Amélioration des performances d'inspection des ponts grâce à un système efficace de détection automatisée des défauts basé sur un UAV

Les inspections traditionnelles des ponts sont souvent caractérisées par une faible efficacité, des coûts élevés et des risques notables pour la sécurité. Pour répondre à ces défis, cet article présente un système intégré basé sur un véhicule aérien sans pilote (UAV) pour la détection automatisée des défauts. Une contribution clé de ce travail est le développement d'une solution holistique, orientée application, qui combine une plateforme UAV personnalisée avec RCO-YOLOv5, un modèle d'apprentissage profond spécialisé et léger. RCO-YOLOv5 est méthodiquement optimisé à partir du cadre YOLOv5s afin d'atteindre un équilibre supérieur entre précision et efficacité pour un déploiement en conditions réelles. Les améliorations architecturales incluent un backbone RepC2f efficace, un cou C3MSA avec attention renforcée, une convolution dynamique omni-dimensionnelle adaptative (ODConv), et la fonction de perte basée sur la distance de Wasserstein normalisée (NWD). Nous détaillons la conception et la mise en œuvre de notre système UAV, qui diffuse de la vidéo en direct pour un traitement en temps réel sur une station au sol. Des expérimentations approfondies démontrent que RCO-YOLOv5 atteint une précision moyenne (mAP@[email protected]) de 91,0 %, soit une augmentation de 4,0 % par rapport à la base, tout en étant 12,8 % plus compact et 6,7 % plus rapide. Les essais sur le terrain réussis du système intégré confirment son potentiel en tant qu'outil efficace pour la surveillance moderne de la santé structurelle.