Caractérisation des chaussées urbaines démontables : traitement des données par IA
Les chaussées urbaines démontables facilitent l’accès aux réseaux souterrains. Pour en assurer un suivi régulier, la mise en place d’outils de surveillance en surface et subsurface permet la caractérisation de différents défauts grâce à un traitement des données par intelligence artificielle.
• Pour le cas particulier des chaussées urbaines démontables (CUD), les données sont collectées par drones pour prendre des images RGB de la surface et par technologie électromagnétique hyper-fréquence pour analyser la subsurface et détecter les anomalies.
• Ces données sont ensuite traitées à l’aide de l'intelligence artificielle, en particulier avec le modèle YOLO v4, qui détecte et classifie les anomalies structurelles de manière automatisée.
• Les résultats obtenus ont montré une très grande précision, avec des performances supérieures à 99 % dans l’identification des structures et des anomalies.
• Le système développé pourrait être utilisé pour des interventions de maintenance prédictive et autonome sur les infrastructures routières.
Le projet européen HERON (Improved Robotic Platform to perform Maintenance and Upgrading Roadworks) vise à développer un système intégré et automatisé pour l'inspection et la maintenance des infrastructures routières afin de réduire au maximum les risques pour les usagers et les agents de la route lors des interventions1.
La surveillance, notamment préventive, des chaussées joue un rôle central dans l’approche de gestion des risques. Il est donc impératif de mieux comprendre le comportement structurel et matériau des chaussées en obtenant des données exhaustives et fiables pour une évaluation non destructive (END) robuste.
À cette fin, le comité de pilotage du projet HERON a sélectionné différents sites expérimentaux dotés de structures de chaussées conventionnelles et listé les traitements auxquels ils devaient être soumis : scellement des fissures, colmatage des nids-de-poule, rajeunissement du revêtement bitumineux, détection et retrait des cônes de signalisation et autres obstacles potentiels, détection et recouvrement des défauts de marquage2.
Il a également pris en compte des sites avec des structures innovantes, comme une chaussée urbaine démontable (CUD)3 nécessitant le remplacement autonome d'éléments. Cette structure modulable développée par l’université Gustave Eiffel4 a été retenue dans ce projet pour une évaluation en surface et subsurface.
Une collecte importante de données a été effectuée sur deux sites de test : le manège de fatigue de l’université Gustave Eiffel (campus de Nantes) et la rue de l’Allier, dans le centre-ville de Nantes. Ces données incluent des représentations de l’état de surface (imagerie RGB) et des défauts en subsurface (données issues de la technologie électromagnétique hyper-fréquence multicanaux) afin de détecter et de classifier automatiquement :
- les différents types de dalles (hexagonales, demi et quart de dalle) ainsi que les pavés composant une structure CUD, repérées par imagerie (données RGB) à l’aide d’un drone ;
- les anomalies structurelles, détectées par imagerie (données RGB) pour transmission au dispositif d’intervention ;
- les anomalies en subsurface, identifiées à partir des données électromagnétiques hyper-fréquence.
La collaboration entre les différents partenaires du projet a permis de développer une méthodologie de traitement des données pour la détection d’objets fondée sur l’architecture YOLO (You Only Look Once). Cette architecture utilise un modèle d’apprentissage profond reposant sur des réseaux de neurones convolutifs (CNN). Une fois les données collectées, il est nécessaire de procéder à une annotation manuelle des défauts afin de construire la base d’apprentissage du modèle et de valider la méthode via l’algorithme développé.
Grâce à l’acquisition multitechniques des données, on obtient un large éventail d’informations sur lesquelles les modèles algorithmiques peuvent être validés dans des conditions réelles.
Expérimentation
Les chaussées urbaines démontables
En 2008, l’université Gustave Eiffel a proposé un concept original de CUD dont l’objectif était de faciliter l’accès à la couche de base et aux réseaux souterrains pour des besoins de maintenance ou d’extension. Ce concept repose sur des dalles de forme hexagonale préfabriquées en béton et imbriquées (photo 1).
photo_1.jpg
La présence de clés en béton à la base des dalles prévient les risques de basculement sous un trafic intense.
De plus, depuis 2017, l’université Gustave Eiffel a développé un nouveau type de CUD drainantes (CUD-SF)5, notamment dans le cadre du projet I-Street (PIA 3), en partenariat avec Eiffage Route, Alkern et le soutien de Nantes Métropole6. Cette caractéristique devient cruciale dans un contexte d’événements climatiques de plus en plus violents. Pour assurer le drainage de l’eau, ces CUD sont :
- dotées de trous verticaux ;
- associées à une couche de roulement en béton poreux ;
- posées sur une base traitée au ciment, excavable et drainante (figure 1).
figure_1.jpg
Lors de la mise en œuvre d’une structure CUD, des défauts peuvent apparaître : épaufrures, taches... Il est donc nécessaire, pour une caractérisation efficace des défauts, de réaliser les essais sur des structures CUD assemblées et non isolées.
Structure d’essai de l’université Gustave Eiffel
Dans le cadre du projet I-Street, une structure de CUD-SF mesurant 8,35 m de long sur 2,31 m de large a été construite sur le manège de fatigue du campus de Nantes de l’université Gustave Eiffel (photo 2).
photo_2.jpg
La section est composée de :
- 39 dalles en béton hydraulique de 46 cm de côté et de 23 cm d’épaisseur (dont 4 cm de béton poreux pour les 22 dalles hexagonales) ;
- 15 demi-dalles ;
- 2 quarts de dalle ;
- de pavés carrés disposés dans le sens longitudinal.
Afin de valider cette structure, des essais ont simulé de manière accélérée le trafic de véhicules lourds7. Ainsi, l’université a réalisé 200 000 cycles de rotation du manège (muni d’un demi-essieu à roues jumelées chargé à 65 kN) pendant deux mois, correspondant à un trafic estimé entre 45 et 91 bus/jour/sens pendant 20 ans. Les résultats de cette étude ont validé la tenue mécanique et l’adhérence de la structure.
Structure d’essai de la rue de l’Allier
Toujours dans le cadre du projet I-Street et à la suite de l’expérimentation menée sur le manège de fatigue, un démonstrateur de CUD-SF a été construit dans la rue de l’Allier, à Nantes. Il s’agit d’une structure de 31,28 m de long sur 3,68 m de large couvrant deux voies de circulation (photo 3).
photo_3.jpg
La section est composée de :
- 345 dalles en béton hydraulique de 46 cm de côté et de 23 cm d’épaisseur (dont 4 cm de béton poreux pour les 286 dalles hexagonales) ;
- 57 demi-dalles ;
- 2 quarts de dalle ;
- de pavés rectangulaires disposés dans le sens longitudinal.
Cette rue du centre-ville, proche de la gare, est soumise à un trafic quotidien intense de véhicules légers, lourds et de transports en commun.
Collecte des données et apprentissage automatique
L’acquisition des données est réalisée sur les deux sites d’expérimentation à l’aide de plusieurs dispositifs en fonction des besoins :
- Données aériennes : photos prises par un drone (ici le DJI Air 2S) avec des vues à différentes hauteurs (5, 10 et 15 m) et sous différents angles. Des vols manuels sont planifiés et exécutés avec des ajustements assurant un recouvrement suffisant des images. Les données RGB ont une résolution de 5472 x 3078 pixels. Durant la collecte, les conditions météorologiques étaient défavorables, avec de fortes pluies et des rafales de vent. Certaines manœuvres n’ont donc pas pu être réalisées pour des raisons de sécurité. Au total, toutes altitudes confondues, 70 images ont été acquises par le drone8.
- Données au sol simulant l’AGV HERON : prises de vue à une distance maximale de 1 m du sol, avec un appareil photo, un smartphone... L’angle de prise de vue est variable, tout comme la luminosité et le contraste. Les données RGB ont une résolution de 4000 x 3000 pixels. Les conditions météorologiques lors de cette collecte étaient idéales, avec un ensoleillement constant et une surface sèche. Chaque dalle est photographiée avec un recouvrement suffisant et des clichés complémentaires sont réalisés sous différents angles. Au total, 59 images représentant la structure CUD à environ 1 m du sol ont été acquises.
- Données électromagnétiques hyper-fréquence multicanaux géolocalisées : données obtenues par le biais d’un réseau d’antennes couplées au sol, opérant sur une large bande de fréquences [0,4 – 3] GHz. La collecte de ces données a eu lieu après une semaine de fortes pluies, afin de détecter d’éventuelles anomalies liées au transfert hydrique entre la couche de surface en béton poreux et la couche sous-jacente en béton hydraulique (voire inter-dalles). Un pas longitudinal de 1 cm a été choisi, avec une profondeur d’écoute de 25 ns. L’étude se concentrant sur l’aspect structurel des CUD, seuls les 30 premiers centimètres de profondeur ont été analysés.
Deux bases de données indépendantes ont été créées pour favoriser un apprentissage efficace :
- La première regroupe les photos prises au sol et par drone. Les algorithmes d’apprentissage profond étant conçus pour un important volume de données, il est nécessaire d’augmenter virtuellement la quantité des données en surface. Cette augmentation génère des données supplémentaires par le biais de rotations, d’effets miroir, de mises à l’échelle et de variations de couleurs dans l’espace TSV (Teinte Saturation Valeur), grâce à l’application de filtres.
- La seconde rassemble les données électromagnétiques (EM), transformées en données RGB, auxquelles est appliquée la même méthode d’augmentation. Il est essentiel de procéder à une étude paramétrique en pré-traitement pour rendre les signaux exploitables (suppression du bruit de fond, filtrage adapté...).
L’architecture d’apprentissage profond retenue, YOLO v4 (figure 2), conçue pour la détection d’objets en temps réel, offre un compromis optimal entre vitesse et précision. Contrairement à d’autres modèles CNN, YOLO v4 est adaptée à la gestion autonome des processus et nécessite donc une intervention réduite de l’opérateur.
figure_2.jpg
À partir des données RGB en surface précédemment collectées, une annotation manuelle des anomalies ou du repérage des dalles est réalisée sur chacune des images de la base d’apprentissage. Chacune de ces annotations, appelée boîte d’ancrage, délimite une zone de l’image identifiée comme appartenant à une classe. Pour l’étude en surface, 7 classes ont été choisies :
- 3 classes pour l’identification en fonction de la forme, du matériau, de la couleur et de l’emplacement sur la structure, contribuant à distinguer les dalles hexagonales en béton poreux, les demi-dalles et quarts de dalle en béton plein, ainsi que les pavés ;
- 4 classes d’anomalies pour détecter des objets comme les différences de niveau entre deux dalles, les épaufrures, les taches de pollution et les écartements de joints.
Les contraintes mécaniques (trafic intense associé aux cycles météorologiques) ont un impact sur le béton des dalles et accélèrent ainsi leur vieillissement. À ce jour, il est difficile de connaître leurs conséquences directes en matière de dégradation structurelle interne d’une dalle.
Grâce à la technique électromagnétique hyper-fréquence, une onde EM propagée dans la structure d’une dalle permet d’identifier d’éventuels contrastes diélectriques, suggérant la présence d’une anomalie. Pour cela, il est important de comparer visuellement les signaux et images obtenus sur un grand nombre de dalles et d’apprendre à distinguer, d’abord manuellement, puis automatiquement, une dalle saine d’une dalle présentant des défauts.
Résultats
Sur la figure 3, on constate une excellente identification des trois objets définis : les dalles hexagonales sont identifiées en cyan, les demi-dalles et quarts de dalle en vert, et les pavés en violet, avec des performances de l’algorithme supérieures à 99 %.
figure_3.jpg
Sur les figures 4 et 5, on peut repérer les différents éléments composant la structure peut à nouveau être effectué (dalles et pavés), détecter et caractériser différentes anomalies, comme les épaufrures (en jaune) et les taches (en bleu). Les performances, également très élevées, sont similaires à celles obtenues avec le drone.
figure_4a.jpg
figure_4b.jpg
Pour assurer la durabilité du concept, il est important de vérifier l’intégrité structurelle des dalles et des sous-couches en grave excavable. Cette information n'étant pas accessible par une simple inspection visuelle, le dispositif électromagnétique hyper-fréquence multicanaux apparaît comme une alternative potentielle pour observer la structure sous la surface, collecter en continu un large ensemble de données et identifier des anomalies. Dans cette perspective, une approche globale (signaux bruts sans prétraitement), puis une approche locale (prétraitement avec extraction des caractéristiques clés) permettent le traitement des données par une intelligence artificielle (IA).
En comparant les images EM (figures 6 et 7) issues de la structure présente sur le manège de fatigue de l’université Gustave Eiffel, on observe des différences notables sur les C-scans (vue de dessus ici à 5 cm de profondeur) entre deux dalles CUD : la présence de zones rouges sur la figure 5b est caractéristique d’un fort contraste diélectrique pouvant être assimilé à des anomalies.
figure_6.jpg
figure_7.jpg
Il convient de noter que les zones jaunes présentes sur toutes les dalles sont dues à la complexité de la structure composée de multiples arêtes, créant de nombreux effets de bord et de diffraction qui parasitent l’interprétation. De plus, la présence de fibres métalliques, utilisées pour améliorer le comportement mécanique du béton, ajoute des réflexions supplémentaires.
Sur les B-scans, les Cross-scans et les A-scans des CUD (figures 8), on retrouve les contrastes diélectriques identifiés précédemment (figure 6d) entre 5 et 10 cm de profondeur dans la partie béton hydraulique de la dalle hexagonale.
figure_8.jpg
Conclusion et perspectives
Dans les domaines des infrastructures, il est indispensable de développer des outils multitechniques et multiphysiques contribuant à la détection, à la caractérisation et au suivi dans le temps de défauts dans les chaussées. Ces éléments de diagnostic aident à répondre efficacement aux défis sociétaux fixés par les politiques publiques d’entretien et de gestion du patrimoine routier existant et innovant.
Dans le cadre du projet européen HERON, des chercheurs se sont intéressés au cas particulier de l’évaluation d’une chaussée innovante : une chaussée urbaine démontable (CUD). L’enjeu de ce travail de recherche était d’évaluer l’état de santé d’une structure de chaussée via des méthodes préventives fondées sur un modèle d’intelligence artificielle, à partir de jeux de données en surface et en subsurface.
Les méthodes d’évaluation non destructive (END) répondent aux attentes du projet européen HERON qui, grâce à une détection automatique précoce d’une pathologie éventuelle, commande l’intervention du dispositif HERON pour une réparation efficace de la zone identifiée (la partie réparation ne faisant pas l’objet de cet article). Le principe de route intelligente autosurveillée est une problématique actuelle suivie par les professionnels des chaussées, en attente de la mise en œuvre de méthodologies et outils innovants à grand rendement.
Les recherches multipartenaires menées dans le cadre du projet HERON ont été orientées vers des méthodes complémentaires associant la photographie et la propagation d’ondes électromagnétiques pour une évaluation qualitative de l’état des infrastructures de transport en surface et subsurface.
Les techniques développées utilisent, pour la surface, deux dispositifs :
- un drone, pour la prise de photos à hauteur variable, utile pour la primo-détection de zones suspectes et l’identification de structures CUD ;
- un appareil photo haute résolution dédié à la prise de photos au sol pour la détection, la caractérisation et la classification d’anomalies diverses.
Pour la subsurface, l’utilisation d’un réseau d’antennes large bande fréquentielle couplées au sol permet, au travers d’une étude paramétrique réalisée dans des conditions contrôlées, de détecter la présence éventuelle d’anomalies alors invisibles par une inspection visuelle.
Les résultats de ces travaux ont montré qu’il était possible de caractériser une structure CUD en surface et subsurface grâce à des outils multitechniques et de constituer une base de données pour le moment non exhaustives. Les données sont utilisées comme entrées pour des algorithmes d'apprentissage profond pour la reconnaissance de formes (YOLO v4), capables d'identifier des anomalies structurelles potentielles.
Ces résultats encourageants montrent que le dispositif semi-automatisé HERON pourrait à terme être utilisé pour les CUD en vue d’une opération de maintenance curative, si ce type de chaussée venait à se développer. La création d'une base de données complète rendra ainsi possible l’identification de pathologies diverses sur les infrastructures auscultées.
• le programme de recherche et d’innovation Horizon 2020 de l’Union européenne qui, à travers le projet HERON, a contribué à mener à bien ces travaux ;
• la région Pays-de-la-Loire pour son aide apportée pour l’achat de matériels dans le cadre du projet Demofit (démonstrateur pour les futures infrastructures de transport).
Références
- G. Andreoli, F. Schmidt, T. Sedran, E. Gennesseaux, I. Katsamenis, N. Bakalos, R. Julià Ros, M. Cantero, « Inspection et réparation automatisées de l’infrastructure routière : avancée du projet HERON », RGRA n° 1006, novembre 2024.
- I. Katsamenis, M. Bimpas, E. Protopapadakis, C. Zafeiropoulos, D. Kalogeras, A. Doulmanis, N. Doulamis, C. Martín-Portugués Montoliu, Y. Handanos, F. Schmidt, L. Ott, M. Cantero, R. Lopez, “Robotic Maintenance of Road Infrastructure: The HERON Project”, 15th International Conference on Pervasive Technologies Related to Assistive Environment, Petra (Jordanie), 202
- F. de Larrard, T. Sedran, J.-M. Balay, “Removable urban pavements: an innovative, sustainable technology”, International Journal of Pavement Engineering, 2013, 14(1).
- J. Maribas, N. Vulcano-Greullet, F. de Larrard, « Un accès aux réseaux par des chaussées urbaines démontables », RGRA n° 834, janvier 2005.
- E. Gennesseaux, T. Sedran, J. Waligora, D. Guyot, L. Monnier, « Développement d’une chaussée urbaine démontable à couche de surface fonctionnalisée », RGRA n° 994, novembre 2022.
- T. Sedran, E. Gennesseaux, J. Waligora, P. Klein, M.L. Nguyen, J. Cesbron, C. Ropert, L. Monnier, “Development of a Permeable Removable Urban Pavement”, 14th International Symposium on Concrete Roads, Cracovie (Pologne), 2023.
- J. Blanc, P. Hornych, Z. Sotoodeh-Nia, C. Williams, L. Porot, S. Pouget, R. Boysen, J.-P. Planche, D. Lo Presti, A. Jimenez, E. Chailleux, “Full-scale validation of bio-recycled asphalt mixtures for road pavement”, Journal of Cleaner Production, 227, 2019.
- I. Katsamenis, G. Andreoli, M. Skamantzari, N. Bakalos, F. Schmidt, T. Sedran, N. Doulamis, E. Protopapadakis, D. Kalogeras, “UAV-based Localization of Removable Urban Pavement Elements Through Deep Object Detection Methods”, 17th International Conference on Pervasive Technologies Related to Assistive Environment, Petra (Jordanie), 2024.
- G. Andreoli, F. Schmidt, A. Ihamouten, A. Cothenet, T. Dezert, M.L. Nguyen, T. Sedran, “Subsurface characterization of Removable Urban Pavements (RUP) using Ground Penetrating Radar (GPR)”, 20th International Conference on Ground Penetrating Radar (GPR 2024), Jilin University, Changchun (Chine).
