Utiliser l’IA pour détecter et segmenter les fissures

Lorsqu’on observe une fissure sur une surface, elle peut sembler anodine, mais elle constitue un bon indicateur précoce de dommages structurels graves. Par exemple, les ponts sont régulièrement inspectés à la recherche de fissures, qui représentent 90 % de l’ensemble des dommages aux ponts chaque année. Traditionnellement, l’inspection des fissures est effectuée manuellement et peut prendre beaucoup de temps. L’intelligence artificielle (AI) peut intervenir pour simplifier la détection des fissures.

Au-delà des ponts, la détection des fissures par deep learning est utile dans de nombreux environnements industriels. Elle contribue à garantir l’intégrité des bâtiments dans le secteur de la construction, à éviter les arrêts coûteux dans l’industrie manufacturière et à rendre les inspections des routes et des chaussées plus sûres et plus efficaces. Dans cet article, nous allons examiner de plus près comment utiliser l’IA et des modèles de vision par ordinateur comme Ultralytics YOLOv8 pour détecter et segmenter les fissures bien plus rapidement et facilement qu’avec les méthodes traditionnelles.

Qu’est-ce que la segmentation des fissures ?#

Avant d’aborder la segmentation des fissures, comprenons ce qu’est la segmentation. La segmentation est une tâche de vision par ordinateur qui consiste à diviser une image en différentes régions ou zones. L’objectif est de simplifier l’image et de faciliter son analyse. La segmentation fournit une compréhension au niveau du pixel, tandis que des tâches comme la détection d’objets utilisent des boîtes englobantes pour identifier et localiser les objets.

Il existe différents types de techniques de segmentation :

• Segmentation sémantique : Elle consiste à attribuer à chaque pixel d’une image une classe spécifique, comme « route », « bâtiment » ou « arbre ». Tous les pixels d’une même classe sont traités comme une seule entité.
• Segmentation d’instances : Contrairement à la segmentation sémantique, elle distingue les différentes instances d’une même classe, comme les différentes voitures présentes dans une image.
• Segmentation panoptique : Elle combine les approches de segmentation sémantique et de segmentation d’instances afin de fournir une compréhension détaillée de la catégorisation au niveau du pixel et des différentes instances d’objets dans une image.

Fig. 1 Différences entre les techniques de segmentation : image originale (G), segmentation sémantique (H), segmentation d’instances (I) et segmentation panoptique (J).

Pour détecter les fissures, la segmentation d’instances est un excellent choix. En segmentant chaque fissure individuellement, nous pouvons les identifier et les analyser séparément. Par exemple, nous pouvons calculer la surface d’une fissure en comptant le nombre de pixels qu’elle occupe dans l’image.

Comprendre le fonctionnement de la segmentation des fissures#

La première étape de la mise en œuvre de la segmentation des fissures consiste à choisir la configuration de caméra adaptée, qui peut varier selon l’application. Si tu inspectes une structure de grande taille comme un bâtiment, l’utilisation de drones peut être la meilleure approche pour capturer des images haute résolution sous différents angles. En revanche, si tu inspectes des tôles après leur fabrication, il peut être préférable d’utiliser des caméras haute résolution fixes, positionnées stratégiquement pour capturer des images détaillées des surfaces.

Une fois la configuration de la caméra finalisée, tu peux entraîner un modèle de vision par ordinateur prenant en charge la segmentation d’instances, comme YOLOv8. Le Roboflow Universe Crack Segmentation Dataset contient des images annotées de fissures et peut être utilisé pour entraîner ton modèle. Tu peux également créer ton propre jeu de données en capturant et en annotant des images de fissures spécifiques à ton application.

Le modèle apprend à segmenter les fissures grâce à l’apprentissage supervisé. Pendant l’entraînement, on lui fournit des images et des étiquettes indiquant l’emplacement des fissures. Le modèle ajuste ses paramètres internes afin de minimiser l’écart entre ses prédictions et les étiquettes réelles. Après l’entraînement, il peut être utilisé pour analyser de nouvelles images et segmenter individuellement chaque fissure.

Fig. 2. Utilisation d’Ultralytics YOLOv8 pour la segmentation des fissures.

Applications industrielles de la segmentation des fissures#

La détection et la segmentation des fissures sont extrêmement utiles dans diverses applications industrielles, de la maintenance des infrastructures au contrôle qualité dans l’industrie manufacturière. En identifiant et en analysant précisément les fissures, ces techniques contribuent à améliorer la sécurité, la durabilité et la qualité dans de nombreux domaines. Examinons quelques exemples.

Maintenir la qualité des routes et des chaussées#

Les fissures sur les routes sont un problème courant causé par les conditions météorologiques, la circulation intense et l’usure naturelle. Les variations de température peuvent faire se dilater et se contracter la chaussée, ce qui entraîne l’apparition de fissures. Les véhicules lourds exercent une pression supplémentaire sur la surface de la route, tandis que l’eau qui s’infiltre dans les petites fissures peut les élargir et les approfondir au fil du temps. Ces fissures peuvent entraîner une usure prématurée, des défaillances structurelles et un danger accru pour les personnes qui circulent sur la route. La détection précoce grâce à la segmentation des fissures peut contribuer à rationaliser la maintenance routière.

Fig. 3. Une fissure sur une route. Source de l’image : Envato Elements.

Les fissures détectées et segmentées à l’aide de la vision par ordinateur peuvent être classées selon trois niveaux de gravité — faible, moyen et élevé — en fonction de leur taille. Cette classification aide les équipes de maintenance à établir leurs priorités. Par exemple, les fissures très graves peuvent être traitées en premier afin d’éviter des défaillances critiques et d’améliorer la sécurité routière, tandis que les fissures de gravité moyenne et faible peuvent être planifiées pour des réparations ultérieures et des contrôles de routine. Ainsi, l’équipe de maintenance peut optimiser l’utilisation des ressources, réduire les coûts de maintenance et limiter les perturbations pour les usagers de la route.

Inspection et surveillance des structures#

La détection des fissures peut également servir à préserver la qualité et la sécurité des bâtiments et d’autres structures. Comme les routes, les bâtiments peuvent développer des fissures en raison des variations météorologiques, de la fatigue des matériaux et de l’usure normale. Les engins lourds utilisés pendant la construction peuvent aussi exercer une pression supplémentaire sur les structures et provoquer davantage de fissures.

Fig. 4 Utilisation d’un téléphone portable pour prendre des photos destinées à la segmentation des fissures.

En identifiant et en traitant précisément les fissures, il est possible de prolonger considérablement la durée de vie des bâtiments et des structures. Les données collectées par les systèmes de détection des fissures peuvent également servir à améliorer les normes et les réglementations de construction. En analysant les tendances et les causes des fissures sur différents projets, les experts du secteur peuvent élaborer de meilleures pratiques et utiliser de meilleurs matériaux de construction.

Détection des fissures dans le secteur pétrolier et gazier#

Dans l’industrie pétrolière et gazière, la détection des fissures est essentielle pour maintenir la sécurité et la fiabilité des pipelines, des réservoirs de stockage et d’autres infrastructures critiques. Les pipelines s’étendent souvent sur de longues distances et sont exposés à des conditions environnementales difficiles, susceptibles de provoquer des variations de pression et une fatigue des matériaux, entraînant ainsi des fissures. Traditionnellement, la détection des fissures est effectuée à l’aide de racleurs instrumentés, de contrôles par ultrasons et de contrôles radiographiques. Si ces fissures ne sont pas détectées et réparées rapidement, elles peuvent entraîner de graves problèmes, comme des fuites et des explosions. Dans ce secteur, les fissures représentent un risque majeur pour l’environnement et les personnes.

Fig. 5. Des ouvriers inspectant des réservoirs de gaz sur un train. Source de l’image : Envato Elements

La segmentation des fissures par vision par ordinateur permet de surveiller en continu l’état des pipelines. Les équipes de maintenance peuvent effectuer les réparations en temps voulu et prévenir d’éventuelles catastrophes en identifiant rapidement les fissures.

Inspection automatisée des pièces manufacturées#

L’inspection automatisée utilisant la segmentation des fissures transforme le contrôle qualité dans l’industrie manufacturière. Auparavant, la détection des fissures reposait sur des contrôles visuels, le contrôle par ressuage et le contrôle par magnétoscopie. En intégrant des systèmes avancés d’imagerie et de vision par ordinateur à la ligne de production, les fabricants peuvent détecter immédiatement les fissures et les défauts, même les plus petits, dans les pièces dès leur fabrication. Chaque composant peut être contrôlé et s’assurer qu’il respecte des normes de qualité élevées avant d’atteindre les clients.

L’inspection automatisée améliore la précision et l’efficacité, tout en fournissant un retour en temps réel permettant aux équipes de production de corriger rapidement les problèmes. Elle réduit les coûts en limitant le besoin d’inspections manuelles et en évitant les rappels coûteux. De plus, ces systèmes collectent des données précieuses sur les défauts, ce qui aide à identifier des tendances et à améliorer les processus de fabrication, pour obtenir des produits plus sûrs et plus fiables.

Fig. 6 Détection des fissures dans des pièces métalliques.

Avantages et inconvénients de la segmentation des fissures#

La détection des fissures à l’aide du deep learning offre de nombreux avantages, notamment une sécurité accrue et des décisions fondées sur les données. Examinons quelques autres avantages de la détection des fissures dans les environnements industriels :

• Pratiques durables : Favorise des pratiques de construction et de maintenance durables en réduisant le besoin de réparations et de remplacements importants, ce qui permet d’économiser des matériaux et des ressources.
• Perturbations réduites : Planifier les réparations des fissures moins graves pendant la maintenance de routine contribue à éviter les perturbations majeures des opérations et de l’utilisation des installations.
• Conformité aux réglementations : Aide à respecter les normes du secteur et les exigences réglementaires en garantissant l’inspection et la maintenance régulières des infrastructures.

Malgré ses avantages, la segmentation des fissures présente également certains inconvénients. Les coûts d’infrastructure initiaux élevés peuvent être préoccupants pour les petites organisations, et la complexité du système nécessite une formation et une maintenance continues. Voici quelques autres inconvénients de l’utilisation de la segmentation des fissures dans les applications industrielles :

• Faux positifs et faux négatifs : Le système peut identifier à tort des fissures ou ne pas en détecter, ce qui entraîne des réparations inutiles ou omises.
• Difficultés de gestion des données : Le système génère de grandes quantités de données qui nécessitent des outils robustes de stockage et d’analyse.
• Facteurs environnementaux : Les conditions extérieures, comme les phénomènes météorologiques extrêmes ou une forte humidité, peuvent affecter la précision et la fiabilité des systèmes de segmentation des fissures.
• Intégration aux systèmes existants : L’intégration de la technologie de détection des fissures à l’infrastructure et aux systèmes existants peut être complexe et nécessiter des modifications ou des mises à niveau supplémentaires.

Points clés à retenir#

La segmentation et la détection des fissures peuvent jouer un rôle essentiel dans la sécurité et la durabilité de nos infrastructures industrielles. En utilisant des technologies avancées comme le deep learning et la vision par ordinateur, nous pouvons détecter rapidement les problèmes structurels et les corriger avant qu’ils ne deviennent importants. Cette approche proactive permet de gagner du temps et de réduire les coûts, tout en respectant les normes de sécurité et les exigences réglementaires. Elle favorise également les pratiques durables en limitant le besoin de réparations importantes. Malgré certains défis, comme les coûts initiaux élevés et la complexité, les avantages de la segmentation des fissures dans différents secteurs en font un outil précieux pour préserver et améliorer la qualité des infrastructures.

Pour en savoir plus sur l’IA, consulte notre dépôt GitHub et échange avec notre communauté. Découvre les applications de l’IA dans l’industrie et l’agriculture sur nos pages consacrées aux solutions. 🚀