Note ABES Numérisation 3D géoréférencée et cartographie automatique de réseaux enterrés 3D Georeferenced recording and automatic mapping of underground infrastructures Réseaux enterrés Photogrammétrie Apprentissage profond Segmentation d’instance Vectorisation Underground infrastructures Photogrammetry Deep Learning Instance segmentation Vectorization 526.8 Cartographie -- Informatique Apprentissage profond Géoparsing L’urbanisation a densifié les infrastructures souterraines, complexifiant leur configuration pour répondre aux besoins croissants en services (eau, gaz, électricité, etc.). En France, la réglementation de 2012 impose une meilleure cartographie des réseaux, avec des exigences de précision accrues. Dans ce cadre, la photogrammétrie se présente comme une solution innovante pour le récolement des réseaux enterrés. Plus rapide et facilement actualisable que les méthodes traditionnelles, elle permet d’intégrer les données dans un SIG pour une meilleure analyse du sous-sol. Cette thèse vise à exploiter pleinement la photogrammétrie pour certifier la localisation des ouvrages en développant une vectorisation automatisée des linéaires. Une approche par apprentissage profond est mise en place pour identifier les réseaux sur les images et les segmenter en 3D via une croissance de régions contrainte par la géométrie. Un logiciel pilote l’ensemble du processus jusqu’à l’établissement du plan de récolement. Urbanization has increased the density of underground infrastructures, making their configuration more complex to meet the growing demand for essential services (water, gas, electricity, etc.). In France, the 2012 regulation mandates improved mapping of underground networks with stricter accuracy requirements. In this context, photogrammetry emerges as an innovative solution for recording buried networks. Faster and more easily updatable than traditional methods, it enables data integration into a GIS for better subsurface analysis. This thesis aims to fully leverage photogrammetry to certify the localization of infrastructures by developing an automated vectorization of linear networks. A deep learning-based approach is implemented to identify networks in images and segment them in 3D using a region-growing method constrained by geometry. A software framework supervises the entire process, from data acquisition to the final as-built mapping. Electronic Thesis or Dissertation Text fr PDF 231475484 https://publication-theses.unistra.fr/restreint/theses_doctorat/2024/HAENEL_Raphael_2024_ED269.pdf Haenel Raphaël 1998-05-07 FR 284155314 1509018268Y 22014148 4200046 https://theses.fr/2024STRAD063 2024STRAD063 https://doi.org/10.70675/8d5b22c3z01b8z47c8z92ddz01e2c8f74524 2024-12-16 Image et Vision Strasbourg 131056549 Doctorat Docteur es non oui Grussenmeyer Pierre MADS_DIRECTEUR_DE_THESE_1 035306858 Tabbone Salvatore-Antoine MADS_DIRECTEUR_DE_THESE_2 150015011 Weber Jonathan MADS_PRESIDENT_DU_JURY 160604311 Landes Tania MADS_MEMBRE_DU_JURY_1 18246539X Drap Pierre MADS_RAPPORTEUR_1 110437691 Simon Gilles MADS_RAPPORTEUR_2 098853856 École doctorale Mathématiques, sciences de l'information et de l'ingénieur (Strasbourg ; 1997-....) MADS_ECOLE_DOCTORALE_1 269 156504863 Laboratoire des sciences de l'ingénieur, de l'informatique et de l'imagerie (Strasbourg ; 2013-....) MADS_PARTENAIRE_DE_RECHERCHE_1 260728 176969721 ddc:520 Grussenmeyer Pierre Tabbone Salvatore-Antoine Weber Jonathan Landes Tania Drap Pierre Simon Gilles École doctorale Mathématiques, sciences de l'information et de l'ingénieur (Strasbourg ; 1997-....) Laboratoire des sciences de l'ingénieur, de l'informatique et de l'imagerie (Strasbourg ; 2013-....) PDF 231475484