Géolocalisation automatique par apprentissage profond d’éléments clés dans le fonctionnement des voies de chemins de fer Canadien

L’objectif principal du projet est de détecter par IA différents objets clés du réseaux ferrés.
Étape n°1 : prétraitement de la donnée
Les images utilisées ont une résolution de 5 cm (Go de données). Il sera donc nécessaire de les découper le long des chemins de fer pour faciliter le traitement. Vu que différentes résolutions seront nécessaires pour la détection des objets en fonction de leur taille, les meilleurs compromis entre lisibilité des images et poids des données devront donc être déterminés.
Étape n° 2 : Annotation des données
Chaque objet sera repéré visuellement puis marqué par plusieurs points. Un script découpera des imagettes de différentes tailles à partir de ces points offrant différents contextes au réseau de neurones. Un outil d’annotation de type « détection d’objets » sera utilisé pour créer des étiquettes au format YOLOv7, une architecture à la pointe de l’état de l’art en 2022.
Étape n°3 : Entraînement du modèle
L’entraînement consistera à rechercher les hyperparamètres optimums qui permettront d’atteindre la meilleure précision. Il est envisagé aussi que des modifications sur l’architecture soient testées, voire essayer avec d’autres architectures de détection d’objets.
Étape n°4 : Inférences, extraction des informations et transfert technologique
Le modèle retenu sera utilisé pour détecter les objets sur l’ensemble de la zone d’étude. Les données annotées, le savoir et les compétences acquises seront transmises à XEOS Imagerie Inc. sous la forme de document méthodologique, de scripts informatiques et d’une brève formation donnée à l’interne par le stagiaire au personnel de XEOS.

Faculty Supervisor:

Yacine Bouroubi;Mickaël Germain

Student:

Partner:

XEOS Imagerie

Discipline:

Earth science

Sector:

Professional, scientific and technical services

University:

Université de Sherbrooke

Program: