éléments structurels significatifs, sont rendues avec une intensité plus élevée, tandis que les caractéristiques de courte durée (probablement du bruit) sont supprimées.
   • Cette carte topologique est empilée avec le B-scan GPR en niveaux de gris original le long de la dimension des canaux, créant une entrée multicanale qui préserve la cohérence spatiale et permet au CNN d'apprendre simultanément les textures locales et la continuité géométrique globale.

2. Stratégie d'Entraînement Sim2Real :

   • Pré-entraînement Synthétique : Un ensemble de données de 300 images B-scan synthétiques est généré à l'aide de gprMax (méthode FDTD) avec diverses conditions de sol (homogènes et hétérogènes via la génération fractale) et des paramètres de tuyau variables. Ces images sont traitées par le pipeline TDA pour créer des données synthétiques topologiquement enrichies.
   • Ajustement (Fine-tuning) sur le Monde Réel : Le modèle est pré-entraîné sur les données synthétiques, puis ajusté sur un ensemble limité de données GPR réelles collectées sur trois sites en Corée du Sud (Sites A, B et C).
   • Cette approche en deux étapes vise à combler l'écart de distribution en exploitant la stabilité structurelle des caractéristiques topologiques, qui sont moins sensibles au bruit spécifique au domaine que les valeurs brutes de pixels.

Contributions Clés

• Nouvel Encodage Topologique : Le papier introduit une méthode pour intégrer directement les informations dérivées de l'homologie persistante comme cartes d'intensité spatiale au sein des entrées CNN, plutôt que d'utiliser des plongements statistiques. Cela permet au réseau d'accéder à l'information de forme globale sans modification architecturale.
• Cadre Synergique : L'intégration de la TDA avec l'apprentissage par transfert Sim2Real crée un mécanisme de transfert sensible à la structure. La TDA atténue l'écart de domaine en mettant l'accent sur la forme et la connectivité plutôt que sur l'intensité brute des pixels, améliorant ainsi la robustesse du processus Sim2Real.
• Robustesse au Bruit : En se concentrant sur les invariants topologiques (boucles avec de longues durées de vie), la méthode réduit la sensibilité au bruit et à la variabilité environnementale inhérente aux données GPR de terrain.

Résultats Expérimentaux
L'étude a évalué six configurations de modèles en utilisant les architectures YOLOv5 et YOLOv11, employant une validation croisée à 5 plis sur des données réelles (Sites A et B) et un test sur un site indépendant (Site C).

• Métriques de Performance : Le modèle TE-S2R proposé a obtenu la meilleure performance sur tous les indicateurs (Précision, Rappel, mAP@0.5 et mAP@0.5:0.95) sur le jeu de test indépendant.
  • Sur le jeu de test YOLOv5, TE-S2R a atteint un mAP@0.5 de 0,643, surpassant de manière significative le modèle de base (0,357) et le modèle Sim-only (0,031).
  • Des tendances similaires ont été observées avec YOLOv11, où TE-S2R a atteint un mAP@0.5 de 0,806.
• Études d'Ablation : Les comparaisons ont confirmé que les stratégies de l'augmentation TDA et du Sim2Real améliorent chacune indépendamment les performances. Cependant, leur combinaison a produit les résultats les plus robustes, particulièrement pour gérer les décalages de domaine entre les sites d'entraînement et de test.
• Signification Statistique : Les tests de Mann–Whitney U ont confirmé que les améliorations de TE-S2R par rapport aux modèles de référence étaient statistiquement significatives ($p < 0,01$).

Signification et Revendications
Les auteurs affirment que ce travail représente la première étude intégrant directement l'information homologique comme descripteur de forme au sein d'un pipeline d'apprentissage profond pour l'analyse GPR. La signification de ce travail réside dans :

• Surmonter la Rareté des Données : Démontrer que les données synthétiques, lorsqu'elles sont augmentées de caractéristiques topologiques, peuvent efficacement pré-entraîner des modèles pour des tâches de détection dans le monde réel où les données étiquetées sont rares.
• Améliorer la Saillance Géométrique : Prouver que les représentations topologiques améliorent la détection de structures géométriques spécifiques (hyperboles) que les CNN standards ignorent ou interprètent mal en raison du bruit.
• Applicabilité Générale : Le cadre est présenté comme une solution évolutive pour la détection souterraine pouvant être étendue à d'autres modalités d'imagerie basées sur des grilles où l'information structurelle est obscurcie par le bruit.

Le papier conclut que l'intégration de la TDA et du Sim2Real est mutuellement renforçante, fournissant une solution fiable pour la détection d'objets souterrains avec de larges implications pour la planification urbaine et la gestion des infrastructures.