Cartographie des défauts de la route grâce à la vision par ordinateur : faisable ou non ?

En savoir plus?
24 Septembre 2021

Pour aider les autorités dans leurs plans d'investissement, DrivenBy cartographie nos routes par mobile mapping depuis des années. Mais la détection et la classification des défauts de la route se font manuellement et prennent donc beaucoup de temps. L'intelligence artificielle, et plus particulièrement la vision par ordinateur, peut-elle apporter une solution ? Nous nous sommes penchés sur la question.

Des géodonnées pour résoudre le dilemme des travaux routiers

La sécurité routière est étroitement liée à l'état de la surface de la route : plus les irrégularités sont nombreuses, plus le risque d'accident est élevé. Les régions, les villes et les communes doivent donc veiller en permanence à ce que leurs routes publiques soient bien entretenues. Mais un budget limité les oblige souvent à faire des choix difficiles. Quelles sont les routes qui nécessitent une attention prioritaire et celles qui peuvent attendre ? L'entreprise namuroise DrivenBy parcourt nos routes depuis des années avec des capteurs (caméras, GNSS, confort, etc.) de haute technologie pour répondre à ces questions et conseiller les autorités dans leurs plans d'investissement en matière de travaux routiers.

Recherché : un levier pour l'automatisation

La formule mobile mapping de DrivenBy comporte plusieurs étapes : la prise de photos, le traitement des images obtenues, la classification des segments de route en fonction du type de revêtement et enfin l'identification et la classification des défauts. Cette dernière étape repose sur un modèle développé par le Belgian Road Research Centre (BRRC). Un score est attribué à chaque segment de route sur la base du nombre et du type de défauts cartographiés. Un travail extrêmement méticuleux et chronophage pour les collaborateurs de DrivenBy. La détection et la classification des défauts de la route ne pourraient-elles pas être plus efficaces et donc moins coûteuses grâce à l'IA ? DrivenBy et GIM ont répondu à l'appel à projet « Tremplin AI » de DigitalWallonia4.ai, visant à développer une preuve de concept pour de nouvelles applications d'IA.

Des objectifs ambitieux

Les objectifs du projet de recherche Tremplin AI étaient clairs dès le départ. Le premier objectif de l'équipe était d'évaluer la faisabilité technique de la vision par ordinateur pour ces tâches à partir d'images du mobile mapping :

  • la classification du type de revêtement routier
  • l'identification des défauts de la route
  • la classification des défauts de la route selon des types bien définis (BRRC)

En outre, les résultats devraient aussi fournir un aperçu du potentiel commercial du modèle d'IA et inspirer d'autres applications.

« Le potentiel de la vision par ordinateur pour l'analyse des images de mobile mapping est énorme. La précision du premier test ouvre les portes à de nombreuses applications. »

(Steven Smolders, Technology Director chez GIM)

Préparer l'algorithme pour la réalité

En tant que spécialiste du machine learning, GIM a immédiatement démontré son expertise en matière de vision par ordinateur. GIM a mis au point un algorithme d'auto-apprentissage (également connu sous le nom de réseau neuronal) qui permet à un ordinateur d'analyser les photos des routes de la même manière que les employés de DrivenBy le font depuis des années. Toutes les catégories de défauts possibles que l'algorithme devait pouvoir reconnaître ont été saisies. Ensuite, est venue l'heure de l'épreuve du feu. Sur la base d'images de mobile mapping de 20 km d'infrastructures routières, le modèle d'IA a pu faire ses preuves.

Mobile mapping 2.0

Les premiers résultats laissent présager le meilleur. L'algorithme a identifié pratiquement tous les défauts. En outre, pas moins de 93 % des défauts détectés ont été classés dans la bonne catégorie. Il est remarquable de constater que le taux de réussite dans les catégories qui ont bénéficié de nombreuses images d'entraînement a été encore plus élevé. Ce sont principalement les défauts plus rares et moins présents dans les données d'apprentissage qui n'ont parfois pas été (correctement) classés. Bref, pour affiner le modèle, seules des images de test supplémentaires sont nécessaires.

93 % de l'ensemble des défauts routiers détectés ont été immédiatement placés dans la bonne catégorie

De plus, ce modèle d'IA ouvre immédiatement la voie à d'autres applications, comme la cartographie des marquages routiers, des panneaux, des caractéristiques des bâtiments et bien d'autres choses encore. Mission accomplie !

Vous recherchez les meilleurs outils et modèles d'IA pour vos géo-analyses ? Prenez contact sans engagement 

Ce projet a été réalisé avec le soutien de :