Hybrid-Segmentor : Une approche hybride pour la segmentation fine automatique des fissures dans les infrastructures civiles

La détection et la segmentation des fissures dans les infrastructures, telles que les routes et les bâtiments, sont essentielles pour garantir la sécurité et assurer une maintenance économique. Malgré le potentiel du deep learning, il reste des défis à relever pour obtenir des résultats précis et gérer la diversité des types de fissures. Grâce au jeu de données et au modèle proposés, nous visons à améliorer la détection des fissures et la maintenance des infrastructures. Nous introduisons Hybrid-Segmentor, une approche basée sur un architecture encodeur-décodeur, capable d’extraire à la fois des caractéristiques locales fines et des caractéristiques globales des fissures. Cette capacité permet au modèle d’améliorer sa capacité de généralisation pour distinguer diverses formes, surfaces et tailles de fissures. Afin de maintenir des performances computationnelles faibles, tout en préservant une forte capacité de généralisation, nous intégrons un mécanisme d’attention auto-associative au niveau de l’encodeur, tout en réduisant la complexité du composant décodeur. Le modèle proposé surpasse les modèles de référence existants sur cinq métriques quantitatives (précision : 0,971, rappel : 0,744, score F1 : 0,770, IoU : 0,630, exactitude : 0,971), atteignant ainsi un état de l’art.