Title: Reprage des fissures de surface et classification de lendommagement par analyse dimages
1Repérage des fissures de surface et
classification de lendommagement par analyse
dimages
Patrice Rivard et Shahid Kabir Chaire CRSNG
industrielle sur lauscultation des structures
en béton
21. Contexte
Analyse dimages
- Utilisée depuis longtemps pour évaluer certains
paramètres comme la porosité des sols, le nombre
de fissures, etc. - Les techniques traditionnelles consistaient
principalement en des analyses morphologiques
basées sur une série de filtrages et de
seuillages (manuels ou semi-automatiques)
31. Contexte
Analyse dimages
- Nouvelles approches mathématiques permettent
maintenant non seulement de quantifier mais aussi
de classifier les éléments
41. Contexte
Relevé traditionnel des fissures
- Inspection visuelle
- Couteux, long, peut nécessiter fermeture de voies
- Subjectif dépend de lexpérience et compétence
de linspecteur - Peu de données quantitatives
51. Contexte
Relevé traditionnel des fissures
- Inspection visuelle
- Couteux, long, peut nécessiter fermeture de voies
- Subjectif dépend de lexpérience et compétence
de linspecteur - Peu de données quantitatives
6La recherche à lUdeS
2. Programme expérimental
- PhD de Shahid Kabir (juillet 2008)
- Optimiser les diverses étapes de traitement et
classification des images pour évaluer
lendommagement des structures en béton.
7Applications visées
2. Programme expérimental
- Localiser les zones dintervention prioritaire.
- Suivre lévolution de la surface dans le temps.
- Avoir une banque dimages standardisées.
8Acquisition dimages
niveaux de gris
Thermographie IR
Couleur
Analyse Texturale
Sélection des parameters GLCM
Sélection des textures appropriées
Classification des dommages (RNA)
Classification des images
9Limage, une matrice...
3. Notions de base
- Les images sont constituées dune série de pixels
- Matrice sur laquelle on peut faire des
statistiques - Extraction déléments texturaux
103. Notions de base
Texture distribution spatiale des niveaux de gris
114. Résultats
- Évaluation de lendommagement de surface lié à la
réaction alcalis-granulats - Classification de lendommagement typique dans
les ponts - Imagerie en trou de forage
124.1 Application aux cas de RAG
Eléments de ponts touchés par la RAG
13Blocs CANMET
- Trois blocs exposés à lextérieur
- 40 cm x 40 cm x 70 cm
- Différents niveaux dexpansion (réaction
alcalis-granulats)
D2
D1
D3
0.025
0.283
0.340
14Dalles GRAI
Expansion 0,060
- Trois dalles atteintes de RAG (conservées à
lintérieur) - 100 cm ? 100 cm ? 25 cm
15Reconstruction de limage par Haars Wavelets
transform
Filtrage
Image originale
Image reconstruite
16Exemples de sélection déléments texturaux
Moyenne (fissures secondaires)
Homogénéité (fond)
Dissimilarité (fissure principale)
17Classification à laide dun réseau de neurones
artificiels (perceptron multi-couche)
- Quatre intrants image originale et les trois
éléments texturaux - Trois extrants (classes) wide crack, narrow
crack et no crack - Apprentissage supervisé
18Analyse et classification des fissures
19Mesure de louverture des fissures
1 pixel 0.26 mm
20Proportion de fissures en fonction de lexpansion
21Longueur de fissures en fonction de lexpansion
224.2 Classification des types de
fissures/dégradation
Fissure principale
Fissuration polygonale
Décollement
Corrosion
234.2 Classification des types de
fissures/dégradation
Exemple de classification pour le décollement
sain
endommagé
245. Conclusion
- Travail qui a été fait jusquà maintenant
- Détermination du type dimages le plus précis
(niveaux de gris) - Optimisation des paramètres de prétraitement des
images (Haars wavelet GLCM) - Sélection des éléments texturaux les plus
pertinents pour chaque type de dégradation - Méthode de classification des dommages sur une
image
255. Conclusion
- Lapproche préconisée permet à partir dimages
numériques en niveau de gris - De détecter et quantifier les fissures de surface
(longueur, ouverture, proportion) - De classifier les fissures de surface
265. Conclusion
- Travaux futurs (défis)
- Automatisation de lacquisition
- Classification et indexation des images (niveau
de dégradation) - Gestion des images (banque)
- Reconstitution en 3D
- Imagerie subsurface (Radar)
27