Search
Cas d'étude

Comptages automatiques et rapides des éléments ayant un potentiel de réemploi

Le secteur de la construction est un grand consommateur de matières premières et produit beaucoup de déchets. L’implémentation de solutions circulaires est cruciale pour réduire son impact environnemental. Une solution consiste à donner une seconde vie aux éléments de construction en les réutilisant. Pour ce faire, il faut faire l’inventaire des éléments de construction présents et compter le nombre exact de ces éléments . Il s’agit toutefois d’un processus laborieux, surtout lorsqu’il est question d’un grand nombre d’éléments. Comment faciliter ce processus ? Est-ce possible de le faire à l’aide de moyens abordables financièrement ? Pour répondre à ces questions, Buildwise a mené deux cas d’étude en collaboration avec Rotor ASBL dans le cadre des projets DigitalDeconstruction et FCRBE, tous deux soutenus par Interreg Europe du Nord-Ouest.

overview

Capture

Traitement

Livrables

Introduction

Recourir à la photogrammétrie permet déjà, moyennant une mise à l’échelle correcte, de déterminer toutes sortes de distances, de surfaces et de volumes du modèle de construction numérique. Il est toutefois impossible de procéder à des inventaires plus poussés, comme le comptage des éléments individuels sur la seule base de la photogrammétrie. Nous avons par conséquent examiné, en collaboration avec Rotor ASBL, si l’IA pouvait être utilisée pour permettre ces comptages, en se penchant spécifiquement sur la possibilité de compter automatiquement les pavés présents en nombre à cet endroit, qui ont un grand potentiel de réemploi. Un exercice un peu théorique, mais qui pourrait être répliquer à de nombreux autres types d’éléments de construction.

01

Capture

Une caméra 360 a été utilisée pour capturer de nombreuses photo dans une rue, et générer un maillage texturé par photogrammétrie. Il s’est avéré que la technique de photo à 360 degrés n’était ici peut-être pas idéale. Sans ajustement, le pied du trépied utilisé est visible sur les photos, bloquant ainsi partiellement la vue des pavés reconnaissables. Recourir à un trépied plus petit permettrait de réduire ce problème, mais présente l’inconvénient de se renverser facilement en cas de vent, ce qui serait problématique pour la caméra à 360 degrés qu’il supporte. Pour résoudre ce problème, le trépied a été supprimé du modèle numérique à l’aide de ce que l’on appelle le masquage :

Sans masquage, le trépied est visible plusieurs fois dans la vue en plan.
Avec masquage

02

Traitement

Le but est ici de détecter le nombre de pavés présent sur une portion de voirie. Une telle opération de détection impose de disposer d’un algorithme dit de ‘détection d’objet’. Cet algorithme doit en premier lieu être entraîné à reconnaitre l’objet d’intérêt. Et pour cela, pas de choix, il faut ‘annoter’ de nombreuses photos de référence. Cela signifie disposer d’un ensemble d’images montrant des pavés, et de manuellement détourer les pavés sur chaque image au moyen d’un logiciel dédié:

Annotation manuelle d’une photo avec des pavés.

Une fois entraîné, le modèle  est capable de traiter de nouvelles images, et d’y détecter la présence (ou non) de pavés.

Comme le montre la vidéo, l’annotation manuelle de ces photos est terriblement chronophage mais nécessaire. Après avoir annoter les photos, l’étape suivante consiste à ‘entraîner’ le réseau. Le réseau apprend alors à reconnaître les objets souhaités (ici des pavés), à partir d’exemples. Dans le cas présent, un réseau neural léger a été utilisé, ce qui réduit la qualité de la reconnaissance, mais présente l’avantage de pouvoir être utilisé à une vitesse raisonnable sur des mini-PC financièrement abordables et même sur les meilleurs smartphones. La reconnaissance automatique d’objets avec l’IA ne nécessite pas nécessairement un PC de bureau rapide, ce qui rend la technique plus facile à utiliser.

03

Livrables

Haut : Vue en plan du modèle numérique. Deux cadres rouges marquent des parties de la surface du sol. En dessous : Comptage automatique des pavés dans les deux cadres rouges. Voici quelques photos situationnelles du bloc de bâtiment qui a été numérisé pour ce cas :

Si nous regardons de plus près, nous pouvons voir que le décompte dans le carré de droite n’est pas parfait à 100 %. Sans ajustement, le réseau ne reconnaît que les pavés qui sont visibles sur la photo. Ainsi, les pavés n’ont pas été reconnus dans le coin inférieur droit, car ils sont recouverts d’une végétation dense. Si vous voulez faire faire une estimation des pavés qui ne sont pas visibles sur les photos, on peut envisager de rédiger un script. Le réseau utilisé présente un avantage certain : selon la puissance de calcul disponible, il est capable de reconnaître et de quantifier les pavés très rapidement, même s’il existe des différences dans le schéma de pose. L’inconvénient, pour ainsi dire, est que sans ajustements supplémentaires, certains pavés peuvent rester non comptés en raison de la végétation ou d’autres types de couvertures.

Author

Samuel Dubois

Autres cas

  • All
  • art
  • blender
  • cloudcompare
  • déformation
  • diagnostique
  • drone
  • énergie
  • front-page
  • hardware
  • IA
  • infrarouge
  • laserscan
  • level1
  • level2
  • metashape
  • odm
  • patrimoine
  • photogrammétrie
  • potree
  • processing
  • realitycapture
  • robot
  • share
  • SLAM
  • software
  • thermographie
  • volume
Etude de cas

Comptages automatiques et rapides des éléments ayant un potentiel de réemploi

Les techniques d'IA mise à profit pour le comptage rapide d'éléments de construction. Ici pour évaluer le potentiel de réemploi.
Etude de cas

Elévations et déformations des façades d’une ferme

Relevé digital d'une ferme du XVIIIème siècle. La mission avait pour objectif d'établir les plans de la ferme et de ses abords. Les données issues ...
Etude de cas

Relevé d’un réseau souterrain avec Spot

Mission à Bruxelles pour tester le robot Spot en conditions réelles. C'était l'occasion de mettre à l'épreuve le système Lidar embarqué, pour numériser des étroites ...