Pavement distress detection with conventional self-driving car sensors

Résumé

Détecter et quantifier les détériorations des chaussées d’une façon adéquate est une tâche essentielle pour caractériser l’état des routes, identifier les causes de détérioration, développer des modèles de prévision de l’état futur, et quantifier les besoins en termes d’entretien et de réhabilitation à court et long termes. De nombreuses méthodes automatiques ont été développées pour détecter et évaluer les détériorations des chaussées. Cependant, ces méthodes font face à de nombreuses limitations telles que la fiabilité, la rentabilité, et le prix élevé. Par conséquent, elles ne sont pas fréquemment utilisées pour inspecter les routes. Dans ce projet, nous abordons ces limites en testant une nouvelle approche pour la collecte des données de surface des chaussées. Nous testons deux capteurs conventionnels installés sur les voitures autonomes, fixés sur un véhicule: Un LiDAR 3D, et un appareil photo RVB. La performance du LiDAR est validée via des mesures de sa capacité à détecter des dégradations. Les résultats montrent un écart entre les nuages de points acquis et ses références. La reconstruction de la surface à partir des nuages de points acquis montre des déformations significatives dans l’élévation de la chaussée. Cela est notamment dû aux bruits dans les mesures prises par le LiDAR, à sa faible précision qui se dégrade sur des surfaces moins réflectives, et à sa faible résolution. D’autre part, l’appareil photo RVB montre de meilleurs résultats dans la détection des fissures routières. Dans ce projet, nous introduisons une approche complète pour les détecter. Nous utilisons une caméra pour enregistrer des vidéos tout en conduisant. Nous utilisons un algorithme d’apprentissage supervisé pour détecter les fissures. Nous adoptons une méthode originale pour annoter les images, que nous traitons ensuite avec un réseau de neurones à convolution pour sectionner les fissures. Nous validons le modèle sur 70 images. Les résultats montrent que la capacité de notre système pour la détection et segmentation de fissures est pertinente : la précision du modèle, une fois entraîné, est de 77,67 %, le rappel est de 79,18 %, et la moyenne de l’intersection sur l’union est 64.6%.

Date	13 oct. 2020
langue originale	Anglais américain
Établissement diplômant	École de technologie supérieure
Superviseur	Maarouf Saad (Directeur(-trice)) & Gabriel J. Assaf (Codirecteur(-trice))