Classification de la qualité de surface (échelle 1 à 5) pour l’état des chaussées

Définitions de l’échelle de qualité 1 à 5

Le système de note de qualité TarmacView traduit l’état visuel d’une surface de chaussée sur une échelle ordinale de 1 à 5, où 1 représente une surface Excellente et 5 une surface Très mauvaise. Cette classification en cinq niveaux suit le principe des notations catégorielles ordonnées utilisées dans les pratiques établies de gestion des chaussées, bien qu’elle soit spécifiquement calibrée sur la sortie d’un espace d’embedding de vision par ordinateur plutôt que sur un protocole manuel basé sur les dégradations.

Les cinq notes de qualité sont définies comme suit :

Note 1 — Excellent (Très bon). Une surface de chaussée de note 1 ne présente aucun défaut visible de quelque nature que ce soit. La texture de la surface est uniforme, la couleur est homogène, et il n’y a aucune trace de fissuration, désenrobage, nids-de-poule, rapiéçage, ressuage ou toute autre forme de détérioration de surface. La surface apparaît comme une chaussée fraîchement construite ou récemment réhabilitée. Les joints (s’ils existent) sont serrés et bien scellés. En pratique, la note 1 représente l’état de référence idéal par rapport auquel toutes les autres notes sont mesurées. Les tronçons routiers dont la note de qualité médiane est 1 ne nécessitent aucune intervention d’entretien dans le cycle de planification en cours.

Note 2 — Bon. Les surfaces de note 2 présentent des signes mineurs d’usure mais restent structurellement saines et fonctionnellement adéquates. De très légères fissures peuvent être présentes mais elles sont étroites (capillaires, moins de 3 mm de large) et non connectées. Il n’y a pas d’écaillage, de désenrobage significatif ni de rapiéçage. La texture de surface peut montrer une légère oxydation ou un changement de couleur dû à l’exposition environnementale, mais l’intégrité de la chaussée est totalement intacte. Les surfaces de note 2 conviennent à un entretien préventif de routine tel que le scellement des fissures ou les enduits superficiels, mais ne nécessitent pas de réparations structurelles.

Note 3 — Acceptable. Une chaussée de note 3 est dans un état acceptable, ce qui signifie que des dégradations visibles sont présentes mais que la surface reste utilisable. Des fissures modérées peuvent être observées, y compris des fissures transversales, longitudinales ou en dalles avec des largeurs de fissure allant jusqu’à environ 6 mm. Un léger désenrobage peut être visible. Le rapiéçage peut couvrir un faible pourcentage de la surface (généralement moins de 10 %). La surface montre des signes clairs de vieillissement et d’exposition environnementale mais n’a pas encore atteint un stade où la capacité structurelle est compromise. Les surfaces de note 3 sont candidates à des traitements de préservation tels que les enduits gravillonnés, le micro-revêtement ou les minces couches de roulement.

Note 4 — Mauvais. Les surfaces de note 4 présentent des dégradations visibles importantes qui affectent la qualité de roulement et les performances fonctionnelles. Des fissures modérées à sévères sont présentes, y compris des fissures de fatigue (en peau de crocodile) dans les traces de roues. Les largeurs de fissure dépassent 6 mm, et un écaillage le long des bords de fissure peut être observé. Le désenrobage est modéré à avancé, avec une perte de granulats de surface. Le rapiéçage peut couvrir 10 à 30 % de la surface. Des ornières de plus de 12 mm de profondeur peuvent être présentes. La chaussée est encore utilisable mais approche de la fin de sa vie fonctionnelle et nécessite une réhabilitation plutôt qu’un entretien de routine. Les routes de note 4 sont candidates à des rechargements structurels ou à des opérations de fraisage et recharge.

Note 5 — Très mauvais (Défaillant). La note 5 représente une chaussée dans la pire catégorie d’état. Fissuration sévère étendue, y compris des fissures de fatigue avancées avec des motifs de fissuration interconnectés formant des morceaux de surface détachés. Des nids-de-poule peuvent être présents. Le désenrobage est avancé avec une perte importante de granulats. Le rapiéçage couvre plus de 30 % de la surface, ou les rapiéçages eux-mêmes sont défaillants. L’orniérage peut dépasser 25 mm. La surface est gravement dégradée et présente une surface de roulement de qualité inférieure pouvant poser des problèmes de sécurité. Les chaussées de note 5 nécessitent une reconstruction ou une réhabilitation majeure.

Cette échelle ordinale de 1 à 5 est intentionnellement plus grossière que l’échelle continue de 0 à 100 du PCI utilisée dans la norme ASTM D6433. Cette granularité plus grossière reflète la précision atteignable de la classification visuelle automatisée et s’aligne sur les niveaux typiques de décision de gestion des chaussées à l’échelle du réseau. Les agences peuvent faire correspondre les cinq notes de qualité à leurs propres seuils de déclenchement d’entretien et de réhabilitation.

La qualité comme vote majoritaire kNN cosinus

La note de qualité n’est pas attribuée par un réseau de neurones de classification traditionnel avec une couche de sortie softmax. Elle est plutôt calculée par un vote majoritaire par k plus proches voisins (kNN) basé sur la similarité cosinus opérant dans l’espace d’embedding d’un transformateur visuel DINOv3 finement ajusté. Cette approche est fondamentalement différente de la classification de bout en bout et offre des avantages distincts en termes d’interprétabilité, de robustesse et de capacité à détecter les surfaces hors distribution.

Le processus fonctionne comme suit. Chaque dalle d’image de chaussée est transmise à un réseau de base Vision Transformer (ViT) basé sur DINOv3. DINOv3 est le modèle d’apprentissage auto-supervisé de troisième génération de Meta AI pour la vision par ordinateur, entraîné sur plus de 1,7 milliard d’images avec jusqu’à 7 milliards de paramètres. Il produit des représentations denses de caractéristiques visuelles qui capturent à la fois les informations de texture locale (grain de surface, motifs de fissuration, exposition des granulats) et le contexte structurel global (espacement des joints, géométrie des voies, uniformité générale de la surface). La sortie du ViT est un vecteur d’embedding de dimension 768 qui sert d’empreinte numérique compacte du contenu visuel de la dalle.

Ce vecteur d’embedding est ensuite comparé à un ensemble de référence constitué — une collection d’embeddings de dalles de chaussée pour lesquelles des notes de qualité de référence ont été établies par des évaluateurs humains experts. La métrique de comparaison est la similarité cosinus, définie comme suit :

similarité_cosinus(A, B) = (A · B) / (||A|| × ||B||)

où A et B sont les deux vecteurs d’embedding. La similarité cosinus varie de -1 (parfaitement opposé) à 0 (orthogonal, non corrélé) jusqu’à +1 (direction identique). Pour des embeddings normalisés, la similarité cosinus équivaut au produit scalaire. En pratique, les embeddings de dalles de chaussée ont tendance à avoir des valeurs positives et à être bien regroupés par note de qualité, de sorte que les valeurs de similarité cosinus entre dalles de même note se situent généralement entre 0,85 et 0,99, tandis que les similarités entre notes différentes sont plus faibles.

Le système identifie les k plus proches voisins (dans l’implémentation euclidienne du kNN, mais avec la similarité cosinus comme métrique de distance, donc effectivement les k embeddings de référence les plus similaires). TarmacView utilise k = 5 comme taille de voisinage par défaut. Chacun des cinq voisins les plus proches vote pour sa note de qualité de référence. La note recevant le vote majoritaire (le mode) est attribuée à la dalle d’entrée. En cas d’égalité (par exemple, deux voisins votent pour la note 2, deux pour la note 3 et un pour la note 4), un système de vote pondéré basé sur l’ampleur de la similarité cosinus départage l’égalité, les voisins à plus forte similarité recevant un poids proportionnellement plus élevé.

L’utilisation du kNN cosinus plutôt qu’une tête de classifieur entraînée offre plusieurs avantages. Premièrement, le système peut naturellement gérer des distributions de classes multimodales — une surface qui ressemble visuellement à la fois aux dalles de référence de notes 3 et 4 recevra une note reflétant cette ambiguïté plutôt que d’être forcée dans une seule frontière de décision linéaire. Deuxièmement, l’ensemble de référence peut être mis à jour de manière incrémentielle sans réentraîner le réseau de base visuel : de nouvelles dalles de référence avec des notes attribuées par des experts sont simplement ajoutées à la base de données d’embeddings. Troisièmement, si une dalle d’entrée produit une faible similarité cosinus avec tous les embeddings de référence (en dessous d’un seuil tel que 0,6), le système la signale comme hors distribution, indiquant un type de surface ou une condition mal représenté dans l’ensemble de référence.

Précision du modèle

Le modèle de note de qualité atteint une précision de correspondance exacte mesurée d’environ 0,666 (66,6 %). Cela signifie que pour toute dalle de chaussée donnée, le modèle attribue la note de qualité exactement correcte environ deux tiers du temps. Bien que 66,6 % puisse sembler modeste à première vue, la nature ordinale de l’échelle implique qu’une prédiction inexacte est rarement catastrophique — une dalle de note 2 prédite comme note 3 est bien moins grave qu’un classifieur binaire confondant « réussi » et « échoué ».

La métrique la plus significative sur le plan opérationnel est la précision à un rang près, qui atteint 0,999 (99,9 %). La précision à un rang près mesure la proportion de prédictions qui se situent à un niveau près de la vérité terrain. Une valeur de 0,999 signifie que pratiquement chaque dalle est classée soit correctement, soit à un niveau d’écart. Les prédictions décalées de deux niveaux ou plus se produisent à un taux d’environ 0,1 % — environ une dalle sur mille. Ce niveau de performance est exceptionnel pour une tâche de classification visuelle ordinale à 5 classes et reflète à la fois la qualité des embeddings DINOv3 et la curation minutieuse de l’ensemble de référence.

L’erreur absolue moyenne (MAE) du modèle est d’environ 0,34 sur l’échelle de 1 à 5. La MAE est calculée comme la moyenne de |note_prédite - note_réelle| sur toutes les dalles. Une MAE de 0,34 signifie que l’erreur de prédiction moyenne est inférieure à un demi-niveau. En termes pratiques, un tronçon routier composé de 100 dalles avec une qualité médiane réelle de 2,5 recevrait une qualité médiane prédite entre environ 2,2 et 2,8 — bien dans la tolérance acceptable pour les décisions de gestion de chaussées à l’échelle du réseau.

Ces métriques de précision sont validées par validation croisée k-fold (généralement 5-fold) sur l’ensemble de référence, garantissant que la performance n’est pas surajustée à une répartition particulière d’entraînement/test. L’ensemble de référence lui-même est noté par plusieurs évaluateurs experts, et l’accord inter-évaluateurs (Kappa de Cohen) est mesuré pour établir une limite supérieure de la performance possible du modèle — si des experts humains divergent sur la note d’une dalle en moyenne de 0,4, alors un modèle avec une MAE de 0,34 peut être considéré comme performant au niveau ou près du plafond humain.

La matrice de confusion pour le modèle de note de qualité montre que la plupart des erreurs se produisent entre notes adjacentes (Note 1↔Note 2, Note 2↔Note 3, Note 3↔Note 4, Note 4↔Note 5). Les erreurs qui sautent un niveau (Note 1↔Note 3, Note 2↔Note 4, Note 3↔Note 5) sont extrêmement rares. Les matrices de confusion à dominance diagonale de ce type sont caractéristiques des classifieurs ordinaux bien entraînés et confirment que l’espace d’embedding capture un continuum de qualité pertinent plutôt qu’une catégorisation arbitraire.

Qualité et indépendance du type de surface

Une propriété essentielle du système de note de qualité est son indépendance par rapport au type de surface. La note de qualité décrit l’état d’une surface de chaussée indépendamment du fait que la surface soit en enrobé (chaussée souple), béton (chaussée rigide), chaussée composite, ou un traitement de surface tel qu’un enduit gravillonné ou un micro-revêtement. Cette indépendance est obtenue grâce à la conception du processus d’entraînement des embeddings DINOv3 et à la composition de l’ensemble de référence.

Le réseau de base DINOv3 est pré-entraîné sur 1,7 milliard d’images diverses en utilisant des objectifs d’apprentissage auto-supervisé (auto-distillation sans étiquettes, modélisation d’image masquée et apprentissage contrastif). Ce vaste corpus de pré-entraînement comprend des images de nombreux types de surfaces, textures et matériaux différents. Le modèle apprend à se concentrer sur les caractéristiques pertinentes pour l’état (fissures, désenrobage, rapiéçages, perte de texture) tout en étant invariant aux caractéristiques spécifiques au type (la différence de couleur entre l’enrobé sombre et le béton clair, le motif d’espacement des joints du béton par rapport à la surface sans joint de l’enrobé).

Lors du réglage fin par apprentissage contrastif supervisé, le processus d’entraînement impose explicitement que les dalles de même note de qualité mais de types de surface différents soient positionnées à proximité dans l’espace d’embedding. La fonction de perte contrastive supervisée rapproche les embeddings des dalles qui partagent la même étiquette de qualité (les paires « ancrage-positif ») et éloigne les embeddings des dalles ayant des étiquettes différentes. Lorsque l’ensemble de référence comprend à la fois des dalles d’enrobé de note 3 et des dalles de béton de note 3, le processus d’entraînement apprend à encoder les caractéristiques visuelles communes de la détérioration de note 3 (fissuration modérée, un certain désenrobage, vieillissement visible) tout en supprimant l’apparence spécifique au type de surface.

La conséquence pratique est qu’un seul modèle de note de qualité peut être appliqué sur un réseau routier hétérogène. Une agence routière gérant un mélange de routes en enrobé, d’autoroutes en béton, de chaussées composites et de routes rurales traitées par enduit n’a pas besoin de modèles séparés par type de surface. Le même encodeur DINOv3 et le même ensemble de référence produisent des notes de qualité valides pour toutes les surfaces.

Les tests de validation confirment l’indépendance du type de surface. Lorsque le modèle est entraîné sur un ensemble de référence contenant 80 % de dalles d’enrobé et 20 % de dalles de béton, puis évalué sur un ensemble de test composé uniquement de dalles de béton, les métriques de précision (correspondance exacte, à un rang près, MAE) ne sont pas statistiquement différentes des métriques sur les dalles d’enrobé. L’espace d’embedding généralise à travers les matériaux sans nécessiter d’étiquettes explicites de type de surface lors de l’inférence.

Agrégation des notes de qualité (médiane des dalles de route)

Les dalles d’image de chaussée individuelles reçoivent des notes de qualité par dalle, mais les décisions opérationnelles nécessitent des notes au niveau du tronçon routier. TarmacView agrège les notes de qualité par dalle au niveau du tronçon en utilisant la statistique de la médiane, calculée sur l’ensemble des dalles appartenant à un tronçon routier.

Le choix de la médiane plutôt que de la moyenne est délibéré et mathématiquement justifié. La médiane est une statistique robuste résistante aux valeurs aberrantes. Une seule dalle mal classée de deux rangs (un événement rare compte tenu de la précision à un rang près de 0,999) ferait varier la moyenne mais ne déplacerait pas la médiane. De même, les artefacts de surface transitoires tels que les gouttes d’huile, les marques de pneus, les flaques d’eau ou les débris qui amènent une dalle à recevoir une note anormale sont filtrés par l’agrégation par la médiane.

Le processus d’agrégation suit ce pipeline :

1. Un tronçon routier (généralement un segment de 0,1 ou 0,5 mile défini par le système de référencement de localisation de l’agence) est imagé. Le véhicule d’imagerie capture des trames d’image se chevauchant ou contiguës sur la longueur du tronçon.

2. Chaque trame d’image est recadrée centrée et divisée en dalles — généralement 4 à 12 dalles par image selon la résolution de la caméra et la taille de dalle souhaitée (communément 224×224 pixels, correspondant à la taille d’entrée de DINOv3).

3. Chaque dalle est traitée indépendamment par le pipeline de note de qualité (encodeur DINOv3 → kNN cosinus → vote majoritaire), produisant une note de qualité par dalle de 1 à 5.

4. La médiane de toutes les notes par dalle dans le tronçon est calculée. Pour un nombre pair de dalles, la plus basse des deux valeurs centrales est retenue (approche conservative).

5. La note de qualité au niveau du tronçon est la valeur médiane, qui peut être non entière si une interpolation est utilisée, bien que TarmacView rapporte généralement le plancher entier ou la catégorie modale pour la prise de décision.

Le nombre de dalles par tronçon dépend de la configuration d’imagerie. À un taux de capture typique de 10 trames par seconde à vitesse autoroutière, un tronçon de 0,5 mile produit 200 à 400 dalles (en supposant 4 dalles par trame et 10 à 15 trames par 0,1 mile). La médiane de 200 à 400 notes indépendantes offre une confiance statistique élevée. L’erreur standard de la médiane diminue comme la racine carrée du nombre de dalles, donc les tronçons plus longs (plus de dalles) produisent des notes plus stables.

Une métrique de confiance peut être rapportée parallèlement à la note agrégée. L’écart interquartile (IQR) des notes par dalle au sein d’un tronçon indique l’uniformité de l’état de surface. Un tronçon avec une note médiane de 2 et un IQR de 0 (toutes les dalles de note 2) est uniformément bon. Un tronçon avec une note médiane de 2 et un IQR de 2 (les dalles vont de la note 1 à la note 3) indique un état hétérogène avec des défauts localisés qu’une simple médiane masquerait.

Note de qualité dans l’évaluation de l’état

La note de qualité sert d’entrée principale pour l’évaluation globale de l’état des chaussées de TarmacView. L’évaluation de l’état transforme les notes de qualité brutes en un support de décision d’ingénierie et financier exploitable.

Au niveau le plus élémentaire, l’état d’une route est exprimé par sa note de qualité médiane. Les agences établissent des seuils de déclenchement qui déterminent quand un tronçon routier passe d’une catégorie de gestion à une autre :

Ces déclencheurs ne sont pas fixes — les agences les calibrant en fonction de leurs cycles budgétaires, objectifs de performance et tolérance au risque. Une agence bien financée pourrait déclencher la réhabilitation à la note 3, visant à maintenir l’ensemble du réseau en état Excellent/Bon. Une agence à budget contraint pourrait différer la réhabilitation jusqu’à la note 4, acceptant une proportion plus élevée de routes en état Acceptable.

L’évaluation de l’état calcule également le pourcentage du réseau dans chaque catégorie de note. Ces statistiques au niveau du réseau fournissent un indicateur de santé global. Par exemple, un réseau avec 60 % des miles-voies aux notes 1-2, 25 % à la note 3 et 15 % aux notes 4-5 est un réseau sain avec un retard d’entretien gérable. Un réseau avec 40 % aux notes 4-5 signale un problème important d’entretien différé.

La transition de note d’une année sur l’autre (le changement de note de qualité entre le cycle de relevé précédent et le cycle actuel) est une mesure du taux de détérioration de la chaussée. Les tronçons qui déclinent d’un ou plusieurs niveaux entre les cycles de relevé sont signalés pour investigation prioritaire, car ils peuvent se détériorer plus rapidement que la moyenne du réseau.

Les rapports d’évaluation de l’état produits par TarmacView combinent les notes de qualité avec d’autres flux de données — type de surface, volume de trafic (AADT), classe fonctionnelle (artère, collectrice, locale) et zone climatique — pour produire des scores d’état pondérés par le risque. Une route de note 4 avec un AADT de 50 000 reçoit un score de priorité plus élevé qu’une route de note 4 avec un AADT de 200, car les dégradations sur la route à fort volume affectent plus d’usagers et entraînent des coûts de retard plus élevés.

Note de qualité dans les relevés routiers

Les relevés routiers sont des inspections systématiques des réseaux de chaussées effectuées selon des cycles fixes (annuels, bisannuels ou triennaux selon les ressources de l’agence et la taille du réseau). La note de qualité transforme le processus de relevé routier d’une activité manuelle, subjective et à forte intensité de main-d’œuvre en une opération de collecte de données entièrement automatisée, objective et évolutive.

Dans un relevé routier visuel traditionnel, des évaluateurs formés parcourent le réseau à 15-25 mph, évaluant visuellement chaque tronçon et enregistrant les types de dégradations, les niveaux de sévérité et l’étendue. Ce processus est lent, coûteux et sujet à la variabilité entre évaluateurs. Même avec des programmes de formation et de certification rigoureux, deux évaluateurs évaluant le même tronçon peuvent attribuer des notes différentes. Le Guide pratique de la FHWA pour la gestion de la qualité des données sur l’état des chaussées documente que la reproductibilité inter-évaluateurs est l’un des aspects les plus difficiles des relevés manuels.

Le relevé routier automatisé de TarmacView remplace l’évaluation visuelle manuelle par le pipeline de note de qualité. Le véhicule de relevé parcourt le réseau à des vitesses de circulation normales (55-70 mph sur autoroutes), capturant des images haute résolution à des taux de 10 à 30 trames par seconde. Les images sont traitées par le pipeline de note de qualité après le relevé. Un réseau de 1 000 miles qui nécessiterait 40 à 60 heures de relevé manuel (à 15-25 mph) peut être relevé en moins de 20 heures à vitesse autoroutière, sans effort d’évaluation humaine.

Le relevé automatisé produit des notes de qualité objectivement reproductibles. Le même tronçon relevé à deux jours différents, avec deux véhicules différents, à deux vitesses différentes, recevra la même note de qualité (en supposant un état de surface stable). Cette reproductibilité est une amélioration essentielle par rapport aux relevés manuels, où la fatigue de l’évaluateur, la dérive d’attention et le jugement subjectif introduisent un bruit de mesure.

Les données de relevé routier alimentent directement les systèmes de gestion de chaussées (PMS) . La plupart des logiciels PMS attendent des données d’état dans un format spécifique — généralement un score d’indice d’état et/ou un ensemble de mesures de dégradations. Les notes de qualité de TarmacView sont exportées dans des formats compatibles avec AASHTOWare, dTIMS et d’autres grandes plates-formes PMS. L’intégration permet aux agences d’utiliser les notes de qualité comme entrée d’état pour la modélisation des performances, l’analyse des coûts du cycle de vie et la priorisation des projets.

Le relevé détecte également les problèmes — des défauts localisés qui méritent attention avant le prochain cycle de relevé prévu. Lorsqu’une dalle avec une note de qualité 4 ou 5 est détectée dans un tronçon avec une note médiane de 2, le système signale l’emplacement comme un point chaud. Les rapports de relevé incluent à la fois la note agrégée au niveau du tronçon et les coordonnées GPS précises des dalles à problème individuelles, permettant des inspections ciblées sur le terrain et des réparations rapides.

Stabilité de la note de qualité

Pour tout système de mesure utilisé pour la gestion longitudinale (d’une année sur l’autre) des chaussées, la stabilité — la propriété de produire des résultats cohérents dans des conditions variables mais non matérielles — est essentielle. Le système de note de qualité est conçu pour être stable sur trois dimensions de variation : temporelle, d’éclairage et de caméra.

La stabilité temporelle fait référence à la cohérence des notes de qualité lorsque le même tronçon de chaussée est relevé à différents moments. Un tronçon qui ne s’est pas physiquement détérioré devrait recevoir la même note lors du Relevé 1 (mois 0) et du Relevé 2 (mois 12). La stabilité temporelle est validée par des passages de relevé répétés effectués le même jour et à des jours différents. Les résultats des tests montrent que 95 % des tronçons reçoivent des notes de qualité médianes identiques lors de passages répétés au sein du même cycle de relevé. Les 5 % restants présentent une variation d’au plus un niveau, généralement attribuable à des conditions de surface transitoires (eau, débris, ombres) plutôt qu’à une instabilité du modèle.

La stabilité d’éclairage traite de la variation des conditions d’illumination entre les passages de relevé. Les surfaces de chaussée imagées en plein soleil, par temps couvert, à l’aube, au crépuscule et à l’ombre peuvent paraître visuellement différentes même si l’état physique est identique. L’espace d’embedding DINOv3 est entraîné avec une augmentation de données extensive incluant des ajustements aléatoires de luminosité, contraste, saturation et teinte. Cette augmentation garantit que le modèle ne se fie pas aux indices d’éclairage pour déterminer la qualité. Le classifieur kNN cosinus contribue en outre à la stabilité d’éclairage car la métrique de similarité cosinus est invariante à la magnitude du vecteur — une image assombrie produit un embedding de plus faible magnitude mais de même direction, de sorte que sa similarité avec les embeddings de référence est largement inchangée.

Les tests confirment la stabilité d’éclairage. Lorsque 500 tronçons de contrôle sont imagés sous trois conditions d’éclairage (plein soleil, ciel très couvert et aube/crépuscule), les notes de qualité médianes par tronçon présentent un Kappa de Fleiss de 0,91 entre les conditions, indiquant un accord quasi parfait. Les tronçons imagés sous un éclairage non idéal (nuit, ombres denses provenant de structures en bordure de route) sont signalés et exclus des résultats du relevé.

La stabilité de caméra traite des variations du matériel d’imagerie. Les relevés effectués avec différentes caméras (différentes tailles de capteur, focales d’objectif, résolutions ou profils couleur) produisent des notes de qualité cohérentes à moins de 0,15 MAE près. Ceci est obtenu en standardisant le pipeline de traitement d’image : toutes les images brutes sont converties dans un espace couleur commun (sRGB avec point blanc D65), redimensionnées à une résolution fixe (typiquement 1920×1080 ou 2048×1536 pixels), et recadrées centrées à un champ de vision cohérent avant le dallage. Le modèle d’embedding ne voit que les dalles standardisées, et non la sortie brute de la caméra.

La stabilité de caméra est importante pour les agences qui utilisent plusieurs véhicules de relevé ou qui mettent à niveau le matériel de caméra entre les cycles de relevé. Le système de note de qualité maintient une référence de mesure cohérente même lorsque le matériel d’imagerie change.

Note de qualité vs PCI et autres indices

L’échelle de note de qualité (ordinale 1-5) coexiste avec les indices d’état de chaussée établis mais occupe un rôle différent dans l’écosystème de gestion des chaussées. Comprendre la relation entre la note de qualité et ces autres indices est essentiel pour les agences intégrant TarmacView dans leurs flux de travail existants.

L’indice d’état de chaussée (PCI) est défini par la norme ASTM D6433 et est un indice continu de 0 à 100. Le PCI est calculé en effectuant un relevé détaillé des dégradations : identifier tous les types de dégradations présentes (il existe 19 types de dégradations pour l’enrobé et 15 pour le béton), mesurer la sévérité de chacune (faible, moyenne, élevée), et quantifier l’étendue (en pourcentage de surface ou de longueur linéaire). Le calcul du PCI applique des valeurs de déduction spécifiées dans la norme, soustrait le total des déductions de 100, et obtient le score PCI. Le PCI est l’indice d’état de chaussée le plus largement utilisé en Amérique du Nord et est requis par de nombreux DOT (départements des transports) d’État.

La note de qualité est corrélée au PCI mais ne lui correspond pas linéairement. Une note de qualité de 1 correspond généralement à un PCI de 86-100 (Excellent). La note 2 correspond approximativement à un PCI de 56-85 (Bon à Satisfaisant). La note 3 correspond à un PCI de 26-55 (Acceptable à Mauvais). La note 4 correspond à un PCI de 11-40 (Mauvais à Très mauvais). La note 5 correspond à un PCI de 0-25 (Très mauvais à Défaillant). Cependant, la correspondance présente une variance — un tronçon avec des fissures étendues mais de faible sévérité (PCI ~45) pourrait recevoir une note de qualité 3, tandis qu’un tronçon avec un seul nid-de-poule sévère mais une surface par ailleurs saine (PCI ~50) pourrait également recevoir une note de qualité 3. La note de qualité est une évaluation visuelle holistique plutôt qu’un calcul d’ingénierie des dégradations.

L’indice de service de chaussée (PSR) et l’indice de qualité de service actuel (PSI) sont des mesures plus anciennes datant de l’AASHO Road Test (1958-1960). Le PSR est une note subjective de 0 à 5 attribuée par un panel d’évaluateurs parcourant la chaussée. Le PSI est un indice calculé à partir de mesures de rugosité, fissuration, rapiéçage et orniérage. La note de qualité diffère du PSR/PSI en ce qu’elle est purement visuelle (non basée sur la qualité de roulement ou la rugosité) et entièrement automatisée (aucun panel humain requis).

L’indice de rugosité international (IRI) mesure la rugosité du profil longitudinal en pouces par mile (ou mètres par kilomètre). L’IRI est une mesure fonctionnelle de la qualité de roulement. La note de qualité est une mesure structurelle/visuelle de l’état de surface. Les deux sont complémentaires mais non interchangeables : une chaussée avec une fissuration de fatigue sévère mais un IRI faible (lisse mais fissurée) aurait une mauvaise note de qualité mais un IRI acceptable, tandis qu’une chaussée avec un soulèvement dû au gel mais une surface intacte aurait une bonne note de qualité mais un mauvais IRI. Les agences devraient collecter à la fois l’IRI et la note de qualité pour obtenir une image complète de l’état.

L’indice de qualité de chaussée (PQI) est un indice composite combinant l’IRI, l’orniérage et les dégradations de surface en un seul score. Le PQI est utilisé par certaines agences comme alternative simplifiée au PCI. La note de qualité peut servir de composante de dégradation de surface dans une formule PQI, remplaçant les relevés manuels de dégradations par la note de qualité automatisée.

Les agences peuvent également calculer un PCI proxy à partir de la note de qualité. En entraînant un modèle de régression qui fait correspondre la note de qualité (plus des caractéristiques auxiliaires telles que le type de surface et l’âge) aux valeurs PCI mesurées sur les mêmes tronçons, les agences peuvent générer des résultats d’état compatibles PCI à partir du pipeline automatisé de note de qualité. Le PCI proxy a une granularité plus faible qu’un relevé PCI manuel complet (7 catégories PCI contre 100 valeurs discrètes) mais est adéquat pour la planification au niveau du réseau et évite le coût des relevés manuels.

Note de qualité dans les rapports

La dernière étape du pipeline de note de qualité est la production de rapports communiquant l’état des chaussées aux parties prenantes : dirigeants d’agence, ingénieurs, planificateurs d’entretien, élus et public. Les données de note de qualité sont présentées à plusieurs niveaux d’agrégation.

Les tableaux de bord au niveau du réseau montrent la répartition des miles-voies par note de qualité sur l’ensemble du réseau de l’agence. Un diagramme circulaire ou un diagramme à barres empilées affiche le pourcentage du réseau à chaque note. Des courbes de tendance montrent comment la répartition a évolué au fil des cycles de relevé successifs. Une métrique de « pourcentage de bon état » (le pourcentage de miles-voies aux notes 1-2) est un indicateur clé de performance (KPI) courant ciblé par les plans stratégiques des agences. Le tableau de bord montre également le retard d’entretien différé — le coût estimé pour amener tous les tronçons de notes 4-5 au moins à la note 3.

Les rapports au niveau des tronçons listent chaque tronçon routier du réseau avec sa note de qualité médiane, le nombre de dalles relevées, l’IQR (uniformité de l’état), le changement de note d’une année sur l’autre et l’action recommandée basée sur les seuils de déclenchement de l’agence. Les tronçons sont généralement triés par priorité (d’abord la plus mauvaise note, ou le score de risque le plus élevé). Ces rapports sont les principaux documents de travail pour l’élaboration des programmes d’entretien.

Les cartes de localisation des problèmes superposent les données de note de qualité sur un système d’information géographique (SIG). Chaque route est codée par couleur selon sa note de qualité médiane (par exemple, vert = Note 1, jaune = Note 2, orange = Note 3, rouge = Note 4, rouge foncé = Note 5). Les points chauds (dalles individuelles de note 5 dans des tronçons meilleurs) sont marqués par des symboles ponctuels. La carte permet une identification visuelle rapide de l’état du réseau et de l’emplacement des tronçons les plus dégradés.

Les entrées du plan de gestion d’actifs formatent les données de note de qualité pour l’intégration avec l’analyse des coûts du cycle de vie (LCCA) et les modèles de planification à long terme. La note sert d’état de départ pour les modèles de prédiction des performances qui prévoient l’état futur sous différents scénarios budgétaires. Les modèles utilisent des courbes de détérioration calibrées sur l’échelle de note de qualité : un tronçon commençant à la note 1 se détériorera jusqu’à la note 2 après N années, jusqu’à la note 3 après M années, etc., les temps de transition dépendant du type de surface, du trafic, du climat et de l’historique d’entretien.

Les résumés exécutifs fournissent une synthèse de haut niveau pour les décideurs non techniques. Un résumé exécutif type indique la note de qualité moyenne du réseau, le pourcentage du réseau en état Bon/Acceptable/Mauvais, le changement par rapport au relevé précédent et le déficit de financement nécessaire pour atteindre l’état cible.

Les rapports de note de qualité suivent les principes de gestion de la qualité des données décrits dans le Guide pratique de la FHWA. Les rapports incluent des métadonnées sur le relevé : dates du relevé, nombre de dalles collectées, exhaustivité des données (pourcentage du réseau relevé avec succès), indicateurs de contrôle qualité (tronçons où des problèmes d’éclairage ou de caméra ont affecté les données) et intervalles de confiance pour les notes au niveau des tronçons. Cette transparence permet aux agences d’évaluer la fiabilité des notes rapportées et de prendre des décisions éclairées.