FR3134629A1 - Procédé de détermination d’un niveau de salissure d’une chaussée - Google Patents
Procédé de détermination d’un niveau de salissure d’une chaussée Download PDFInfo
- Publication number
- FR3134629A1 FR3134629A1 FR2203457A FR2203457A FR3134629A1 FR 3134629 A1 FR3134629 A1 FR 3134629A1 FR 2203457 A FR2203457 A FR 2203457A FR 2203457 A FR2203457 A FR 2203457A FR 3134629 A1 FR3134629 A1 FR 3134629A1
- Authority
- FR
- France
- Prior art keywords
- dirt
- roadway
- level
- image
- determining
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 230000003287 optical effect Effects 0.000 claims abstract description 92
- 238000013528 artificial neural network Methods 0.000 claims abstract description 44
- 230000005540 biological transmission Effects 0.000 claims abstract description 35
- 239000000463 material Substances 0.000 claims abstract description 24
- 238000004458 analytical method Methods 0.000 claims abstract description 11
- 238000004891 communication Methods 0.000 claims description 25
- 238000004364 calculation method Methods 0.000 claims description 22
- 238000007781 pre-processing Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 18
- 238000001514 detection method Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 9
- 239000000428 dust Substances 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 6
- 239000004576 sand Substances 0.000 claims description 6
- -1 earth Substances 0.000 claims description 3
- 238000012545 processing Methods 0.000 description 13
- 238000010276 construction Methods 0.000 description 12
- 238000004140 cleaning Methods 0.000 description 6
- 239000004148 curcumin Substances 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 239000002699 waste material Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 239000004334 sorbic acid Substances 0.000 description 3
- 238000005259 measurement Methods 0.000 description 2
- 239000012925 reference material Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 235000011034 Rubus glaucus Nutrition 0.000 description 1
- 244000235659 Rubus idaeus Species 0.000 description 1
- 235000009122 Rubus idaeus Nutrition 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 239000010426 asphalt Substances 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000593 degrading effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30232—Surveillance
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
La présente demande concerne un procédé de détermination d’un niveau de salissure d’une chaussée, comprenant les étapes suivantes :E1 : acquisition d’une image de la chaussée par un capteur optique (10) ;E2 : transmission de l’image acquise à un serveur (20) ; etE4 : détermination par le serveur (20) du niveau de salissure de la chaussée, à partir d’une analyse de l’image par un modèle de type réseau de neurones entraîné sur une base de données d’apprentissage comprenant une pluralité d’images de chaussées de référence, chaque image de chaussée de référence étant associée à un ensemble de critères comprenant l’un au moins parmi une catégorie de matériau de salissure, une forme de salissure et une épaisseur de salissure, un niveau de salissure de référence étant défini en fonction de l’ensemble de critères. Figure pour l’abrégé : Fig. 2
Description
La présente demande concerne un procédé de détermination d’un niveau de salissure d’une chaussée et un dispositif de détermination d’un niveau de salissure d’une chaussée.
La détection de salissure, par exemple sous forme de gravats, de boue ou de sable, sur une chaussée d’une route permet de sécuriser la circulation des véhicules sur la route. En effet, une chaussée sale peut présenter des dangers, par exemple de dérapage, de perte de contrôle, etc., pour un véhicule circulant sur la route.
En particulier, dans des enceintes de chantiers et en sortie de chantiers, la chaussée est susceptible d’être détériorée du fait de la circulation de véhicules lourds et/ou d’opérations menées sur le chantier. La détection de salissure sur une chaussée est donc particulièrement utile pour sécuriser la circulation de véhicule sur une chaussée située dans une enceinte de chantier ou au niveau d’une sortie de chantier.
Un procédé connu de détection de salissure d’une chaussée consiste à envoyer un opérateur se rendre physiquement sur la chaussée pour examiner visuellement le niveau de salissure de la chaussée. Néanmoins, ce procédé est invasif, long, et nécessite la présence d’un opérateur. Ce procédé ne peut donc être effectué qu’à des intervalles de temps espacés, et conduit donc à espacer les interventions de nettoyage de la chaussée. Ainsi, la chaussée peut rester sale longtemps, ce qui présente un danger pour les véhicules circulant sur la chaussée.
Un but de la présente demande est de proposer un procédé permettant de déterminer avec fiabilité un niveau de salissure d’une chaussée.
Un autre but de la présente demande est de proposer un procédé permettant de déterminer un niveau de salissure d’une chaussée de manière non invasive et permettant d’intervenir rapidement pour nettoyer la chaussée lorsque la chaussée est sale.
Il est à cet effet proposé, selon un premier aspect, un procédé de détermination d’un niveau de salissure d’une chaussée comprenant les étapes suivantes :
E1 : acquisition d’une image de la chaussée par un capteur optique ;
E2 : transmission de l’image acquise à un serveur ; et
E4 : détermination par le serveur du niveau de salissure de la chaussée, à partir d’une analyse de l’image par un modèle de type réseau de neurones entraîné sur une base de données d’apprentissage, ladite base de données d’apprentissage comprenant une pluralité d’images de chaussées de référence, chaque image de chaussée de référence étant associée à un ensemble de critères comprenant l’un au moins parmi une catégorie de matériau de salissure, une forme de salissure et une épaisseur de salissure, un niveau de salissure de référence étant défini en fonction de l’ensemble de critères associé à l’image de chaussée de référence.
E1 : acquisition d’une image de la chaussée par un capteur optique ;
E2 : transmission de l’image acquise à un serveur ; et
E4 : détermination par le serveur du niveau de salissure de la chaussée, à partir d’une analyse de l’image par un modèle de type réseau de neurones entraîné sur une base de données d’apprentissage, ladite base de données d’apprentissage comprenant une pluralité d’images de chaussées de référence, chaque image de chaussée de référence étant associée à un ensemble de critères comprenant l’un au moins parmi une catégorie de matériau de salissure, une forme de salissure et une épaisseur de salissure, un niveau de salissure de référence étant défini en fonction de l’ensemble de critères associé à l’image de chaussée de référence.
Certaines caractéristiques préférées mais non limitatives du procédé décrit ci-dessus sont les suivantes, prises individuellement ou selon toute combinaison techniquement envisageable :
- le procédé comprend en outre une étape E3 de prétraitement de l’image acquise à l’étape E1, le serveur déterminant le niveau de salissure de la chaussée à l’étape E4 à partir d’une analyse de l’image prétraitée ;
- l’étape E3 de prétraitement comprend l’une au moins parmi les étapes suivantes :
E31 : définition d’une zone à analyser dans l’image acquise ;
E32 : détection d’obstacle dans l’image acquise ou dans la zone à analyser ; et
E33 : évaluation d’une qualité d’image de l’image acquise ou de la zone à analyser ;
- l’une au moins parmi l’étape d’acquisition E1 et l’étape de transmission E2 sont réalisées par le capteur optique de manière périodique à intervalles de temps réguliers ;
- l’étape de transmission E2 est effectuée via un réseau mobile, par exemple un réseau GSM, 3G ou 4G, par un module de communication du capteur optique ;
- le modèle de type réseau de neurones comprend au moins une tête adaptée pour analyser l’image et pour déterminer en conséquence au moins un critère correspondant ;
- la catégorie de matériau comprend l’un au moins parmi de la poussière, du sable, de la terre, de la boue, du gravier et des gravats, la forme de salissure comprend l’une au moins parmi une petite salissure, une salissure moyenne et une salissure étendue, et l’épaisseur de salissure comprend l’une au moins parmi une salissure fine, une salissure intermédiaire et une salissure épaisse ;
- le procédé comprend en outre les étapes suivantes :
E10 : mise à jour de la base de données d’apprentissage par ajout de l’image de chaussée acquise lors de l’étape E1 et d’un ensemble de critères comprenant l’un au moins parmi une catégorie de matériau, une forme de salissure et une épaisseur de salissure associés ; et
E20 : mise à jour du modèle de type réseau de neurones par entraînement sur la base de données d’apprentissage mise à jour ;
- le procédé comprend en outre une étape E30 d'estimation par le serveur d’une charge de calcul du serveur, le serveur déterminant le niveau de salissure de la chaussée à l’étape E4 en fonction de la charge de calcul estimée à l’étape E30 ;
- le procédé comprend en outre une étape E40 de détermination par le serveur d’un indice de fiabilité associé à la détermination du niveau de salissure lors de l’étape E4 ;
- le procédé comprend en outre une étape E50 de détermination par le serveur qu’une chaussée doit être nettoyée lorsque le niveau de salissure déterminé à l’étape E4 est supérieur à un seuil prédéterminé, et une étape E60 de transmission d’une alerte à un utilisateur lorsque le serveur détermine à l’étape E50 que la chaussée doit être nettoyée.
Selon un deuxième aspect, la présente demande concerne un dispositif de détermination d’un niveau de salissure d’une chaussée, comprenant un capteur optique et un serveur, dans lequel le capteur optique comprend un module d’acquisition configuré pour acquérir une image de la chaussée et un module de communication configuré pour communiquer avec le serveur via un réseau mobile, dans lequel le serveur est configuré pour recevoir l’image transmise par le module de communication du capteur optique et pour déterminer le niveau de salissure de la chaussée à partir d’une analyse de l’image par un modèle de type réseau de neurones entraîné sur une base de données d’apprentissage, ladite base de données d’apprentissage comprenant une pluralité d’images de chaussées de référence, chaque image de chaussée de référence étant associée à un ensemble de critères comprenant l’un au moins parmi une catégorie de matériau, une forme de salissure et une épaisseur de salissure, un niveau de salissure de référence étant déterminé en fonction de l’ensemble de critères associés à l’image de chaussée de référence.
Certaines caractéristiques préférées mais non limitatives du dispositif selon le deuxième aspect sont les suivantes, prises individuellement ou selon toute combinaison techniquement envisageable :
- le capteur optique comprend en outre un calculateur adapté pour assurer une disponibilité du module de communication du capteur optique via le réseau mobile, protéger et avertir de coupures de courant, et contrôler un état de fonctionnement du capteur optique ;
- le serveur comprend en outre des moyens de stockage configurés pour stocker un historique des images acquises et/ou des niveaux de salissure déterminés ;
- le réseau mobile par lequel le module de communication du capteur optique communique avec le serveur est un réseau GSM, 3G ou 4G.
D’autres caractéristiques, buts et avantages ressortiront de la description qui suit, qui est purement illustrative et non limitative, et qui doit être lue en regard des dessins annexés sur lesquels :
La est un schéma bloc illustrant un dispositif de détermination du niveau de salissure d'une chaussée selon un mode de réalisation.
La est un schéma bloc illustrant un procédé de détermination du niveau de salissure d'une chaussée selon un mode de réalisation.
La est un schéma bloc illustrant un procédé de détermination du niveau de salissure d'une chaussée selon un mode de réalisation.
Un procédé de détermination d’un niveau de salissure d'une chaussée, illustré à titre d’exemple non limitatif en et en , comprend les étapes suivantes :
E1 : acquisition d’une image de la chaussée par un capteur optique 10 ;
E2 : transmission de l’image acquise à un serveur 20 ; et
E4 : détermination par le serveur 20 du niveau de salissure de la chaussée, à partir d’une analyse de l’image par un modèle de type réseau de neurones entraîné sur une base de données d’apprentissage, ladite base de données d’apprentissage comprenant une pluralité d’images de chaussées de référence, chaque image de chaussée de référence étant associée à un ensemble de critères comprenant l’un au moins parmi une catégorie de matériau de salissure, une forme de salissure et une épaisseur de salissure, un niveau de salissure de référence étant défini en fonction de l’ensemble de critères associé à l’image de chaussée de référence.
E1 : acquisition d’une image de la chaussée par un capteur optique 10 ;
E2 : transmission de l’image acquise à un serveur 20 ; et
E4 : détermination par le serveur 20 du niveau de salissure de la chaussée, à partir d’une analyse de l’image par un modèle de type réseau de neurones entraîné sur une base de données d’apprentissage, ladite base de données d’apprentissage comprenant une pluralité d’images de chaussées de référence, chaque image de chaussée de référence étant associée à un ensemble de critères comprenant l’un au moins parmi une catégorie de matériau de salissure, une forme de salissure et une épaisseur de salissure, un niveau de salissure de référence étant défini en fonction de l’ensemble de critères associé à l’image de chaussée de référence.
Le procédé décrit ci-dessus permet de déterminer de manière simple le niveau de salissure d’une chaussée à partir de techniques de reconnaissance visuelle, plus particulièrement à partir d’un capteur optique 10 et d’un algorithme de reconnaissance visuelle par traitement d’image.
La transmission de l’image acquise au serveur 20 permet de traiter l’image à distance. Le procédé permet ainsi de déterminer le niveau de salissure de la chaussée de manière non intrusive, sans nécessiter la présence d’un opérateur et sans devoir se rendre sur la chaussée. Le capteur optique 10 peut être déployé dans un contexte complexe, tel que dans l’enceinte d’un chantier.
La détermination du niveau de salissure est effectuée par un modèle de type réseau de neurones entraîné sur une base de données de référence. Le modèle de type réseau de neurones entraîné permet d’estimer avec fiabilité la catégorie de matériau de salissure, la forme de salissure et/ou l’épaisseur de salissure, donc le niveau de salissure de la chaussée.
Chacun des critères (catégorie de matériau de salissure, forme de salissure et épaisseur de salissure) décrits ci-dessus est spécifique à la détection de salissure sur une chaussée. Par conséquent, le modèle de type réseau de neurones entraîné sur la base de données d’apprentissage est adapté pour déterminer avec fiabilité le niveau de salissure d’une chaussée sur la base de la détermination d’un au moins de ces critères. Par contraste, un procédé de détection d’une salissure sur un panneau solaire repose sur la nature plane et vitrée de la surface du panneau solaire et utilise un modèle physique de propagation de la lumière sur la surface vitrée du panneau solaire pour en déduire la présence ou non de salissure, sous forme de poussière, sur le panneau solaire. Ce procédé ne pourrait donc pas être appliqué de manière fiable à une chaussée, qui est une surface rugueuse non vitrée, et qui est susceptible d’être affectée par une variété de salissures autres que de la poussière. Également, un procédé de détermination d’un niveau de remplissage d’une benne à déchets utilise des techniques de détection d’objet pour détecter les déchets dans la benne à déchets, donc le niveau de remplissage de la benne à déchets. Ce procédé ne pourrait donc pas être appliqué de manière fiable à la détection de salissure sur une chaussée, car une salissure par exemple sous forme de boue sur la chaussée n’est pas un objet et ne serait donc pas détectée par ce procédé.
Une opération de nettoyage peut être mise en œuvre en fonction du niveau de salissure déterminé, ce qui permet de sécuriser la circulation des véhicules sur la chaussée avec fiabilité. De plus, la détermination du niveau de salissure de la chaussée peut être réalisée y compris dans des cas complexes, par exemple lorsque la chaussée présente plusieurs salissures liées à différents matériaux, de différentes formes ou épaisseurs, et/ou se chevauchant partiellement.
Enfin, la détermination du niveau de salissure de la chaussée peut être réalisée à tout moment, ce qui permet d’intervenir rapidement pour nettoyer une chaussée sale. Ainsi, la circulation des véhicules sur la route comprenant la chaussée dont le niveau de salissure est déterminé est sécurisée en permanence. A ce titre, la détermination du niveau de salissure de la chaussée peut être réalisée en temps réel et en continu, afin de sécuriser encore plus efficacement la circulation de véhicules sur la chaussée. Par « en temps réel », on comprendra que ladite détermination est effectuée simultanément à la circulation des véhicules sur la chaussée, par exemple pendant toute une journée d’activité sur le chantier. Par « en continu », on comprendra que ladite détermination est effectuée de manière régulière au cours du temps, c’est-à-dire périodiquement, et à une période permettant l’adaptation rapide de mesures de nettoyage de la chaussée en fonction du niveau de salissure déterminé. Par exemple, la détermination du niveau de salissure de la chaussée peut être effectuée à une période de comprise entre 1 minute et 1 heure. La détermination en temps réel et en continu du niveau de salissure de la chaussée permet de prendre en temps réel et en continu des mesures de maintenance de la chaussée, telles qu’une alerte et/ou un nettoyage en cas de chaussée sale. Ainsi, les véhicules ne risquent pas de rouler sur une chaussée sale, la circulation des véhicules sur la chaussée étant encore davantage sécurisée.
L’étape d’acquisition E1 peut être réalisée par le capteur optique 10 de manière périodique à intervalles de temps réguliers, par exemple à une période d’acquisition. La période d’acquisition peut être comprise entre 1 minute et 24 heures, par exemple être égale à 15 minutes ou à 1 heure. Dans ce dernier cas, l'image de la chaussée est acquise toutes les heures. Une période d’acquisition élevée permet d’améliorer l’autonomie du capteur optique 10 en cas de capteur optique 10 autonome. Une période d’acquisition réduite permet de suivre avec davantage de précision le niveau de salissure de la chaussée.
L’étape d’acquisition E1 peut être réalisée de manière autonome par le capteur optique 10, ou en variante peut être réalisée sur demande du serveur 20. Dans ce deuxième cas, le serveur 20 envoie un ordre d’acquisition au capteur optique 10, par exemple par le biais d’un module de communication 22 du serveur adapté pour communiquer avec un module de communication 12 du capteur optique. L’envoi est réalisé de façon périodique à intervalles de temps réguliers correspondant à la période d’acquisition.
L’étape de transmission E3 peut être réalisée par le capteur optique 10 de manière périodique à intervalles de temps réguliers, par exemple à une période de transmission prédéterminée. La période de transmission peut être comprise entre 1 minute et 24 heures, par exemple être égale à 15 minutes ou à 1 heure. La période de transmission peut être supérieure ou égale à la période d’acquisition. Une période de transmission élevée permet d’améliorer l’autonomie du capteur optique 10 en cas de capteur optique 10 autonome. Par exemple, la période de transmission peut être au moins deux fois supérieure à la période d’acquisition. Le capteur optique 10 peut alors être configuré pour transmettre au serveur 20 l’ensemble des images acquises pendant la période d’acquisition. Une période d’acquisition réduite permet de suivre avec davantage de précision le niveau de salissure de la chaussée.
L’étape de transmission E3 peut être réalisée de manière autonome par le capteur optique 10, ou en variante peut être réalisée sur demande du serveur 20. Dans ce deuxième cas, le serveur 20 envoie un ordre de transmission au capteur optique 10, par exemple par le biais d’un module de communication 22 du serveur adapté pour communiquer avec un module de communication 12 du capteur optique. L’envoi est réalisé de façon périodique à intervalles de temps réguliers correspondant à la période d’acquisition. L’ordre de transmission peut être envoyé simultanément avec l’ordre d’acquisition. L’ordre d’acquisition et l’ordre de transmission peuvent correspondre à un ordre commun lorsque la période d’acquisition est égale à la période de transmission.
L’étape de transmission E2 peut être effectuée via un réseau mobile, par exemple un réseau GSM, 3G ou 4G, par le module de communication 12 du capteur optique 10. L’image acquise peut être transmise au module de communication 22 du serveur 20. La transmission de l’image acquise via un réseau mobile est fiable et est plus simple à mettre en œuvre qu’une transmission par un réseau de type Ethernet ou Wi-Fi, notamment lorsque le capteur optique 10 est installé dans un contexte complexe, tel qu’une enceinte d’un chantier. En variante, l’étape de transmission E2 peut être effectuée via un réseau de type Ethernet ou Wi-Fi, ou via un réseau longue portée et basse consommation par le biais de technologies LPWAN, afin de limiter l’énergie consommée par la transmission et ainsi d’augmenter l’autonomie du capteur optique 10 notamment en cas de capteur optique 10 autonome.
Le procédé de détermination du niveau de salissure d’une chaussée peut comprendre en outre une étape E3 de prétraitement de l’image acquise à l’étape E1, le serveur 20 déterminant le niveau de salissure de la chaussée à l’étape E4 à partir d’une analyse de l’image prétraitée.
Le prétraitement de l’image transmise lors de l’étape E3 permet d’améliorer la fiabilité de la détermination du niveau de salissure par le modèle de type réseau de neurones. En effet, l’étape de prétraitement E3 constitue un contrôle préalable supplémentaire des images transmises au serveur 20 afin de ne pas analyser des images dont la qualité ne serait pas suffisante et/ou qui seraient susceptibles de conduire à une détermination erronée du niveau de salissure de la chaussée, et ainsi de détériorer la fiabilité du modèle. Un ou plusieurs prétraitements peuvent être réalisés lors de l’étape E3. Les prétraitement réalisés lors de l’étape E3 sont spécifiques à l’utilisation du modèle de type réseau de neurones en vue de déterminer le niveau de salissure d’une chaussée, ce qui permet d’optimiser la fiabilité de la détermination du niveau de salissure de la chaussée.
L’étape E3 de prétraitement peut comprendre l’une au moins parmi les étapes suivantes :
E31 : définition d’une zone à analyser dans l’image acquise ;
E32 : détection d’obstacle dans l’image acquise ou dans la zone à analyser ; et
E33 : évaluation d’une qualité d’image de l’image acquise ou de la zone à analyser.
E31 : définition d’une zone à analyser dans l’image acquise ;
E32 : détection d’obstacle dans l’image acquise ou dans la zone à analyser ; et
E33 : évaluation d’une qualité d’image de l’image acquise ou de la zone à analyser.
Ainsi qu’illustré à titre d’exemple non limitatif en , l’étape E3 de prétraitement peut comprendre les trois étapes E31, E32 et E33, la détection d’obstacle étant réalisée à l’étape E32 dans la zone à analyser définie à l’étape E31 et l’évaluation de la qualité d’image étant réalisée à l’étape E33 dans la zone à analyser définie à l’étape E31. En variante, lorsque l’étape E3 de prétraitement ne comprend pas d’étape E31 de définition d’une zone à analyser dans l’image acquise, la détection d’obstacle est réalisée à l’étape E32 dans l’image acquise et/ou l’évaluation de la qualité d’image est réalisée à l’étape E33 dans l’image acquise.
L’étape E31 de définition de la zone à analyser dans l’image transmise à l’étape E2 permet de restreindre la zone de l’image acquise à analyser par le modèle de type réseau de neurones. Ainsi, la précision de la détermination du niveau de salissure à partir de l’image représentant la zone à analyser est améliorée. La zone à analyser peut être une zone centrée sur la chaussée dont le niveau de salissure est à déterminer, et qui ne comprend pas d’éventuels éléments périphériques extérieurs à ladite chaussée. La définition de la zone à analyser lors de l’étape E31 peut être effectuée manuellement, par exemple après l’installation du capteur optique 10, sur une image initiale acquise par le capteur optique 10. En variante, la définition de la zone à analyser lors de l’étape E31 peut être effectuée automatiquement par un algorithme de traitement d’images adapté pour reconnaître la chaussée dans l’image acquise et pour éliminer des zones de l’image acquise qui ne font pas partie de la chaussée.
L’étape E32 de détection d’obstacle dans la zone à analyser permet de détecter un obstacle dans l’image acquise ou dans la zone à analyser, et ainsi d’éliminer des images dans lesquelles un obstacle obstruerait au moins partiellement l’image de la chaussée. En effet, la détermination du niveau de salissure de la chaussée à partir d’une image sur laquelle la chaussée serait partiellement ou totalement obstruée par un obstacle serait susceptible d’être erronée. La détection d’obstacle lors de l’étape E32 peut être effectuée automatiquement par un algorithme de traitement d’images adapté pour reconnaître un obstacle dans la zone à analyser ou dans l’image acquise, par exemple par un algorithme de type réseau de neurones. Un obstacle peut correspondre par exemple à un véhicule ou à un piéton situé sur la chaussée ou dans le champ de vision du capteur optique 10, obstruant ainsi l’acquisition de la chaussée par le capteur optique 10. Par exemple, un obstacle peut correspondre à un camion garé devant le capteur optique 10.
L’étape E33 d’évaluation de la qualité d’image permet d’identifier différents facteurs susceptibles de dégrader la qualité de la zone à analyser ou de l’image acquise. La détermination du niveau de salissure d’une chaussée à partir d’une image acquise présentant une qualité insuffisante présenterait une fiabilité dégradée. L’évaluation de la qualité d’image lors de l’étape E33 peut être effectuée automatiquement par un algorithme de traitement d’images adapté pour déterminer un niveau de qualité de la zone à analyser ou de l’image acquise. Le niveau de qualité peut être fonction de la présence d’humidité et/ou de gouttes sur le capteur optique 10, et/ou de conditions météorologiques telles qu’un temps pluvieux ou une surexposition.
Le procédé peut comprendre en outre une étape de fusion d’informations extraites de chacun des prétraitements. L’étape de fusion des informations est réalisée après l’étape E3 de prétraitement et avant l’étape E4 de détermination du niveau de salissure, et comprend les sous-étapes suivantes :
- concaténation d’informations en provenance de chacun des pré-traitements ; et
- application aux informations concaténées d’au moins une règle logique pour déterminer si la détermination du niveau de salissure est permis par le contexte.
Par exemple, une règle logique utilisée peut être que si au moins une information en provenance d’un prétraitement et/ou si l’information concaténée indique que la détermination du niveau de salissure n'est pas pertinente et/ou n’est pas possible, alors le niveau de salissure n’est pas déterminé à partir de l’image prétraitée. Le dispositif peut alors être configuré pour retourner une valeur "non applicable".
Le procédé peut comprendre une étape E30 de gestion de la charge de calcul du serveur 20. L’étape E30 de gestion de la charge de calcul peut être effectuée après la réception par le serveur 20 de l’image transmise par le capteur optique 10 et le cas échéant avant l’étape de prétraitement E3.
L’étape E30 de gestion de la charge de calcul du serveur 20 peut être réalisée par le biais d’une implémentation réseau d’un patron de conception (« design-pattern » en anglais) de type file de tâches (« job-queue » en anglais »). L’étape E30 de gestion de la chaque de calcul peut ainsi comprendre une séparation des producteurs, qui correspondent au(x) capteur(s) optique(s) 10, et des consommateurs, qui correspondent à ou aux algorithme(s), par le biais de la file de tâches. Lorsque le nombre de tâches arrivant en même temps dépasse un seuil prédéterminé, les tâches sont stockées dans la liste de tâches et sont consommées au fur et à mesure que le(s) algorithme(s) est/sont disponible(s).
Ainsi, l’étape E30 de gestion de la charge de calcul permet au serveur 20 d’absorber les pics de charge de calcul temporaires en situation de puissance de calcul limitée. Le serveur 20 peut repousser la détermination du niveau de salissure de la chaussée à l’étape E4 lorsque sa charge de calcul est trop importante, le niveau de salissure de la chaussée étant déterminé en fonction de la gestion de la charge de calcul effectuée à l’étape E30. Une telle architecture logicielle permet donc d'avoir une puissance de calcul moindre du serveur 20, en vue de minimiser l'énergie consommée par le dispositif, tout en conservant des temps de réponse rapides.
En alternative ou en outre, une ou plusieurs unités de traitement 23 peuvent être ajoutées sur le réseau plutôt que de faire grossir une unique unité de traitement 23 aux capacités de calcul limitées. Les capacités de calcul du serveur 20 sont ainsi augmentées, de sorte que le serveur 20 peut gérer un nombre plus grand de capteurs optiques 10.
L’étape de détermination du niveau de salissure E4 peut être réalisée de manière périodique à une période de calcul. La période de calcul peut être comprise entre 1 minute et 24 heures, par exemple être égale à 15 minutes ou à 1 heure. La période de calcul peut être supérieure ou égale à la période de transmission. Lorsque la période de calcul est égale à la période de transmission, l’étape de détermination du niveau de salissure E4 est réalisée dès que le serveur 20 reçoit l’image acquise transmise par le capteur optique 10.
Par exemple, la période de calcul peut être au moins deux fois supérieure à la période de transmission. Le serveur 20 peut alors être configuré pour déterminer un ensemble de niveaux de salissure correspondant respectivement à chacune de l’ensemble des images de la chaussée transmises pendant la période de calcul. Une période de calcul réduite permet de suivre avec davantage de précision le niveau de salissure de la chaussée.
Par exemple, la période d’acquisition, la période de transmission et la période de calcul peuvent toutes trois être égales à 15 minutes. Alors, l’image de la chaussée est acquise et transmise toutes les 15 minutes par le capteur optique 10, et le niveau de salissure de la chaussée est déterminé toutes les 15 minutes par le serveur 20 à partir de l’image transmise à l’étape E2.
Le procédé de détermination du niveau de salissure d’une chaussée peut comprendre en outre une étape E40 de détermination par le serveur 20 d’un indice de fiabilité associé à la détermination du niveau de salissure lors de l’étape E4.
L’indice de fiabilité, ou score de confiance, peut être déterminé à l’étape E40 par le serveur 20, en particulier par le modèle de type réseau de neurones. L’indice de fiabilité est ainsi une propriété du modèle de type réseau de neurones lui permettant d’auto-évaluer sa réponse.
L’indice de fiabilité peut être déterminé en fonction de conditions externes prédéterminées ou déterminées lors de l’étape E3 de prétraitement, plus particulièrement en fonction d’obstacles détectés lors de l’étape E32 de prétraitement, en fonction de la qualité d’image déterminée lors de l’étape E33 prétraitement, etc.
L’indice de fiabilité peut par exemple être compris entre 0 et 1. Plus l’indice de fiabilité est élevé, plus la détermination du niveau de salissure à l’étape E4 est considéré comme fiable. Ainsi, un indice de fiabilité de 0 correspond à un niveau de salissure déterminé avec une fiabilité minimum, c’est-à-dire que le modèle de type réseau de neurones n’est pas sûr de sa réponse, l'image analysée étant ambiguë ou ne correspondant à aucune situation présentée lors de l’apprentissage. Un indice de fiabilité de 1 correspond à un niveau de salissure déterminé avec une fiabilité maximum, c’est-à-dire que le modèle de type réseau de neurones est sûr de sa réponse, l’image correspondant à une situation clairement apprise.
Le procédé de détermination du niveau de salissure d’une chaussée peut comprendre une étape préalable E100 d’établissement de la base de données d’apprentissage.
Afin d’établir la base de données d’apprentissage, une pluralité d’images de chaussées de référence est acquise. Un ensemble de critères correspondant à chaque image de chaussée de référence, le ou les critères comprenant l’un au moins parmi une catégorie de matériau, une forme de salissure et une épaisseur de salissure, est indiqué manuellement pour chaque image de chaussée de référence. Un niveau de salissure de référence associé à chaque image de chaussée de référence est défini en fonction de l’ensemble de critères indiqué manuellement. L’ensemble de critères indiqué manuellement pour chacune des images de chaussées de référence conditionne donc l’apprentissage du modèle de type réseau de neurones. Chacun des critères décrits ci-dessus est spécifique à la détection de salissure sur une chaussée, et permet donc un apprentissage optimal du modèle de type réseau de neurones entraîné sur la base de données d’apprentissage et une détermination fiable du niveau de salissure d’une chaussée. En particulier, l’ensemble de critères peut comprendre au moins deux parmi une catégorie de matériau, une forme de salissure et une épaisseur de salissure, ou en variante à la fois une catégorie de matériau, une forme de salissure et une épaisseur de salissure, la combinaison de ces deux ou trois critères permettant un apprentissage optimal du modèle de type réseau de neurones.
La catégorie de matériau peut comprendre l’un au moins parmi de la poussière, du sable, de la terre, de la boue, du gravier et des gravats. La poussière et le sable peuvent être regroupées en une catégorie correspondant à des matières blanches, la terre et la boue peuvent être regroupées en une catégorie correspondant à des matières marrons, les graviers et les gravats peuvent être regroupés en une catégorie correspondant à des gros objets.
La forme de salissure peut comprendre l’une au moins parmi une petite salissure, une salissure moyenne et une salissure étendue. Une petite salissure peut correspondre à une petite tâche localisée. Une salissure moyenne peut correspondre à une trace plus ou moins en longueur. Une salissure étendue peut correspondre à une trace de grande surface, voire à une trace s’étendant sur une zone entière de la chaussée.
L’épaisseur de salissure peut comprendre l’une au moins parmi une salissure fine, ou d’épaisseur faible, une salissure intermédiaire, ou d’épaisseur moyenne, et une salissure épaisse, ou d’épaisseur forte. Une salissure fine peut correspondre à une couche très fine et volatile. Une salissure intermédiaire peut correspondre à une couche plus épaisse, la chaussée restant au moins partiellement visible sous la salissure. Une salissure épaisse peut correspondre à une couche très épaisse masquant la chaussée sous la salissure.
Les images de chaussées de référence de la base de données d’apprentissage peuvent comprendre des images prises à différentes heures de la journée, avec différentes luminosités, différentes conditions climatiques et/ou pour des chaussées présentant différentes textures de goudron, le cas échéant avec présence de défauts ou rustines. Plus la base de données d’apprentissage contient un nombre élevé d’images de chaussées de référence variées, meilleur sera l’apprentissage du modèle de type réseau de neurones sur la base de données d’apprentissage, et donc plus le modèle de classification déterminera une large gamme de niveaux de salissure de manière fiable et efficace.
Un niveau de salissure de référence est déterminé pour chaque image de chaussée de référence, en fonction de l’ensemble de critères indiqués manuellement pour chaque image de chaussée de référence. Notamment, lorsque le niveau de salissure de référence est défini en fonction de plusieurs critères, la dangerosité de la salissure est alors mieux quantifiée par rapport à la simple attribution manuelle d’une note à la salissure.
Le tableau 1 ci-dessous illustre un premier exemple non limitatif d’une base de données d’apprentissage associant à chaque image de chaussées de référence deux critères, sous la forme d’une forme de salissure de référence et d’une épaisseur de salissure de référence. Pour chaque image de chaussée de référence, un niveau de salissure de référence respectif est défini en fonction de de l’ensemble des deux critères associé à l’image de référence respective.
| Définition du niveau de salissure de référence | Forme de salissure de référence | |||
| Petite (tâches) | Moyenne (traces) | Etendue (surface) | ||
| Epaisseur de salissure de référence | Fine | 20 | 30 | 40 |
| Intermédiaire | 40 | 60 | 80 | |
| Epaisse | 60 | 90 | 100 |
Le tableau 2 ci-dessous illustre un deuxième exemple non limitatif d’une base de données d’apprentissage associant à chaque image de chaussées de référence trois critères, sous la forme d’une catégorie de matériau de référence, d’une forme de salissure de référence et d’une épaisseur de salissure de référence. Plusieurs niveaux de salissure de référence respectifs sont définis en fonction de l’ensemble de critères associé aux plusieurs images de référence respectives.
| Image de chaussée de référence | Critères | Niveau de salissure de référence | ||
| Catégorie de matériau de référence | Forme de salissure de référence | Epaisseur de salissure de référence | ||
| R1 | Boue | Petite | Intermédiaire | 150 |
| R2 | Sable | Etendue | Fine | 100 |
| R3 | Gravier | Moyenne | Epaisse | 250 |
| … | … | … | … | … |
Le procédé de détermination du niveau de salissure d’une chaussée peut comprendre en outre une étape préalable E200 d’entraînement du modèle de type réseau de neurones sur la base de données d’apprentissage établie à l’étape E100. Ainsi, le modèle de type réseau de neurones est un algorithme d’intelligence artificielle spécialisé pour évaluer le niveau de salissure d’une chaussée. Le modèle de type réseau de neurones est entraîné spécifiquement pour le cas d’usage correspondant à la détermination du niveau de salissure d’une chaussée, le ou les critères définis dans la base de données de référence étant spécifiques à la détermination du niveau de salissure d’une chaussée. Le modèle est donc à même de déterminer, à partir d’une image de chaussée acquise à l’étape E1, un niveau de salissure fiable et représentatif de la réalité. En outre, l’entraînement du modèle de type réseau de neurones permet de ne pas considérer comme une salissure d’autres éléments susceptibles de modifier l’aspect extérieur de la chaussée, par exemple des traces de goudron, un raccord de bitume, une tâche d’humidité, ou encore une tâche permanente sur la chaussée.
Une fois l’entraînement effectué, la détermination du niveau de salissure de la chaussée peut être réalisée à l’étape E4 pour une image acquise à l’étape E1, le cas échéant prétraitée à l’étape E3, par l’intermédiaire du modèle de type réseau de neurones, sans nécessiter de consultation de la base de données d’apprentissage.
L’architecture retenue pour le modèle de réseau de neurones peut être une architecture dite « multi-tâches ».
Le modèle de type réseau de neurones peut comprendre un extracteur de caractéristiques (« feature extractor » en anglais), adapté pour extraire un vecteur de caractéristiques de l’image prétraitée lors de l’étape E3. L’extracteur de caractéristiques peut être un extracteur de caractéristiques standard pré-entraîné, tel que MobileNetV2.
Le modèle de type réseau de neurones peut comprendre en outre au moins une tête adaptée pour analyser l’image et pour déterminer en conséquence au moins un critère correspondant. Le nombre de têtes du réseau de neurones peut correspondre au nombre de critères de l’ensemble de critères, chaque tête déterminant un critère correspondant parmi les un ou plusieurs critères de l’ensemble. Plus particulièrement, chaque tête peut être adaptée pour réaliser un classement en fonction du vecteur de caractéristiques extrait par l’extracteur de caractéristiques. Le cas échéant, chaque tête peut sélectionner et affiner les caractéristiques du vecteur de caractéristiques avant de réaliser leur classification. En particulier, le modèle de type réseau de neurones peut comprendre trois têtes. Une première tête est adaptée pour déterminer une catégorie de matériau de salissure, une deuxième tête est adaptée pour déterminer une forme de salissure, et une troisième tête est adaptée pour déterminer une épaisseur de salissure, à partir de l’analyse de l’image prétraitée lors de l’étape E4.
Le modèle de type réseau de neurones peut être entraîné en utilisant une fonction d’erreur composée (« compound loss function » en anglais).
Le procédé de détermination du niveau de salissure d’une chaussée peut comprendre en outre les étapes suivantes :
E10 : mise à jour de la base de données d’apprentissage par ajout de l’image de chaussée acquise lors de l’étape E1 et d’un ensemble de critères comprenant l’un au moins parmi une catégorie de matériau, une forme de salissure et une épaisseur de salissure associés ; et
E20 : mise à jour du modèle de type réseau de neurones par entraînement sur la base de données d’apprentissage mise à jour.
E10 : mise à jour de la base de données d’apprentissage par ajout de l’image de chaussée acquise lors de l’étape E1 et d’un ensemble de critères comprenant l’un au moins parmi une catégorie de matériau, une forme de salissure et une épaisseur de salissure associés ; et
E20 : mise à jour du modèle de type réseau de neurones par entraînement sur la base de données d’apprentissage mise à jour.
Les étapes de mise à jour de la base de données d’apprentissage E10 et de mise à jour du modèle de type réseau de neurones E20 permettent d’améliorer la fiabilité et la robustesse de la détermination du niveau de salissure par le modèle de type réseau de neurones.
La mise à jour de la base de données d’apprentissage peut être effectuée à l’étape E10 en associant manuellement à une image de référence supplémentaire acquise par le capteur optique 10, le cas échéant prétraitée lors de l’étape E3, au moins un parmi l’ensemble de critères, tels qu’une catégorie de matériau de salissure, une forme de salissure et/ou une épaisseur de salissure. Un niveau de salissure de référence supplémentaire est défini en fonction de l’ensemble de critères associé à l’image de chaussée de référence supplémentaire. L’image de référence supplémentaire est ainsi labélisée manuellement pour indiquer au modèle de type réseau de neurones ce qui est attendu de lui. La base de données est alors mise à jour pour lui ajouter, en plus des images de chaussées de référence déjà présentes, l’image de chaussée de référence supplémentaire.
La base de données d’apprentissage est ainsi complétée avec une ou plusieurs images de chaussées de référence qui peuvent être extraites de positions réelles des capteurs optiques 10. L’entraînement mis à jour du modèle de type réseau de neurones est donc un entraînement ciblé qui s’appuie sur la position réelle du capteur optique 10 ainsi que sur des images issues de différents contextes, par exemple un contexte de chaussée humide, de surexposition, ou un contexte normal. En d’autres termes, le modèle de réseau de neurones est réentraîné, pour prendre en compte à la fois les images de chaussées de référence génériques comprises dans la base de données d’apprentissage, et des images de chaussées de référence supplémentaires extraites des positions réelles des capteurs optiques 10, ce qui permet d’en améliorer la fiabilité.
Les étapes de mise à jour de la base de données E10 et de mise à jour du modèle de type réseau de neurones E20 peuvent être réalisées à n’importe quel moment après l’étape E100 d’établissement de la base de données d’apprentissage et l’étape E200 d’entraînement du modèle de réseau de neurones sur la base de données d’apprentissage. La détermination du niveau de salissure par le serveur 20 lors de l’étape E4 peut être mise à jour en conséquence pour l’ensemble des capteurs optiques 10 en service.
Les étapes de mise à jour de la base de données d’apprentissage E10 et de mise à jour du modèle de type réseau de neurones E20 peuvent en particulier être effectuées lorsqu’au cours de la mise en œuvre du procédé de détermination du niveau de la salissure, le modèle de type réseau de neurones s’avère incapable de déterminer le niveau de salissure de la chaussée à partir de l’image acquise, lorsqu’il détermine un niveau de salissure de la chaussée erroné, lorsque l’indice de fiabilité déterminé à l’étape E40 est supérieur à un certain seuil, et/ou lorsque le capteur optique 10 est intégré sur un nouveau site.
Le procédé de détermination du niveau de salissure d’une chaussée peut comprendre en outre une étape E50 de détermination par le serveur 20 qu’une chaussée doit être nettoyée lorsque le niveau de salissure déterminé à l’étape E4 est supérieur à un seuil prédéterminé.
Le procédé de détermination du niveau de salissure d’une chaussée peut comprendre en outre une étape E60 de transmission d’une alerte à un utilisateur lorsque le serveur 20 détermine à l’étape E50 que la chaussée doit être nettoyée.
L’étape E60 peut inclure la transmission de données d’alerte comprenant par exemple le niveau de salissure déterminé à l’étape E4, le détail du ou des critères associé(s) à l’image de la chaussée acquise déterminés à l’étape E4, et/ou l’indice de fiabilité déterminé à l’étape E40. Les données d’alerte peuvent être transmises par le serveur 20 à l’utilisateur par le biais d’une connexion sans fil.
Le procédé de détermination d’un niveau de salissure d’une chaussée peut comprendre en outre une étape de nettoyage de la chaussée, déclenchée par l’utilisateur lorsqu’il reçoit l’alerte transmise à l’étape E60.
Un dispositif de détermination d’un niveau de salissure d'une chaussée, illustré à titre d’exemple non limitatif en , comprend un capteur optique 10 et un serveur 20. Le capteur optique 10 comprend un module d’acquisition 11 configuré pour acquérir une image de la chaussée et un module de communication 12 configuré pour communiquer avec le serveur 20 via un réseau mobile, par exemple un réseau GSM, 3G ou 4G. Le serveur 20 est configuré pour recevoir l’image transmise par le module de communication 12 du capteur optique 10 et pour déterminer le niveau de salissure de la chaussée à partir d’une analyse de l’image par un modèle de type réseau de neurones entraîné sur une base de données d’apprentissage, ladite base de données d’apprentissage comprenant une pluralité d’images de chaussées de référence, chaque image de chaussée de référence étant associée à un ensemble de critères comprenant l’un au moins parmi une catégorie de matériau, une forme de salissure et une épaisseur de salissure, un niveau de salissure de référence étant déterminé en fonction de l’ensemble de critères associé à l’image de chaussée de référence.
Le dispositif permet d’aboutir aux mêmes avantages que ceux décrits ci-dessus concernant le procédé de détermination du niveau de salissure d'une chaussée. Le dispositif est adapté à la mise en œuvre du procédé selon l’une quelconque des variantes décrites ci-dessus.
Le capteur optique 10 est installé de sorte à permettre de visualiser la portion de route comprenant la chaussée dont le niveau de salissure est à déterminer. Par exemple, le capteur optique 10 peut être posé en direction de la portion de route comprenant la chaussée. Le capteur optique 10 peut être un capteur stationnaire, par exemple monté sur un poteau à proximité de la chaussée dont le niveau de salissure est à déterminer. Le capteur optique 10 peut par exemple être installé dans l’enceinte d’un chantier ou au niveau d’une sortie de chantier, de sorte à pouvoir visualiser une chaussée d’un chantier.
Le capteur optique 10, en particulier le module d’acquisition 11 du capteur optique 10, peut être une caméra. La caméra 11 peut être orientée de sorte que son champ de vision comprenne la chaussée dont le niveau de salissure est à déterminer.
Le module de communication 12 peut comprendre un module émetteur permettant une transmission par le biais de technologies de type réseau mobile. En variante, le module de communication 12 peut comprendre un module émetteur permettant une transmission par le biais de technologies LPWAN, afin de limiter l’énergie consommée par la transmission et ainsi d’augmenter l’autonomie du capteur optique 10. Le module de communication 12 peut comprendre en outre un module récepteur permettant de recevoir un ordre d’acquisition et/ou un ordre de transmission du serveur 20, par exemple le biais de technologies de type réseau mobile ou LPWAN.
Le capteur optique 10 peut comprendre en outre un calculateur 13 adapté pour assurer une disponibilité du module de communication 12 du capteur optique 10 via le réseau mobile, protéger et avertir de coupures de courant, et contrôler un état de fonctionnement du capteur optique 10. Par « calculateur 13 », on comprendra qu’il peut s’agir de tout système permettant d’effectuer les traitements souhaités. Par exemple, le calculateur peut être de tout type envisageable présentant une unité centrale de traitement (en anglais CPU, « Central Processing Unit ») présentant au moins 4 cœurs cadencés à 1,5 GHz, et/ou présentant une mémoire vive (en anglais RAM, « Random Access Memory ») d’au moins 4 Go. En particulier, le calculateur 13 peut être un mini PC de type Raspberry. Le calculateur 13 peut comprendre un ou plusieurs micro-processeur(s) adapté(s) pour traiter les données de mesure issues du capteur optique 10. Le calculateur 13 peut être adapté pour déterminer, en tant qu’état de fonctionnement du capteur optique 10, une défaillance du capteur optique 10. Le calculateur 13 peut en outre être adapté pour avertir le serveur 20 en cas de défaillance du capteur optique 10.
Le capteur optique 10 peut être raccordé à une source d’énergie externe, par exemple à une alimentation électrique. La source d’énergie externe fournit suffisamment d’énergie pour alimenter tous les éléments du capteur optique 10, et le procédé de détermination du niveau de salissure de la chaussée peut être effectué autant de fois que nécessaire pour suivre l’évolution de la salissure de la chaussée, sans qu’il soit nécessaire d’implémenter une alimentation dédiée pour le capteur optique 10.
En variante, le capteur optique 10 peut comprendre une source d’alimentation interne 14, par exemple une batterie adaptée pour fournir de l’énergie aux différents éléments du capteur optique 10. Ainsi, le capteur optique 10 est un capteur autonome qui peut fonctionner de manière autonome sans nécessiter une source d’énergie extérieure. Le capteur optique 10 ne doit donc pas être relié à une alimentation électrique. Par exemple, dans le cas d’une installation d’un capteur optique 10 dans un chantier ou à proximité d’un chantier, l’alimentation électrique du chantier peut être instable ou coupée à tout instant pour des raisons logistiques ou de sécurité. Le capteur optique 10 équipé d’une source d’alimentation interne 14 peut donc acquérir des images et les transmettre à tout moment, indépendamment des conditions extérieures. La batterie 14 peut comprendre une ou plusieurs piles non rechargeables montées en série, ou être rechargeable par un chargeur, la nature de la pile pouvant être choisie en fonction de l’autonomie souhaitée pour le capteur optique 10.
Les différents éléments du capteur optique 10 peuvent être intégrés dans un boîtier du capteur optique 10. Le boîtier peut être réalisé en un matériau étanche, afin de pouvoir protéger les différents éléments du capteur optique 10 des conditions climatiques et des perturbations du milieu extérieur. Ainsi, le capteur optique 10 peut être déployé dans un environnement peu protégé, par exemple dans un environnement extérieur soumis aux intempéries, et/ou dans l’enceinte d’un chantier soumise aux émissions du chantier tel que la poussière, l’eau ou les vibrations, sans risquer de dégrader la durée de vie ou la précision des mesures effectuées par le capteur optique 10.
Le serveur 20 peut comprendre une unité de traitement 21 adaptée pour déterminer le niveau de salissure de la chaussée lors de l’étape E4 en fonction de l’image transmise par le capteur optique 10 lors de l’étape E3, par le biais du modèle de type réseau de neurones. Le modèle de type réseau de neurones peut correspondre à l’une quelconque des variantes décrites ci-dessus concernant le procédé de détermination du niveau de salissure d'une chaussée. L’unité de traitement 21 peut comprendre un ou plusieurs processeurs, par exemple en fonction du coût et de la capacité de calcul souhaitée.
L’unité de traitement 21 peut en outre être adaptée pour réaliser les prétraitements à l’étape E3, pour estimer lors de l’étape E30 la charge de calcul du serveur 20, pour déterminer à l’étape E40 l’indice de fiabilité associé à la détermination du niveau de salissure lors de l’étape E4, et/ou pour déterminer à l’étape E50 qu’une chaussée doit être nettoyée.
Le serveur 20 peut comprendre un module de communication 22 adapté pour recevoir les images transmises par le module de communication 12 du capteur optique 10.
Le serveur 20 peut comprendre en outre une unité d’alerte comprenant un module de communication adapté pour transmettre une alerte à un utilisateur lorsqu’il est déterminé à l’étape E50 que la chaussée doit être nettoyée. L’unité d’alerte peut correspondre à l’unité de traitement 21.
Le serveur 20 peut comprendre en outre des moyens de stockage 23 configurés pour stocker un historique des images acquises et/ou des niveaux de salissure déterminés, pendant une durée de stockage prédéterminée. Les moyens de stockage 23 peuvent en outre être configurés pour stocker la base de données d’apprentissage et/ou pour stocker les données d’alerte.
D’autres modes de réalisation peuvent être envisagés et une personne du métier peut facilement modifier les modes ou exemples de réalisation exposés ci-dessus ou en envisager d’autres tout en restant dans la portée de l’invention.
Claims (15)
- Procédé de détermination d’un niveau de salissure d’une chaussée, comprenant les étapes suivantes :
E1 : acquisition d’une image de la chaussée par un capteur optique (10) ;
E2 : transmission de l’image acquise à un serveur (20) ; et
E4 : détermination par le serveur (20) du niveau de salissure de la chaussée, à partir d’une analyse de l’image par un modèle de type réseau de neurones entraîné sur une base de données d’apprentissage, ladite base de données d’apprentissage comprenant une pluralité d’images de chaussées de référence, chaque image de chaussée de référence étant associée à un ensemble de critères comprenant l’un au moins parmi une catégorie de matériau de salissure, une forme de salissure et une épaisseur de salissure, un niveau de salissure de référence étant défini en fonction de l’ensemble de critères associé à l’image de chaussée de référence. - Procédé de détermination d’un niveau de salissure d’une chaussée selon la revendication 1, comprenant en outre une étape E3 de prétraitement de l’image acquise à l’étape E1, le serveur (20) déterminant le niveau de salissure de la chaussée à l’étape E4 à partir d’une analyse de l’image prétraitée.
- Procédé de détermination d’un niveau de salissure d’une chaussée selon la revendication 2, dans lequel l’étape E3 de prétraitement comprend l’une au moins parmi les étapes suivantes :
E31 : définition d’une zone à analyser dans l’image acquise ;
E32 : détection d’obstacle dans l’image acquise ou dans la zone à analyser ; et
E33 : évaluation d’une qualité d’image de l’image acquise ou de la zone à analyser. - Procédé de détermination d’un niveau de salissure d’une chaussée selon l’une quelconque des revendications précédentes, dans lequel l’une au moins parmi l’étape d’acquisition E1 et l’étape de transmission E2 sont réalisées par le capteur optique (10) de manière périodique à intervalles de temps réguliers.
- Procédé de détermination d’un niveau de salissure d’une chaussée selon l’une quelconque des revendications précédentes, dans lequel l’étape de transmission E2 est effectuée via un réseau mobile, par exemple un réseau GSM, 3G ou 4G, par un module de communication (12) du capteur optique (10).
- Procédé de détermination d’un niveau de salissure d’une chaussée selon l’une quelconque des revendications précédentes, dans lequel le modèle de type réseau de neurones comprend au moins une tête adaptée pour analyser l’image et pour déterminer en conséquence au moins un critère correspondant.
- Procédé de détermination d’un niveau de salissure d’une chaussée selon l’une quelconque des revendications précédentes, dans lequel la catégorie de matériau comprend l’un au moins parmi de la poussière, du sable, de la terre, de la boue, du gravier et des gravats, la forme de salissure comprend l’une au moins parmi une petite salissure, une salissure moyenne et une salissure étendue, et l’épaisseur de salissure comprend l’une au moins parmi une salissure fine, une salissure intermédiaire et une salissure épaisse.
- Procédé de détermination d’un niveau de salissure d’une chaussée selon l’une quelconque des revendications précédentes, comprenant en outre les étapes suivantes :
E10 : mise à jour de la base de données d’apprentissage par ajout de l’image de chaussée acquise lors de l’étape E1 et d’un ensemble de critères comprenant l’un au moins parmi une catégorie de matériau, une forme de salissure et une épaisseur de salissure associés ; et
E20 : mise à jour du modèle de type réseau de neurones par entraînement sur la base de données d’apprentissage mise à jour. - Procédé de détermination d’un niveau de salissure d’une chaussée selon l’une quelconque des revendications précédentes, comprenant en outre une étape E30 d'estimation par le serveur (20) d’une charge de calcul du serveur (20), le serveur (20) déterminant le niveau de salissure de la chaussée à l’étape E4 en fonction de la charge de calcul estimée à l’étape E30.
- Procédé de détermination d’un niveau de salissure d’une chaussée selon l’une quelconque des revendications précédentes, comprenant en outre une étape E40 de détermination par le serveur (20) d’un indice de fiabilité associé à la détermination du niveau de salissure lors de l’étape E4.
- Procédé de détermination d’un niveau de salissure d’une chaussée selon l’une quelconque des revendications précédentes, comprenant en outre une étape E50 de détermination par le serveur (20) qu’une chaussée doit être nettoyée lorsque le niveau de salissure déterminé à l’étape E4 est supérieur à un seuil prédéterminé, et une étape E60 de transmission d’une alerte à un utilisateur lorsque le serveur (20) détermine à l’étape E50 que la chaussée doit être nettoyée.
- Dispositif de détermination d’un niveau de salissure d’une chaussée, comprenant un capteur optique (10) et un serveur (20), dans lequel le capteur optique (10) comprend un module d’acquisition (11) configuré pour acquérir une image de la chaussée et un module de communication (12) configuré pour communiquer avec le serveur (20) via un réseau mobile, dans lequel le serveur (20) est configuré pour recevoir l’image transmise par le module de communication (12) du capteur optique (10) et pour déterminer le niveau de salissure de la chaussée à partir d’une analyse de l’image par un modèle de type réseau de neurones entraîné sur une base de données d’apprentissage, ladite base de données d’apprentissage comprenant une pluralité d’images de chaussées de référence, chaque image de chaussée de référence étant associée à un ensemble de critères comprenant l’un au moins parmi une catégorie de matériau, une forme de salissure et une épaisseur de salissure, un niveau de salissure de référence étant déterminé en fonction de l’ensemble de critères associés à l’image de chaussée de référence.
- Dispositif de détermination d’un niveau de salissure d’une chaussée selon la revendication 12, dans lequel le capteur optique (10) comprend en outre un calculateur (13) adapté pour assurer une disponibilité du module de communication (12) du capteur optique (10) via le réseau mobile, protéger et avertir de coupures de courant, et contrôler un état de fonctionnement du capteur optique (10).
- Dispositif de détermination d’un niveau de salissure d’une chaussée selon la revendication 12 ou la revendication 13, dans lequel le serveur (20) comprend en outre des moyens de stockage (23) configurés pour stocker un historique des images acquises et/ou des niveaux de salissure déterminés.
- Dispositif de détermination d’un niveau de salissure d’une chaussée selon l’une quelconque des revendications 12 à 14, dans lequel le réseau mobile par lequel le module de communication (12) du capteur optique (10) communique avec le serveur (20) est un réseau GSM, 3G ou 4G.
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR2203457A FR3134629B1 (fr) | 2022-04-14 | 2022-04-14 | Procédé de détermination d’un niveau de salissure d’une chaussée |
| CA3240328A CA3240328A1 (fr) | 2022-04-14 | 2023-04-14 | Procede de determination d'un niveau de salissure d'une chaussee |
| PCT/FR2023/050545 WO2023199009A1 (fr) | 2022-04-14 | 2023-04-14 | Procédé de détermination d'un niveau de salissure d'une chaussée |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR2203457A FR3134629B1 (fr) | 2022-04-14 | 2022-04-14 | Procédé de détermination d’un niveau de salissure d’une chaussée |
| FR2203457 | 2022-04-14 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| FR3134629A1 true FR3134629A1 (fr) | 2023-10-20 |
| FR3134629B1 FR3134629B1 (fr) | 2024-08-30 |
Family
ID=82694195
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| FR2203457A Active FR3134629B1 (fr) | 2022-04-14 | 2022-04-14 | Procédé de détermination d’un niveau de salissure d’une chaussée |
Country Status (3)
| Country | Link |
|---|---|
| CA (1) | CA3240328A1 (fr) |
| FR (1) | FR3134629B1 (fr) |
| WO (1) | WO2023199009A1 (fr) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160379067A1 (en) * | 2013-02-20 | 2016-12-29 | Magna Electronics Inc. | Vehicle vision system with dirt detection |
| CN103733234B (zh) * | 2011-02-21 | 2017-05-10 | 斯特拉特克系统有限公司 | 用于检测飞机场中的外物、碎片或损坏的监视系统和方法 |
-
2022
- 2022-04-14 FR FR2203457A patent/FR3134629B1/fr active Active
-
2023
- 2023-04-14 CA CA3240328A patent/CA3240328A1/fr active Pending
- 2023-04-14 WO PCT/FR2023/050545 patent/WO2023199009A1/fr unknown
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103733234B (zh) * | 2011-02-21 | 2017-05-10 | 斯特拉特克系统有限公司 | 用于检测飞机场中的外物、碎片或损坏的监视系统和方法 |
| US20160379067A1 (en) * | 2013-02-20 | 2016-12-29 | Magna Electronics Inc. | Vehicle vision system with dirt detection |
Non-Patent Citations (1)
| Title |
|---|
| STANIEK MARCIN: "Road pavement condition diagnostics using smartphone-based data crowdsourcing in smart cities", JOURNAL OF TRAFFIC AND TRANSPORTATION ENGINEERING (ENGLISH EDITION), vol. 8, no. 4, 1 August 2021 (2021-08-01), pages 554 - 567, XP055980618, ISSN: 2095-7564, Retrieved from the Internet <URL:https://www.sciencedirect.com/science/article/pii/S2095756421000192/pdfft?md5=997d3386c002a4e55c2b29f32fd2be47&pid=1-s2.0-S2095756421000192-main.pdf> DOI: 10.1016/j.jtte.2020.09.004 * |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2023199009A1 (fr) | 2023-10-19 |
| CA3240328A1 (fr) | 2023-10-19 |
| FR3134629B1 (fr) | 2024-08-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3084418B1 (fr) | Méthode de détection acoustique de l'état de la route et du pneumatique | |
| JP7540057B2 (ja) | 表面における水を検出するための装置、および表面における水を検出するための方法 | |
| EP3655770A1 (fr) | Méthode de détection de l'état de la route et du pneumatique | |
| EP2937812B1 (fr) | Système de localisation d'un même véhicule dans plusieurs zones différentes les unes des autres dans lesquelles ledit véhicule passe consécutivement | |
| FR3011770A1 (fr) | Procede d'exploitation d'un systeme de surveillance de la pression et/ou de la temperature des pneumatiques d'un vehicule et dispositif permettant de le mettre en oeuvre | |
| WO2017021601A1 (fr) | Dispositif et procede de detection de place de stationnement libre pour un vehicule automobile | |
| FR2994486A1 (fr) | Procede et dispositif pour modeliser un environnement | |
| EP2556467A1 (fr) | Procede de detection de cibles dans des images stereoscopiques | |
| FR3051423A1 (fr) | Procede de proposition d'une vitesse de roulage | |
| FR3134629A1 (fr) | Procédé de détermination d’un niveau de salissure d’une chaussée | |
| WO2020144281A1 (fr) | Procede de maintenance automatique d'un vehicule autonome | |
| EP3926529B1 (fr) | Systèmes et méthodes de détermination d'un nombre de personnes dans un véhicule | |
| WO2020165544A1 (fr) | Identification de zones roulables avec prise en compte de l'incertitude par une méthode d'apprentissage profond | |
| WO2018224608A1 (fr) | Dispositif d'enregistrement de données de déplacement, procédé et programme correspondant | |
| EP3507110A1 (fr) | Système de lecture de capteurs de surveillance de véhicules automobiles | |
| FR3103305A1 (fr) | Procédé et dispositif de prédiction d’au moins une caractéristique dynamique d’un véhicule en un point d’un segment routier. | |
| FR3128178A1 (fr) | Procédé de prédiction d’une condition de surface d’un segment routier | |
| FR3120711A1 (fr) | Procede et dispositif de calibration d'un capteur de profondeur d'environnement | |
| WO2017109359A1 (fr) | Procédé et dispositif de détermination de positions spatiales et de paramètres cinématiques d'objets dans l'environnement d'un véhicule | |
| FR3109662A1 (fr) | Procédé et système informatique de suivi de trafic routier | |
| WO2024100349A1 (fr) | Système et procédé d'aide à la navigation d'un système mobile | |
| FR3145733A1 (fr) | Procédé et système d’estimation de l’état d’un réseau routier et/ou d’un véhicule. | |
| FR3116501A1 (fr) | Procédé et dispositif de détermination d’une ligne virtuelle de délimitation entre deux voies de circulation. | |
| FR3103301A1 (fr) | Procédé de détection de pics d’intensité de faisceau lumineux réfléchi de manière spéculaire | |
| FR3089333A1 (fr) | Procédé d’évaluation de l’utilisation d’un véhicule |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PLFP | Fee payment |
Year of fee payment: 2 |
|
| PLSC | Publication of the preliminary search report |
Effective date: 20231020 |
|
| CD | Change of name or company name |
Owner name: WASSA, FR Effective date: 20231207 Owner name: UBY, FR Effective date: 20231207 |
|
| PLFP | Fee payment |
Year of fee payment: 3 |