IA et gestion des données : transformer des milliers de photos en dossiers exploitables

L'IA d'image en inspection relève surtout de l'apprentissage profond : elle apprend l'apparence des fissures, de la rouille, etc. à partir de grands ensembles de photos annotées. Selon le niveau de détail, on distingue trois types de tâches.

En pratique, elles s'enchaînent : la classification restreint aux images qui semblent suspectes, la détection ou la segmentation extrait la position et la forme, et les résultats sont superposés à la photogrammétrie pour situer chaque défaut sur un élément. De mauvaises images mettent en échec n'importe quel modèle ; la moitié de la précision de l'IA se décide dans la planification des prises de vue.

Les performances dépendent moins du nom du modèle que de ce sur quoi il a appris. Il existe des jeux de données de recherche publics, comme des collections d'images de fissures dans le béton (p. ex. SDNET2018, plus de 56 000 images de tabliers de ponts, de murs et de chaussées) et des jeux multi-défauts sur les ponts avec cinq classes de défauts qui se chevauchent (p. ex. CODEBRIM). Mais les modèles entraînés uniquement sur des données publiques trébuchent presque toujours sur le terrain.

• Décalage de domaine : des matériaux, saletés, lumières, caméras et distances différents de ceux des données d'entraînement dégradent les performances.
• Sosies : traces de coffrage, joints, reprises, ombres, coulures de pluie, câbles, graffitis. Ils doivent être appris comme « pas un défaut ».
• Déséquilibre : les images sans défaut dominent. Plus un défaut est rare, moins il y a d'exemples et plus il y a d'oublis.
• Bruit d'étiquetage : des personnes différentes tracent la même fissure différemment. Rédigez un guide d'étiquetage aligné sur la norme d'inspection.
• Réservez des données d'évaluation : seules des images de sites non utilisés à l'entraînement révèlent la performance réelle.

La largeur des fissures guide les décisions de réparation. La chaîne de traitement de l'IA est la suivante : ① segmenter les pixels de fissure, ② extraire la ligne médiane (squelette), ③ compter les pixels perpendiculairement à celle-ci, ④ multiplier par le GSD (mm par pixel). Voir le chapitre imagerie visible pour le GSD.

En règle générale, comptez au moins environ ±1 pixel d'erreur sur la largeur. Avec un GSD de 0,5 mm, cela fait environ ±0,5 mm. Si les décisions de réparation se jouent à 0,2 ou 0,3 mm, cette image ne peut pas trancher sur la largeur. Indiquez toujours les largeurs mesurées par l'IA avec le GSD et l'erreur attendue.

La vraie valeur de l'inspection réside dans le changement : une fissure s'est-elle agrandie, la rouille s'est-elle étendue, quelque chose de nouveau est-il apparu ? Pourtant, soustraire la photo de l'an dernier à celle de cette année ne signifie presque rien — positions, lumière, saison et salissures diffèrent, si bien que l'essentiel de la différence tient à la façon dont les photos ont été prises.

• Recaler d'abord : alignez les images des deux années sur le modèle 3D ou les coordonnées de l'élément.
• Comparer les défauts, pas les pixels : établissez une carte des défauts chaque année et comparez les cartes.
• Reproduire les conditions : même trajet, même distance, lumière similaire. Réutilisez le plan d'acquisition chaque année.
• Associer l'erreur au changement : si « élargie de 0,1 mm » est inférieur à l'erreur de mesure, ce n'est pas un changement.

L'IA commet deux types d'erreurs : les faux positifs (signaler ce qui n'existe pas) et les faux négatifs (manquer ce qui existe). En inspection, ce sont les omissions qui sont dangereuses. Les systèmes sont donc généralement réglés avec un seuil plus bas pour réduire les omissions, la revue humaine éliminant les fausses alertes.

Tout aussi importantes sont les images que l'IA n'a jamais pu examiner correctement : floues, trop sombres ou jamais prises. Les défauts qui s'y trouvent ne produisent que du silence. Un contrôle de couverture montrant ce qui n'a pas été capté compte autant que la détection elle-même.

L'IA accélère la recherche, la mesure et la comparaison. La cotation, les mesures à prendre et l'explication restent du ressort de l'inspecteur responsable — ce qui a peu de chances de changer, quel que soit le régime d'inspection du pays. Intégrez la répartition entre humains et IA dans le processus de travail.

• Écran de revue : montrez chaque candidat de l'IA à côté de l'image originale, de la position et de l'image de l'année précédente, pour qu'une personne puisse accepter, rejeter ou modifier.
• Réinjecter les corrections : les modifications humaines deviennent les prochaines données d'entraînement (apprentissage avec humain dans la boucle).
• Consigner la version du modèle : enregistrez quelle version de modèle et quel seuil ont produit chaque résultat.
• Se prémunir contre la dépendance excessive : des humains échantillonnent des images que l'IA n'a pas signalées.
• Les personnes signent : les cotes d'état et les actions portent le nom de l'ingénieur responsable.

Pour savoir comment les constats de l'IA deviennent un rapport qu'un ingénieur peut signer, voir rédiger les constats du drone et de l'IA dans un rapport d'inspection de façade (Airffic Flight Institute).

La répartition entre ce que l'IA signale et ce qu'une personne décide est aussi traitée, du point de vue du client, dans comment l'IA et les personnes se partagent l'inspection des bâtiments (Airffic World).

Comparer d'une année à l'autre exige que chaque image porte, sous une forme lisible par machine, quel ouvrage, quel élément, quel endroit et comment elle a été prise. Sans cela, ni l'IA ni les jumeaux numériques ne peuvent s'enrichir dans la durée.

Fixez la dénomination des éléments dès le départ, en cohérence avec la norme d'inspection et les plans. Des formats communs existent, comme BIM/CIM au Japon et l'IFC de buildingSMART (étendu aux ponts, routes, voies ferrées et ports avec IFC 4.3 en 2024). Les formats changent ; ne jamais perdre le contenu — identifiants, positions, conditions — compte donc plus que le format.

D'ici 2035, les images d'inspection recevront identifiants d'éléments et conditions au moment même de la prise ; l'IA proposera des candidats et seuls les changements depuis la dernière fois parviendront à l'écran de l'ingénieur. Les personnes interpréteront les changements, les vérifieront sur site et signeront leurs jugements. L'IA continuera d'apprendre des corrections humaines, et ses performances par type d'ouvrage et par région seront publiées pour comparaison. C'est la vision de la rédaction.

Ce qui compte le plus alors, ce n'est pas une IA spectaculaire mais des conventions de données sans éclat : dénomination, consignation des conditions, journalisation des erreurs. Les ouvrages où cela est tenu à jour chaque année sont ceux où l'inspection devient vraiment plus facile.