Generalising Hybrid OUR-Net -U-Net for Accurate Identification and Multi-Domain Structural Crack Segmentation Using Refinement Techniques
Cet article propose un cadre de supervision faible qui exploite des annotations au niveau de l'image pour générer des masques pseudo-raffinés via CAM et Grad-CAM, lesquels sont ensuite utilisés pour entraîner un modèle hybride OUR-Net–U-Net pour une segmentation précise et multi-domaine des fissures structurelles, avec des coûts d'annotation considérablement réduits et des performances supérieures par rapport aux méthodes existantes.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Chaque pont, bâtiment et route repose sur l'intégrité de sa peau de béton. Lorsque cette peau se fissure, c'est souvent le premier signe visible qu'une structure vieillit, souffre d'un poids excessif ou succombe aux éléments. Si ces fissures passent inaperçues, elles peuvent s'agrandir, permettant à l'eau et aux débris de pénétrer plus profondément, compromettant ainsi la sécurité de l'ensemble de la structure. Pendant des décennies, la seule façon de trouver ces fissures était de passer par les yeux des inspecteurs humains, qui parcouraient la longueur d'un pont ou escaladaient le côté d'une tour, plissant les yeux devant les surfaces pour repérer les fractures capillaires. Cette méthode est lente, coûteuse et sujette à l'erreur humaine, car la fatigue et le jugement subjectif peuvent amener même l'inspecteur le plus expérimenté à manquer un défaut critique.
Ces dernières années, les ingénieurs se sont tournés vers l'informatique pour aider à cette tâche, utilisant l'intelligence artificielle pour scanner des images de béton et identifier les dommages. Cependant, apprendre à un ordinateur à voir une fissure est étonnamment difficile. Pour apprendre, ces programmes informatiques ont généralement besoin de milliers d'exemples où chaque pixel d'une fissure a été tracé manuellement par un humain. Ce processus est si laborieux qu'il crée un goulot d'étranglement ; les chercheurs ne parviennent souvent pas à rassembler suffisamment de données étiquetées pour entraîner efficacement leurs systèmes. Le défi a donc été de construire un système capable de trouver des fissures avec une grande précision sans nécessiter des armées de personnes pour les dessiner pixel par pixel.
Un chercheur a développé une nouvelle approche qui comble ce fossé, combinant deux types différents d'intelligence artificielle pour détecter les fissures structurelles avec une plus grande précision et beaucoup moins d'efforts manuels. Leur méthode, qu'ils appellent un cadre hybride, commence par apprendre à un ordinateur à simplement reconnaître si une image contient une fissure ou non, une tâche qui ne nécessite qu'une étiquette simple « oui » ou « non » plutôt qu'un dessin détaillé. Une fois que l'ordinateur comprend ce qu'est une fissure dans un sens général, le chercheur utilise une technique qui met en évidence les zones spécifiques de l'image qui ont convaincu l'ordinateur de prendre cette décision. Ces zones mises en évidence, qui agissent comme un croquis grossier des dommages, sont ensuite affinées et nettoyées à l'aide de règles mathématiques pour lisser les erreurs et relier les lignes brisées.
Ce croquis affiné est ensuite utilisé pour entraîner un second modèle informatique plus sophistiqué, conçu spécifiquement pour tracer des contours précis. Ce second modèle est construit pour comprendre à la fois la forme globale d'une fissure et ses détails minuscules et complexes, permettant de distinguer une véritable fracture d'une ombre ou d'une tache sur le béton. Le chercheur a testé ce système sur une collection d'images réelles de surfaces en béton, comparant ses performances aux autres méthodes existantes. Il a constaté que son approche identifiait les fissures avec une précision globale de 85 pour cent. Plus important encore, en s'appuyant sur les croquis grossiers initiaux plutôt que sur des dessins humains parfaits, le système a réduit le travail d'étiquetage manuel de 39 pour cent.
Les résultats ont montré que le système était particulièrement efficace pour gérer différents types de dommages, des fractures larges et évidentes aux fissures très fines, presque capillaires, qui sont souvent manquées par les autres méthodes. Le chercheur a également utilisé une analyse statistique pour confirmer que la confiance de l'ordinateur dans ses découvertes était constante selon les types de fissures, le système affichant la plus grande certitude lorsque les dommages étaient sévères et la plus faible lorsque les fissures étaient à peine visibles. Bien que le système ne soit pas parfait et nécessite encore un certain réglage pour gérer les conditions d'éclairage les plus difficiles, il offre une voie pratique pour surveiller la santé de nos infrastructures. En rendant le processus de détection plus rapide et moins dépendant de la main-d'œuvre humaine coûteuse, cette méthode pourrait aider les ingénieurs à inspecter plus de structures plus fréquemment, garantissant que les ponts et les bâtiments restent sûrs bien avant qu'une petite fissure ne devienne une défaillance majeure.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.