Reconnaissance des formes pour l'inspection visuelle des tunnels
Langue Français
Accéder au document

Ce document est protégé en vertu du Code de la Propriété Intellectuelle.

 
Auteur : Decor, Guillaume
Date de soutenance : 27-09-2023

Directeur(s) de thèse : Heitz, Fabrice - Charbonnier, Pierre

Établissement de soutenance : Strasbourg
Laboratoire : Laboratoire des sciences de l'ingénieur, de l'informatique et de l'imagerie (Strasbourg ; 2013-....)
École doctorale : École doctorale Mathématiques, sciences de l'information et de l'ingénieur (Strasbourg ; 1997-....)
 
Discipline : Traitement du signal et des images
Classification : Informatique

Mots-clés libres : Reconnaissance des formes, Inspection des tunnels, Adaptation de domaine
Mots-clés :
  • Reconnaissance des formes (informatique)
  • Tunnels - Inspection
Résumé : Cette thèse vise à mettre en œuvre des méthodes de classification et de segmentation sémantique d'anomalies en tunnel à partir d’images photographiques ou de relevés laser. Pour ce faire, nous avons collecté et annoté des données provenant de plusieurs infrastructures, présentant des anomalies d’aspect et d’échelle différents. La première contribution de ce travail a été d’étudier un modèle de segmentation sémantique, avec une approche multi-échelle, entraîné puis évalué indépendamment sur chaque jeu de données. Ce modèle est capable de détecter l'essentiel des anomalies d'un tunnel dès lors que le biais de domaine entre les jeux d'apprentissage et de test est négligeable. Dans le cas contraire, nous avons mesuré des performances uniformément basses. Une seconde contribution a donc été de développer une méthode d'adaptation de domaine originale, reposant sur un ajustement de certains paramètres stratégiques d’un modèle entrainé sur un jeu source, et nécessitant d’annoter une petite quantité d’images du tunnel cible à analyser. Les performances obtenues par cette méthode approchent celles atteintes avec un modèle appris sur les données du tunnel évalué.
 
Type de contenu : Text
Format : PDF
 
Entrepôt d'origine : STAR : dépôt national des thèses électroniques françaises
Identifiant : 2023STRAD025
Type de ressource : Thèse