Réseau de fissure à super-résolution profonde (SrcNet) pour améliorer la décelabilité automatisée des fissures fondée sur la vision par ordinateur dans les ponts in situ

Cet article propose un nouveau réseau neuronal profond end-to-end de super-résolution pour la détection de fissures (SrcNet), visant à améliorer la décelabilité automatisée des fissures fondée sur la vision par ordinateur. Les images numériques acquises à partir d’infrastructures civiles à grande échelle pour la détection de fissures à l’aide de robots autonomes souffrent souvent de flou de mouvement et d’une résolution en pixels insuffisante, ce qui peut compromettre la décelabilité des fissures correspondantes. Le SrcNet proposé permet de renforcer significativement la décelabilité des fissures en augmentant la résolution en pixels des images numériques brutes grâce à l’apprentissage profond. Le SrcNet se compose essentiellement de deux phases : phase I – génération d’images à haute résolution (SR) basée sur l’apprentissage profond, et phase II – détection automatisée des fissures basée sur l’apprentissage profond. Dès l’acquisition des images numériques brutes à partir de la surface d’un pont cible, la phase I du SrcNet génère les images SR correspondantes. Ensuite, la phase II détecte automatiquement les fissures à partir des images SR générées, permettant ainsi une amélioration notable de la décelabilité des fissures. Le SrcNet a été expérimentalement validé à l’aide d’images numériques obtenues par un robot grimpeur et un véhicule aérien non habité (UAV) sur des ponts en béton in situ situés en Corée du Sud. Les résultats des tests de validation montrent que le SrcNet proposé présente une décelabilité des fissures supérieure de 24 % par rapport aux résultats obtenus à partir des images numériques brutes.