Détection quantitative des dommages typiques de surface des ponts basée sur un mécanisme d'attention global et le réseau YOLOv7

Les dommages de surface des ponts en béton armé et en acier, par exemple, fissures et corrosion, sont généralement considérés comme des indicateurs de défauts internes de la structure, pouvant donc être utilisés pour évaluer l'état de santé structurelle. La segmentation quantitative de ces dommages de surface par vision par ordinateur est importante mais difficile en raison de la précision limitée des méthodes traditionnelles de segmentation sémantique. Pour surmonter ce défi, cette étude propose une méthode de segmentation sémantique modifiée pouvant distinguer plusieurs dommages de surface, se basant sur la version 7 de You Only Look Once (YOLOv7) et le mécanisme d'attention global (GAM), à savoir, YOLOv7-SEG-GAM. Initialement, le réseau d'agrégation de couches efficace étendu dans le réseau de fond de YOLOv7 a été remplacé par GAM, suivi de l'intégration d'une tête de segmentation utilisant la carte de caractéristiques à trois échelles, établissant ainsi un réseau de segmentation. Par la suite, des exemples graphiques représentant cinq types de dommages de surface des ponts en béton armé et en acier, à savoir, fissures du béton, corrosion de l'acier, armatures exposées, éclatement et efflorescence, ont été collectés et étiquetés avec précision pour créer un ensemble de données de segmentation sémantique adapté à l'entraînement du réseau. Ensuite, une étude comparative est réalisée pour analyser l'efficacité de GAM, des réseaux squeeze-and-excitation et du module d'attention par bloc convolutionnel dans l'amélioration de la performance du réseau. En fin de compte, un dispositif de calibration a été développé utilisant un télémètre laser et un smartphone pour permettre l'évaluation quantitative des dommages aux ponts à taille réelle. En se basant sur le même ensemble de données, la précision évaluée de YOLOv7-SEG-GAM a été comparée à celle de DeepLabV3+, BiSeNet et des réseaux de segmentation sémantique améliorés. Les résultats indiquent que la moyenne de la précision des pixels et les valeurs de l'intersection sur union atteintes par YOLOv7-SEG-GAM étaient respectivement de 0,881 et 0,782, dépassant celles de DeepLabV3+ et BiSeNet. Cette étude permet avec succès la segmentation au niveau des pixels des dommages aux ponts et offre des perspectives précieuses pour la segmentation quantitative.