Reconnaissance des formes pour l'inspection visuelle des tunnels

The aim of this thesis is to implement methods for the classification and semantic segmentation of tunnel anomalies based on photographic images or laser scans. To this end, we have collected and annotated data from several infrastructures, each presenting anomalies of different appearance and scale. The first contribution of this work was to study a multi-scale semantic segmentation model, trained and then evaluated independently on each dataset. This model is capable of detecting most of the anomalies in a tunnel as long as the domain shift between the training and test sets is negligible. Otherwise, we measured uniformly low performance. A second contribution was therefore to develop an original domain adaptation method, based on the adjustment of a few strategic parameters of a model trained on a source set, and requiring the annotation of a small number of images of the target tunnel to be analyzed. The performance achieved by this method approaches that of a model trained on the tunnel data being evaluated.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