Reprage des fissures de surface et classification de lendommagement par analyse dimages

1
Repérage 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
2
1. 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)

3
1. Contexte
Analyse dimages

• Nouvelles approches mathématiques permettent
  maintenant non seulement de quantifier mais aussi
  de classifier les éléments

4
1. 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

5
1. 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

6
La 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.

7
Applications visées
2. Programme expérimental

• Localiser les zones dintervention prioritaire.
• Suivre lévolution de la surface dans le temps.
• Avoir une banque dimages standardisées.

8
Acquisition dimages
niveaux de gris
Thermographie IR
Couleur
Analyse Texturale
Sélection des parameters GLCM
Sélection des textures appropriées
Classification des dommages (RNA)
Classification des images
9
Limage, 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

10
3. Notions de base
Texture distribution spatiale des niveaux de gris
11
4. Résultats

• Évaluation de lendommagement de surface lié à la
  réaction alcalis-granulats
• Classification de lendommagement typique dans
  les ponts
• Imagerie en trou de forage

12
4.1 Application aux cas de RAG
Eléments de ponts touchés par la RAG
13
Blocs 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
14
Dalles GRAI
Expansion 0,060

• Trois dalles atteintes de RAG (conservées à
  lintérieur)
• 100 cm ? 100 cm ? 25 cm

15
Reconstruction de limage par Haars Wavelets
transform
Filtrage
Image originale
Image reconstruite
16
Exemples de sélection déléments texturaux
Moyenne (fissures secondaires)
Homogénéité (fond)
Dissimilarité (fissure principale)
17
Classification 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

18
Analyse et classification des fissures
19
Mesure de louverture des fissures
1 pixel 0.26 mm
20
Proportion de fissures en fonction de lexpansion
21
Longueur de fissures en fonction de lexpansion
22
4.2 Classification des types de
fissures/dégradation
Fissure principale
Fissuration polygonale
Décollement
Corrosion
23
4.2 Classification des types de
fissures/dégradation
Exemple de classification pour le décollement
sain
endommagé
24
5. 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

25
5. 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

26
5. 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

• Merci.