Le drone a été utilisé à diverses fins, notamment dans des applications militaires, la photographie aérienne et le pulvérisation de pesticides. Toutefois, il est vulnérable aux perturbations extérieures, et les défaillances des pales et des moteurs peuvent survenir facilement. Afin d’améliorer la sécurité des opérations de drones, il est essentiel de détecter en temps réel les défauts mécaniques. Ce papier propose un classificateur de défauts basé sur un réseau neuronal profond (DNN) exploitant les sons, ainsi qu’un jeu de données sonores spécifiquement conçu pour les drones. Ce jeu de données a été construit en enregistrant les sons d’exploitation de trois drones différents, équipés de microphones, dans une chambre anéchoïque. Il inclut diverses conditions de fonctionnement, telles que les directions de vol (avant, arrière, droite, gauche, horaire, antihoraire) ainsi que des défauts simulés sur les pales et les moteurs. Les sons des drones ont ensuite été combinés avec des bruits enregistrés à cinq emplacements différents sur le campus universitaire, avec un rapport signal sur bruit (SNR) variant entre 10 dB et 15 dB. À partir de ce jeu de données, nous avons entraîné un classificateur DNN, nommé 1DCNN-ResNet, capable de classifier les types de défauts mécaniques et leurs localisations à partir de courtes séquences d’ondes d’entrée. Nous avons adopté une approche d’apprentissage multitâche (MTL) en intégrant la tâche de classification de la direction comme tâche auxiliaire, afin de permettre au modèle d’apprendre des caractéristiques audio plus générales. Les tests effectués sur des données inédites montrent que le modèle multitâche proposé parvient à classifier efficacement les défauts sur les drones et surpasse les modèles mono-tâche, même avec une quantité réduite de données d’entraînement.