Qu’est-ce que le filtrage contextuel des défauts ?

Le filtrage contextuel des défauts est une stratégie de filtrage d’inférence contextuelle qui supprime les étiquettes de défauts prédites en évaluant leur applicabilité au type de matériau de surface détecté et au domaine structurel. Dans TarmacView, le filtrage contextuel des défauts fonctionne comme une couche de validation post-inférence — après que le modèle de vision par ordinateur produit des prédictions brutes de défauts avec des scores de confiance, la logique de filtrage inspecte chaque prédiction par rapport à un tableau d’applicabilité prédéfini qui associe les types de défauts aux contextes de surface compatibles. Les prédictions signalées pour des défauts structurellement impossibles ou non pertinents sur la surface donnée sont supprimées avant d’apparaître dans le rapport d’inspection final. Ce mécanisme répond directement à l’un des défis les plus persistants de l’inspection automatisée des infrastructures : les prédictions fausses positives résultant d’une inadéquation de domaine entre les données d’entraînement et les conditions d’inférence.

Le problème : les faux positifs sur les mauvais types de surfaces

Les modèles automatisés de détection des défauts sont entraînés sur des ensembles de données qui contiennent généralement des images de types d’infrastructures spécifiques — ponts en béton, routes asphaltées, façades de bâtiments ou pistes d’aéroport. Lorsqu’ils sont déployés dans des scénarios d’inspection réels, ces modèles rencontrent des types de surfaces et des contextes structurels qui peuvent différer de leur distribution d’entraînement. Un modèle d’apprentissage profond entraîné exclusivement sur des défauts de ponts en béton armé apprendra des caractéristiques visuelles associées à l’écaillage (surfaces de béton fracturées), l’efflorescence (dépôts cristallins blancs) et les armatures exposées (acier oxydé visible à travers le béton cassé). Lorsque ce même modèle traite une image de chaussée asphaltée, il peut activer ces mêmes détecteurs de caractéristiques sur des textures de surface qui ressemblent visuellement à des défauts du béton — une zone rugueuse d’asphalte vieilli peut déclencher le détecteur d’écaillage, tandis qu’une particule de granulat de couleur claire exposée par désenrobage peut activer le détecteur d’efflorescence.

La conséquence est des prédictions fausses positives — des étiquettes de défauts signalées sur des surfaces où ces défauts sont structurellement impossibles. Les faux positifs dans l’inspection des infrastructures entraînent des coûts opérationnels significatifs. Ils font perdre du temps aux inspecteurs en nécessitant une vérification manuelle de prédictions connues pour être invalides. Ils dégradent la qualité statistique des rapports d’inspection en gonflant les comptages de défauts et les distributions de sévérité. Dans les pires scénarios, les faux positifs peuvent déclencher des actions de maintenance inutiles, détournant des budgets de maintenance limités loin des défauts réels. Une recherche publiée dans Automation in Construction (2023) a révélé que les taux de faux positifs dans la détection automatisée des détresses de chaussée variaient de 15 % à 35 % selon l’architecture du modèle et la composition des données d’entraînement. Une étude séparée dans le Journal of Infrastructure Systems a documenté que la suppression des faux positifs par filtrage contextuel améliorait la précision d’inspection de plus de 40 % par rapport aux sorties non filtrées du modèle.

La cause profonde des faux positifs liés au type de surface réside dans le paradigme des données d’entraînement. La plupart des modèles de détection des défauts sont entraînés sur des ensembles de données mono-domaine — un modèle entraîné sur l’ensemble de données SDNET2018 de tabliers de pont, par exemple, apprend à associer certains motifs de texture à des étiquettes de fissures. Lorsque ce modèle rencontre la texture distinctive d’une chaussée à scellement de gravillons ou le motif de surface d’une piste en béton rainurée, les détecteurs de caractéristiques appris peuvent se déclencher incorrectement. Le modèle n’a aucune compréhension intrinsèque que certains types de défauts sont physiquement impossibles sur certaines surfaces — il ne connaît que des associations pixels-étiquettes issues de sa distribution d’entraînement. Le filtrage contextuel des défauts comble cette lacune en injectant la connaissance explicite du domaine comme contrainte stricte au moment de l’inférence.

Logique de filtrage des défauts

La logique de filtrage des défauts dans TarmacView fonctionne comme un filtre déterministe appliqué après le passage d’inférence principal. L’architecture suit un pipeline en trois étapes : classification de surface, inférence de domaine et filtrage des étiquettes.

Étape 1 — Classification de surface : Pour chaque tuile d’image ou cadre dans l’ensemble de données d’inspection, le système détermine le type de matériau de surface. Cela peut être accompli par plusieurs méthodes : classification basée sur les métadonnées (le projet d’inspection définit explicitement le type de surface pour chaque actif), classification visuelle de surface (un modèle de classificateur léger prédit le béton ou l’asphalte à partir des caractéristiques visuelles), ou fusion de capteurs (combinant les données visuelles avec des données LIDAR ou spectrales pour l’identification des matériaux). Le classificateur de surface fonctionne indépendamment du modèle de détection des défauts et fournit le contexte matériel nécessaire aux décisions de filtrage.

Étape 2 — Inférence de domaine : Le contexte de domaine structurel — pont, bâtiment, chaussée, piste ou béton-générique — est déterminé à partir du registre des actifs, de la configuration du projet ou d’un classificateur de domaine dédié. L’inférence de domaine fournit une couche supplémentaire de contexte au-delà du type de surface. Par exemple, une surface en béton pourrait appartenir à un domaine de tablier de pont, un domaine de façade de bâtiment ou un domaine de chaussée en béton, chacun avec des règles d’applicabilité des défauts différentes. Certains défauts ne sont pertinents que dans des domaines structurels spécifiques : l’écaillage des joints est pertinent sur les tabliers de pont et les chaussées en béton mais rarement sur les façades de bâtiments, tandis que l’efflorescence sur les murs intérieurs de bâtiments a des implications de sévérité différentes de l’efflorescence sur les infrastructures de pont.

Étape 3 — Filtrage des étiquettes : Chaque étiquette de défaut prédite est recherchée dans le tableau d’applicabilité des défauts pour la combinaison du type de surface et du domaine inféré. Le tableau spécifie si chaque étiquette de défaut est autorisée, bloquée ou conditionnelle pour chaque contexte. Les étiquettes autorisées passent vers la sortie finale. Les étiquettes bloquées sont supprimées indépendamment du score de confiance. Les étiquettes conditionnelles sont évaluées selon des critères supplémentaires — par exemple, la détection de fissures sur les surfaces en béton peut être autorisée mais seulement au-dessus d’un seuil de confiance plus élevé que sur les surfaces asphaltées, où les fissures sont plus courantes et visuellement distinctes.

La formulation mathématique de la décision de filtrage est :

g(L, S, D) = {
  1 si A(L, S, D) = autorisé
  0 si A(L, S, D) = bloqué
  f(C(L), T(S, D)) si A(L, S, D) = conditionnel
}

Où L est l’étiquette de défaut, S est le type de surface, D est le domaine structurel, A est la fonction d’applicabilité, C(L) est la confiance du modèle pour l’étiquette L, et T(S, D) est le seuil de confiance pour la combinaison surface-domaine donnée. Pour les étiquettes conditionnelles avec des scores de confiance inférieurs au seuil, la prédiction est également supprimée.

Cette approche déterministe garantit que les décisions de filtrage sont reproductibles et explicables — contrairement aux approches de filtrage apprises qui peuvent introduire leurs propres modes de défaillance, le filtrage codé en dur fournit une garantie que certaines catégories de faux positifs n’apparaîtront jamais dans la sortie.

Classification du type de surface pour le filtrage

La classification du type de surface est le composant fondamental du pipeline de filtrage des défauts. Une identification précise du matériau est essentielle car les décisions de filtrage découlent de la détermination du type de surface — une surface mal classifiée rend toute la stratégie de filtrage inefficace pour cette tuile ou ce cadre.

TarmacView prend en charge trois méthodes de classification de surface, sélectionnables en fonction des données disponibles et des exigences opérationnelles :

La classification basée sur les métadonnées utilise des informations préexistantes sur l’actif inspecté pour déterminer le type de surface. Les bases de données de gestion des chaussées aéroportuaires, les systèmes d’inventaire des ponts et les registres d’actifs des bâtiments spécifient généralement les matériaux de construction pour chaque élément. Un projet d’inspection de pont hérite automatiquement de la classification du type de surface à partir du registre d’inventaire du pont : tablier en béton, revêtement asphalté, poutres en acier, etc. La classification basée sur les métadonnées est la méthode la plus fiable lorsque des enregistrements précis existent, car elle découple la classification de surface de l’inférence visuelle et élimine les erreurs de classification à l’entrée du filtrage.

La classification visuelle de surface applique un modèle d’apprentissage automatique dédié entraîné à distinguer le béton, l’asphalte, les composites et autres matériaux de surface à partir des seules données d’image. Le classificateur de surface opère au niveau de la tuile (généralement 256×256 ou 512×512 pixels) et produit une distribution de probabilité sur les types de surface. Le classificateur est entraîné sur un ensemble de données diversifié d’images de surfaces d’infrastructures étiquetées par type de matériau. Les caractéristiques utilisées par le classificateur comprennent la distribution des couleurs (le béton tend vers le gris-bleu, l’asphalte vers le gris-noir), les statistiques de texture (le béton a une exposition plus prononcée des granulats, l’asphalte a une couverture de liant plus uniforme) et les motifs structurels (joints de béton contre coutures de chaussée asphaltée). La classification visuelle atteint une précision supérieure à 95 % sous des conditions d’éclairage et de surface cohérentes mais se dégrade dans des conditions difficiles telles que les surfaces mouillées, les ombres prononcées ou les traitements de surface nouveaux.

La classification par fusion de capteurs combine les données visuelles avec des modalités de capteurs supplémentaires pour une identification robuste des matériaux. Les retours d’intensité LIDAR diffèrent entre les surfaces en béton et en asphalte, fournissant un signal complémentaire indépendant de l’apparence visuelle. L’imagerie hyperspectrale peut distinguer la composition des matériaux grâce aux signatures de réflectance spectrale. L’imagerie infrarouge thermique révèle les différences de conductivité thermique entre les matériaux de surface. La fusion de capteurs est la méthode de classification la plus robuste mais nécessite du matériel supplémentaire et une infrastructure de traitement de données.

La sortie de la classification du type de surface alimente directement la logique de filtrage des défauts. Chaque tuile ou cadre reçoit une étiquette de type de surface — béton, asphalte, composite, métal ou inconnu — ainsi qu’un score de confiance de classification. Les tuiles dont la confiance de classification est inférieure à un seuil configurable (par défaut 0,85) utilisent par défaut la configuration de filtrage la plus conservative, n’autorisant généralement que les défauts universels pour éviter les faux positifs dus à une mauvaise classification.

Inférence de domaine

L’inférence de domaine étend le contexte de filtrage du matériau de surface à la fonction structurelle — le rôle que l’élément inspecté sert au sein du système d’infrastructure. La classification du domaine est essentielle car le même matériau de surface peut héberger différents types de défauts selon sa fonction structurelle et ses conditions de charge.

TarmacView définit cinq domaines structurels principaux pour le filtrage des défauts :

Le domaine pont englobe tous les éléments structurels des infrastructures de pont : tablier, poutres, piles, culées, appareils d’appui et dalles de transition. Les types de défauts pertinents pour le domaine pont comprennent les défauts spécifiques au béton (écaillage, efflorescence, armatures exposées, fissures de corrosion), les défauts universels (fissures, écaillage superficiel, abrasion) et les défauts spécifiques aux ponts (déplacement des appareils d’appui, dommages aux joints, exposition à l’affouillement). Le domaine pont applique l’ensemble le plus complet de règles d’applicabilité des défauts car les ponts combinent des éléments structurels en béton soumis à des charges cycliques élevées avec des surfaces de chaussée sur les travées d’approche.

Le domaine bâtiment couvre les éléments structurels et non structurels des bâtiments, y compris les colonnes, poutres, dalles, murs et fondations. Les défauts des bâtiments mettent l’accent sur les mécanismes de détérioration spécifiques au béton tels que la corrosion induite par la carbonatation, la réaction alcali-silice (RAS) et les dommages dus au gel-dégel. L’efflorescence sur les façades des bâtiments est un indicateur courant d’infiltration d’humidité et est priorisée dans le filtrage du domaine bâtiment. Le domaine bâtiment exclut généralement les défauts spécifiques aux chaussées tels que l’orniérage et le désenrobage, bien que les fissures restent universelles.

Le domaine chaussée comprend les surfaces routières, les aires de stationnement et les chaussées de transport générales. Le domaine chaussée priorise les types de détresse définis par les indices standardisés de condition des chaussées : ASTM D5340 pour les chaussées aéroportuaires et ASTM D6433 pour les routes et parkings. Les étiquettes de défauts dans le domaine chaussée incluent le désenrobage, le ressuage, l’orniérage, le refoulement, l’altération et la fissuration de tous types (longitudinale, transversale, en bloc, en faïençage). Les défauts structurels spécifiques au béton (écaillage, armatures exposées) sont bloqués dans le domaine chaussée, sauf si la chaussée est explicitement classifiée comme chaussée en béton, auquel cas l’écaillage des joints et les cassures d’angle sont autorisés.

Le domaine piste s’applique spécifiquement aux chaussées aéroportuaires selon les normes de l’Annexe 14 de l’OACI et les circulaires consultatives de la FAA. Le filtrage des pistes est le plus restrictif car la nature critique pour la sécurité des opérations aéroportuaires exige des taux de faux positifs minimaux. Les étiquettes de défauts dans le domaine piste incluent les types de détresse de surface qui affectent les caractéristiques de friction, le potentiel de production de corps étrangers (FOD) et la capacité portante. Les défauts spécifiques aux pistes tels que l’accumulation de dépôts de caoutchouc, les dommages dus aux déversements de carburant et l’érosion par souffle de réacteur ne sont autorisés que dans ce domaine. Les défauts structurels spécifiques au béton ne sont autorisés que sur les sections de piste classifiées comme chaussée en béton (généralement les zones à forte charge telles que les extrémités de piste et les intersections).

Le domaine béton-générique sert de solution de repli pour les structures en béton qui ne correspondent pas aux catégories pont, bâtiment ou chaussée dédiée. Cela comprend les murs de soutènement, les ponceaux, les canaux de drainage, les écrans antibruit et les structures marines. Le domaine béton-générique autorise tous les défauts spécifiques au béton et universels mais exclut les défauts spécifiques au domaine qui nécessitent un contexte structurel spécialisé.

L’inférence de domaine peut être réalisée par plusieurs canaux : consultation du registre des actifs (la plus fiable), configuration du projet (spécifiée par l’utilisateur lors de la configuration de l’inspection), classificateur visuel de domaine (basé sur la forme structurelle et les caractéristiques contextuelles), ou recoupement des coordonnées GPS avec des bases de données géospatiales d’infrastructures (les ponts, bâtiments et chaussées sont généralement cartographiés dans des couches SIG séparées).

Tableaux d’applicabilité des étiquettes de défauts

Le tableau d’applicabilité des étiquettes de défauts est le cœur opérationnel du système de filtrage. Chaque ligne du tableau spécifie une étiquette de défaut, les types de surfaces sur lesquels elle est autorisée, les domaines structurels dans lesquels elle est pertinente, et toutes règles conditionnelles qui modifient le comportement de filtrage.

Le tableau d’applicabilité est configurable au niveau du projet dans TarmacView. Les utilisateurs peuvent modifier les attributions autorisé/bloqué/conditionnel pour chaque étiquette de défaut en fonction de leurs exigences d’inspection spécifiques et de leur connaissance locale de l’infrastructure inspectée. Un projet d’inspection de pont dans une région avec des ponts à poutres en acier, par exemple, peut ajouter des étiquettes de défauts spécifiques au métal dans le tableau de filtrage. Un projet d’inspection de chaussée aéroportuaire peut configurer le filtrage pour autoriser les défauts spécifiques au béton uniquement sur les sections de piste connues pour avoir une chaussée en béton tout en les bloquant sur les sections de piste en asphalte.

Les entrées conditionnelles dans le tableau déclenchent des règles d’évaluation secondaires. Par exemple, la fissuration sur les surfaces en béton peut être conditionnelle à une largeur minimale de fissure (seules les fissures plus larges que 0,3 mm sont signalées), tandis que la fissuration sur les surfaces asphaltées peut être conditionnelle au motif de fissuration (seul le faïençage dans les zones de charge est signalé). Ces règles conditionnelles ajoutent une deuxième couche de validation spécifique au domaine au-delà de la vérification du type de surface.

Défauts spécifiques au béton vs défauts universels

La distinction entre les défauts spécifiques au béton et les défauts universels est fondamentale pour l’architecture de filtrage. Les défauts spécifiques au béton proviennent de mécanismes de détérioration qui sont uniques au béton en tant que matériau de construction — corrosion de l’armature en acier enrobée, réactions alcali-granulats, dégradation induite par la carbonatation et dommages dus au gel-dégel qui produisent des motifs caractéristiques d’écaillage et de desquamation. Ces défauts sont structurellement impossibles sur les surfaces asphaltées, où les mécanismes de détérioration sont entièrement différents : oxydation du liant, désenrobage des granulats et déformation permanente sous charge de trafic.

Les défauts spécifiques au béton qui sont bloqués sur les surfaces non bétonnées comprennent :

L’écaillage est la fracture et le déplacement du béton de surface causés par des contraintes internes — le plus souvent par l’expansion de corrosion des barres d’armature enrobées. Les produits de corrosion (oxydes et hydroxydes de fer) occupent jusqu’à six fois le volume de l’acier d’origine, générant des contraintes de traction qui dépassent la résistance à la traction du béton. L’écaillage qui en résulte expose l’armature à une corrosion supplémentaire et accélère le cycle de détérioration. L’écaillage est signalé selon les degrés de sévérité définis par ASTM D5340 : faible (moins de 1 pouce de profondeur), moyen (1–2 pouces) et élevé (plus de 2 pouces). La logique de filtrage autorise les prédictions d’écaillage uniquement sur les surfaces en béton dans les domaines pont, bâtiment et béton-générique.

L’efflorescence est le dépôt de sels cristallins blancs sur les surfaces en béton formé lorsque l’eau dissout les sels solubles de la matrice du béton et les dépose à la surface par évaporation. L’efflorescence elle-même n’est pas structurellement dommageable, mais elle est un indicateur critique de la migration d’humidité à travers le béton, qui peut transporter des chlorures vers l’armature et accélérer la corrosion. La détection d’efflorescence est autorisée exclusivement sur les surfaces en béton et est plus significative dans les domaines pont et bâtiment où l’infiltration d’humidité a des implications structurelles.

Les armatures exposées se réfèrent à l’acier de renfort qui est devenu visiblement exposé en raison de l’écaillage, de l’abrasion ou de défauts de construction. Les armatures exposées représentent un danger pour la sécurité structurelle car la section exposée est en corrosion active et la section transversale restante de l’armature peut être inadéquate pour les charges de conception. La logique de filtrage des défauts autorise les prédictions d’armatures exposées uniquement sur les surfaces en béton, car les barres d’armature ne sont pas présentes dans l’asphalte ou d’autres matériaux de surface. La présence d’armatures exposées dans la sortie déclenche une escalade automatique de la sévérité dans le rapport d’inspection.

La corrosion en tant qu’étiquette de défaut englobe les taches de rouille, les motifs de fissuration induits par la corrosion et les produits de corrosion visibles sur les surfaces en béton. La corrosion sur les surfaces en béton se manifeste par des taches brun-orange le long des chemins d’armatures, des coulures de couleur rouille provenant des armatures exposées et des motifs de fissuration qui suivent la disposition des armatures. Ces signatures visuelles sont distinctes de tout défaut possible sur les surfaces asphaltées, rendant les prédictions de corrosion sur asphalte des faux positifs presque certains.

Les défauts universels qui sont autorisés sur tous les types de surfaces et tous les domaines comprennent :

La fissuration apparaît sur toutes les surfaces d’infrastructure et est l’étiquette de défaut la plus universellement applicable. La logique de filtrage autorise les prédictions de fissuration sur les surfaces en béton, asphalte, métal et composite dans tout domaine. Cependant, la classification des fissures peut différer selon le contexte — une fissure sur un tablier de pont en béton peut être classifiée comme structurelle ou non structurelle en fonction de sa largeur et de son motif, tandis qu’une fissure sur une chaussée asphaltée est classifiée par type (fatigue, bloc, bordure, réflexion) selon les normes d’identification des détresses ASTM.

L’altération englobe la détérioration de surface due à l’exposition environnementale — rayonnement UV, cycles de température, humidité et attaque chimique. Sur le béton, l’altération se manifeste par une perte du mortier de surface et une exposition des granulats. Sur l’asphalte, l’altération apparaît comme une fragilisation du liant et une fissuration de surface. L’étiquette d’altération est universellement autorisée, bien que les critères d’évaluation de sévérité diffèrent selon le type de surface.

L’écaillage superficiel est la desquamation ou le pelage du matériau de surface dans des zones discrètes. Sur le béton, l’écaillage superficiel résulte généralement de cycles de gel-dégel ou d’attaque chimique. Sur l’asphalte, les motifs ressemblant à de l’écaillage peuvent résulter du désenrobage ou d’une défaillance du liant. La logique de filtrage autorise l’écaillage superficiel sur les surfaces en béton et en asphalte mais le bloque sur les surfaces métalliques où le défaut équivalent serait classifié comme corrosion ou défaillance du revêtement.

Filtrage des prédictions au niveau de la tuile vs au niveau du cadre

La granularité à laquelle le filtrage est appliqué a des implications significatives à la fois pour la précision et l’efficacité computationnelle. TarmacView prend en charge deux modes de filtrage : le filtrage au niveau de la tuile et le filtrage au niveau du cadre.

Le filtrage au niveau de la tuile applique le filtrage d’applicabilité des défauts indépendamment à chaque tuile d’image — une petite région recadrée du cadre d’inspection complet, généralement 256×256 ou 512×512 pixels. Chaque tuile est individuellement classifiée pour le type de surface, et les prédictions de défauts dans cette tuile sont filtrées selon le type de surface de la tuile. Le filtrage au niveau de la tuile est essentiel pour les actifs avec une composition de surface hétérogène. Un pont avec un tablier en béton, des travées d’approche asphaltées et des garde-corps en acier aura des tuiles couvrant chaque type de surface. Sans filtrage au niveau de la tuile, un défaut spécifique au béton prédit sur une tuile d’approche asphaltée apparaîtrait dans la sortie comme un faux positif. Avec le filtrage au niveau de la tuile, la tuile d’asphalte reçoit des règles de filtrage appropriées à l’asphalte et la prédiction spécifique au béton est supprimée.

Le filtrage au niveau de la tuile introduit une surcharge computationnelle supplémentaire car la classification de surface doit être effectuée pour chaque tuile indépendamment. Cependant, le classificateur de surface est un modèle léger — généralement une variante MobileNet ou EfficientNet avec moins de 10 millions de paramètres — qui ajoute une latence minimale par rapport au modèle principal de détection des défauts. Les benchmarks de TarmacView montrent que le filtrage au niveau de la tuile ajoute environ 8 à 12 % au temps d’inférence total sur les pipelines de traitement accélérés par GPU tout en réduisant les taux de faux positifs de 60 à 75 % sur les actifs hétérogènes.

Le filtrage au niveau du cadre applique une classification unique de type de surface et de domaine à l’ensemble du cadre d’inspection et filtre toutes les prédictions de défauts dans ce cadre uniformément. Le filtrage au niveau du cadre est approprié pour les actifs avec une composition de surface homogène — une section entière de chaussée de piste, une façade de bâtiment ou une poutre de pont entièrement constituée d’un seul matériau. Les économies computationnelles sont substantielles : la classification de surface est effectuée une fois par cadre plutôt qu’une fois par tuile, réduisant la surcharge de filtrage à environ 2 à 4 % du temps d’inférence total.

Le choix entre le filtrage au niveau de la tuile et au niveau du cadre est configuré au niveau du projet dans TarmacView. La valeur par défaut recommandée est le filtrage au niveau de la tuile pour tous les projets d’inspection, le filtrage au niveau du cadre étant réservé aux projets où la composition de surface de l’actif est vérifiée comme homogène et où le gain d’efficacité computationnelle est opérationnellement significatif. Un mécanisme de repli bascule automatiquement les tuiles mal classifiées vers la configuration de filtrage la plus conservative pour maintenir la robustesse.

Le filtrage multi-résolution est un mode avancé qui applique le filtrage au niveau de la tuile à la résolution native du modèle de détection des défauts tout en agrégeant les classifications de surface sur plusieurs tuiles pour l’inférence de domaine au niveau du cadre. Cette approche hybride combine la précision de l’attribution du matériau au niveau de la tuile avec la robustesse de la classification du domaine structurel au niveau du cadre, offrant le meilleur des deux modes de filtrage.

Défauts spécifiques au béton vs défauts spécifiques à l’asphalte

La symétrie de filtrage entre les surfaces en béton et en asphalte est un principe de conception critique. Tout comme les défauts spécifiques au béton sont bloqués sur les surfaces asphaltées, les défauts spécifiques à l’asphalte sont également bloqués sur les surfaces en béton. Ce filtrage bidirectionnel garantit que le système ne produit pas de faux positifs dans les deux directions.

Les défauts spécifiques à l’asphalte qui sont bloqués sur les surfaces non asphaltées comprennent :

Le ressuage est la migration vers le haut du liant d’asphalte à la surface de la chaussée, formant un film brillant et réfléchissant. Le ressuage se produit lorsque la teneur en liant est excessive, que la chaussée est sur-compactée ou que des températures élevées provoquent l’expansion du liant. Sur les surfaces en béton, il n’y a pas de matériau liant à migrer, rendant la détection du ressuage impossible. Toute prédiction du modèle de ressuage sur une surface en béton est un faux positif garanti causé par le modèle interprétant mal l’humidité de surface ou un scellant comme un film de liant.

L’orniérage est une déformation permanente dans les voies de roulement causée par la consolidation ou la rupture par cisaillement de la structure de la chaussée asphaltée. L’orniérage produit des dépressions longitudinales qui collectent l’eau et réduisent la qualité de service de la chaussée. Les chaussées en béton ne s’ornièrent pas — elles peuvent présenter des défauts de dalles, de l’écaillage ou des fissures sous le trafic, mais le mécanisme de déformation est fondamentalement différent. Les prédictions d’orniérage sur les surfaces en béton sont supprimées par la logique de filtrage.

Le désenrobage est le délogement progressif des particules de granulats de la surface asphaltée en raison du vieillissement ou du décapage du liant. Les surfaces en béton peuvent présenter une exposition des granulats par l’altération ou l’écaillage superficiel, mais le mécanisme est distinct du désenrobage de l’asphalte. La logique de filtrage distingue l’altération (universel) du désenrobage (spécifique à l’asphalte) en fonction de la classification du type de surface.

Le refoulement est le déplacement longitudinal du matériau de la chaussée asphaltée, généralement aux intersections ou autres zones de forte charge de cisaillement. Le refoulement crée des vagues ou des ondulations dans la surface de la chaussée. Les surfaces en béton ne présentent pas de refoulement — elles peuvent présenter des défauts de dalles ou un déplacement aux joints, mais le mode de défaillance est distinct. La logique de filtrage bloque les prédictions de refoulement sur les surfaces en béton.

Désactivation du filtrage (–no-defect-gating)

TarmacView fournit un indicateur de ligne de commande –no-defect-gating et un paramètre API équivalent qui désactive toute la logique de filtrage et produit les prédictions brutes du modèle sans aucun filtrage par type de surface ou domaine. Cette capacité prend en charge plusieurs scénarios opérationnels :

Débogage et validation du modèle — lors du développement ou du réglage fin des modèles de détection des défauts, les chercheurs doivent examiner toutes les sorties du modèle, y compris les prédictions sur des types de surfaces incompatibles. La désactivation du filtrage révèle le comportement du modèle dans tous les contextes, permettant l’identification de motifs systématiques de faux positifs qui peuvent être traités par l’augmentation des données d’entraînement ou l’amélioration de l’architecture du modèle. Les métriques de validation du modèle calculées avec le filtrage activé seraient artificiellement gonflées car le filtrage supprime les faux positifs connus — les équipes de validation doivent calculer la précision et le rappel à la fois avec et sans filtrage pour comprendre la performance intrinsèque du modèle par rapport à la performance délivrée du système.

Évaluation de la qualité des données d’entraînement — l’inspection des prédictions brutes du modèle avec le filtrage désactivé peut révéler des données d’entraînement mal étiquetées. Si un modèle prédit systématiquement l’écaillage sur des surfaces asphaltées dans l’ensemble de données d’entraînement, les images sources peuvent avoir été mal étiquetées — peut-être qu’un patch d’asphalte sur une surface en béton a été étiqueté comme béton, ou que l’annotation d’entraînement a attribué une étiquette de défaut spécifique au béton à une image d’une surface composite ou revêtue. Ces problèmes de qualité des données seraient masqués par le filtrage en production mais sont exposés lorsque le filtrage est désactivé.

Types de surfaces inconnus ou mixtes — lorsque le type de surface ne peut pas être déterminé de manière fiable par une méthode de classification disponible, la configuration la plus sûre peut être de désactiver entièrement le filtrage et de présenter toutes les prédictions du modèle pour révision humaine plutôt que de risquer de bloquer un défaut réel par une classification incorrecte de la surface. Le mode –no-defect-gating est recommandé pour les projets d’inspection où les actifs ont des surfaces nouvelles, des matériaux expérimentaux ou des traitements de surface composites que le classificateur de surface n’a pas été entraîné à reconnaître.

Recherche inter-domaines — les chercheurs étudiant les caractéristiques des défauts à travers différents types d’infrastructures bénéficient de sorties non filtrées qui montrent comment la même étiquette de défaut se manifeste sur différentes surfaces. Par exemple, comparer la morphologie des fissures sur les tabliers de pont en béton par rapport aux chaussées asphaltées nécessite l’accès aux prédictions sur les deux types de surfaces sans filtrage.

Lorsque le filtrage est désactivé, toutes les prédictions du modèle sont incluses dans la sortie à côté de la classification du type de surface pour référence. Un champ de métadonnées dans la sortie de prédiction indique que le filtrage a été désactivé, permettant aux pipelines de traitement en aval d’appliquer leur propre filtrage ou de signaler les prédictions pour révision manuelle. La recommandation dans la documentation de TarmacView est d’activer le filtrage pour toutes les campagnes d’inspection de production et de désactiver le filtrage uniquement pour les cas d’utilisation spécifiques décrits ci-dessus, en comprenant que les sorties brutes du modèle contiendront significativement plus de faux positifs que les sorties filtrées.

Impact sur la précision et le rappel

L’introduction du filtrage des défauts produit un changement mesurable dans l’équilibre précision-rappel du système d’inspection automatisé. Comprendre ces compromis est essentiel pour configurer le filtrage de manière appropriée pour différents contextes opérationnels.

L’amélioration de la précision est le principal avantage du filtrage des défauts. La précision — la fraction des étiquettes positives prédites qui correspondent à des défauts réels — augmente car la suppression des catégories de défauts connues comme impossibles réduit le dénominateur du calcul de précision sans affecter le numérateur (détections réellement positives). Dans les déploiements terrain de TarmacView, le filtrage des défauts a atteint des améliorations de précision allant de 35 % à 55 % selon les types d’actifs et les compositions de surface. Les inspections de ponts en béton montrent les plus grands gains de précision (45–55 %) car le nombre d’étiquettes de défauts spécifiques au béton qui peuvent se déclencher sur des tuiles non bétonnées est le plus important dans les actifs de ponts hétérogènes. Les inspections de chaussées de pistes montrent des gains de précision plus modestes (20–30 %) car la composition de surface est généralement plus homogène.

La réduction du rappel est le coût potentiel du filtrage des défauts. Le rappel — la fraction des défauts réels qui sont correctement identifiés par le système — peut diminuer si la configuration de filtrage bloque incorrectement des prédictions de défauts valides. Cela peut se produire par deux mécanismes : la mauvaise classification du type de surface (une tuile en béton mal classifiée comme asphalte entraînant le blocage des défauts spécifiques au béton), ou une configuration de domaine trop restrictive (une structure béton-générique attribuée au domaine chaussée où les défauts spécifiques au béton sont bloqués). En pratique, la réduction du rappel due au filtrage est typiquement de 2 à 5 % dans les systèmes bien configurés, substantiellement plus faible que les gains de précision.

Le score F1 — la moyenne harmonique de la précision et du rappel — s’améliore de 15 à 25 % dans les déploiements typiques de TarmacView avec le filtrage des défauts activé, reflétant l’impact net positif de la suppression des faux positifs malgré le coût mineur en rappel.

Remarque : Les plages reflètent les performances observées sur différents types d’actifs, compositions de surface et architectures de modèles dans les déploiements terrain de TarmacView.

Les courbes précision-rappel avec et sans filtrage montrent le déplacement systématique vers une précision plus élevée à tous les seuils de confiance. La courbe avec filtrage activé se situe au-dessus et à droite de la courbe sans filtrage, indiquant que pour tout niveau de rappel donné, le système atteint une précision plus élevée lorsque le filtrage est actif. L’aire sous la courbe précision-rappel (AUC-PR) augmente de 12 à 20 points de pourcentage avec le filtrage activé.

La signification opérationnelle de ces améliorations métriques est substantielle. Une précision de 0,85 signifie que 85 prédictions de défauts sur 100 dans le rapport d’inspection correspondent à des défauts réels, contre seulement 60 sur 100 sans filtrage. Cela se traduit directement par une réduction du temps de vérification de l’inspecteur — moins de faux positifs à examiner et rejeter manuellement — et une confiance plus élevée dans la qualité des données d’inspection pour les décisions de planification de maintenance.

Futur : filtrage appris

La génération actuelle de filtrage des défauts utilise des tableaux d’applicabilité codés en dur avec des règles déterministes d’autorisation/refus/conditionnel. Cette approche offre fiabilité, explicabilité et une suppression garantie des faux positifs pour les relations défaut-surface bien comprises. Cependant, elle a des limitations : elle ne peut pas s’adapter à de nouveaux matériaux de surface ou types de défauts sans mises à jour manuelles de configuration, elle ne peut pas gérer les cas ambigus où le type de surface est incertain, et elle ne peut pas apprendre des retours opérationnels pour améliorer ses décisions de filtrage au fil du temps.

Le filtrage appris représente la prochaine évolution de l’architecture de filtrage. Au lieu de règles codées en dur, un réseau de filtrage appris prédit l’applicabilité des défauts directement à partir des caractéristiques visuelles et des métadonnées contextuelles. Le réseau de filtrage est entraîné sur un ensemble de données de prédictions de défauts associées à des retours fournis par des humains sur leur applicabilité — recueillis auprès d’inspecteurs qui examinent et acceptent ou rejettent les prédictions de défauts pendant leur flux de travail normal. Au fil du temps, le modèle de filtrage apprend à distinguer les prédictions de défauts applicables des inapplicables avec une précision croissante, y compris pour les nouvelles combinaisons défaut-surface qui n’étaient pas présentes dans l’ensemble de règles initial.

L’architecture de filtrage appris s’intègre au modèle principal de détection des défauts via un tronc de caractéristiques partagé. Les premières étapes du réseau neuronal extraient des caractéristiques visuelles polyvalentes de l’image d’entrée. Ces caractéristiques sont ensuite acheminées vers deux têtes parallèles : la tête de détection des défauts (prédisant les étiquettes de défauts, les boîtes englobantes et les scores de confiance) et la tête de filtrage (prédisant les scores d’applicabilité pour chaque étiquette de défaut compte tenu des caractéristiques visuelles et contextuelles). La sortie de la tête de filtrage est un vecteur de probabilités d’applicabilité — une par étiquette de défaut — qui module la sortie de prédiction finale. Une probabilité de filtrage inférieure à 0,5 supprime la prédiction indépendamment du score de confiance de la tête de détection.

Le filtrage probabiliste étend le concept de filtrage appris en remplaçant les décisions binaires autorisation/refus par des scores d’applicabilité continus. Au lieu d’un seuil de suppression strict, le filtrage probabiliste produit une confiance de filtrage qui est multipliée par la confiance de détection pour produire un score de confiance final. Cela permet au système de gérer l’incertitude — un défaut sur une surface qui est 70 % susceptible d’être en béton et 30 % en asphalte reçoit un score de filtrage de 0,70 pour les défauts spécifiques au béton, réduisant leur confiance plutôt que de les bloquer entièrement. La prédiction finale porte une confiance combinée qui reflète à la fois la certitude de détection et l’applicabilité contextuelle.

Le filtrage adaptatif ajuste les seuils de filtrage en fonction des profils de risque opérationnels. Un scénario d’inspection à haut risque — une piste d’aéroport avec des opérations de vol actives, ou un pont avec des déficiences structurelles connues — peut adopter des seuils de filtrage conservateurs qui priorisent la précision sur le rappel, acceptant un risque plus élevé de faux négatifs pour minimiser les perturbations dues aux faux positifs. Un scénario d’inspection à faible risque — un relevé de chaussée de routine sur une route à faible trafic — peut adopter des seuils de filtrage permissifs qui priorisent le rappel sur la précision, acceptant plus de faux positifs pour garantir qu’aucun défaut réel n’est manqué. Le cadre de filtrage adaptatif permet au système d’ajuster son comportement au contexte opérationnel sans reconfiguration manuelle.

L’apprentissage en ligne pour le filtrage permet au modèle de filtrage de s’améliorer en continu grâce aux retours opérationnels. Lorsqu’un inspecteur accepte ou rejette une prédiction dans l’interface de révision de TarmacView, ce retour est enregistré et utilisé pour mettre à jour le modèle de filtrage. Au fil du temps, le système apprend quelles prédictions de défauts sur quelles combinaisons de surface et de domaine sont les plus susceptibles d’être applicables, convergeant vers un comportement de filtrage optimal pour chaque type d’actif et environnement d’inspection spécifique. L’apprentissage en ligne nécessite des garde-fous attentifs pour éviter les boucles de rétroaction — un vrai positif rejeté pourrait biaiser le modèle de filtrage à bloquer des prédictions valides à l’avenir — mais lorsqu’il est correctement implémenté, il permet une amélioration continue sans nécessiter de cycles périodiques de réentraînement du modèle.

Conclusion

Le filtrage contextuel des défauts est une stratégie d’inférence critique pour les systèmes d’inspection automatisée des infrastructures opérant sur des types de surfaces et des domaines structurels hétérogènes. En filtrant les étiquettes de défauts prédites en fonction du type de matériau de surface, du domaine structurel et des règles d’applicabilité des défauts, la logique de filtrage supprime les prédictions fausses positives qui autrement dégraderaient la qualité de l’inspection et la confiance opérationnelle. Les défauts spécifiques au béton qui définissent la détérioration structurelle — écaillage, efflorescence, armatures exposées et corrosion — sont physiquement impossibles sur les surfaces asphaltées et apparaîtraient comme des faux positifs si le système les signalait là-bas. La logique de filtrage évite ces erreurs en imposant la connaissance du domaine comme contrainte stricte au moment de l’inférence, garantissant que les prédictions de défauts sont toujours contextuellement appropriées pour la surface sur laquelle elles sont signalées.

La mise en œuvre du filtrage des défauts dans TarmacView couvre la classification du type de surface, l’inférence du domaine structurel, les tableaux d’applicabilité des défauts et la granularité configurable du filtrage, du niveau de la tuile au niveau du cadre. Les améliorations de précision dues au filtrage sont substantielles — 35–55 % dans les déploiements typiques — tandis que la réduction du rappel est minime à 2–5 %. Le système prend en charge la désactivation du filtrage pour le débogage du modèle, la validation de l’entraînement et les scénarios de surface inconnue via l’indicateur –no-defect-gating. Les développements futurs vers le filtrage appris, probabiliste et adaptatif étendront ces capacités pour gérer de nouveaux matériaux de surface, des conditions de classification incertaines et des compromis précision-rappel ajustés opérationnellement.

Pour les gestionnaires d’actifs d’infrastructure, la signification pratique du filtrage contextuel des défauts est claire : des rapports d’inspection contenant moins de faux positifs nécessitent moins de temps de vérification manuelle, produisent des données de meilleure qualité pour la priorisation de la maintenance et génèrent une plus grande confiance dans le système d’inspection automatisé. À mesure que la détection automatisée des défauts devient plus largement adoptée dans le secteur des infrastructures, les stratégies de filtrage contextuel seront essentielles pour fournir des résultats d’inspection à la fois précis et opérationnellement utiles.