WO2020074822A1 - Procede pour la caracterisation de fissures murales - Google Patents

Procede pour la caracterisation de fissures murales Download PDF

Info

Publication number
WO2020074822A1
WO2020074822A1 PCT/FR2019/052380 FR2019052380W WO2020074822A1 WO 2020074822 A1 WO2020074822 A1 WO 2020074822A1 FR 2019052380 W FR2019052380 W FR 2019052380W WO 2020074822 A1 WO2020074822 A1 WO 2020074822A1
Authority
WO
WIPO (PCT)
Prior art keywords
cracks
crack
digital
sets
image
Prior art date
Application number
PCT/FR2019/052380
Other languages
English (en)
Inventor
Alain Tabatabai
Original Assignee
Determinant France
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Determinant France filed Critical Determinant France
Publication of WO2020074822A1 publication Critical patent/WO2020074822A1/fr

Links

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
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws
    • G01N2021/8874—Taking dimensions of defect into account
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • 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
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30132—Masonry; Concrete

Definitions

  • the present invention relates to the field of crack control on the facade of a building.
  • a crack is a more or less long and more or less wide crack that affects a wall. Depending on its length and width, a crack is considered to be benign or dangerous.
  • a crack is characterized by its length and especially by its opening, that is to say the spacing between its two “lips”, also called “amplitude”. This is measured in tenths of a millimeter (mm). As long as the amplitude of the crack is less than 2 / 10th of a mm, it is called microcrack. If this amplitude exceeds 20/10 of a mm (2 mm), the crack becomes a crack.
  • the cracks are more or less dangerous and mark disorders which call into question the solidity of the structure of the building.
  • This document proposes a method of detecting cracks of the prior art, based on the digital image of the exterior wall of a building.
  • the process involves accurately recording the state of the wall surface, then obtaining the linear characteristics of the image for crack recognition.
  • the method consists in detecting the image contours, in the form of a binary image with an adaptive threshold and provides for the elimination of the isolated points, by obtaining effective linear characteristics.
  • the cracks are distinguished from the normal lines through the adjustment of the curve and its analysis of the parameters.
  • Beamlet Transform-Based Technique for Pavement Crack Detection and Classification offers an algorithm for improving the distress image of the roadway to correct non-uniform background lighting by calculating multiplicative factors that eliminate the variation of background lighting.
  • the image is partitioned into small windows and an algorithm based on the Beamlet transformation is applied.
  • the crack segments are then linked and classified into four types: vertical, horizontal, transverse and block. The results of the simulation show that the method is efficient and robust for the extraction of cracks on various images of the pavement.
  • horizontal crack, vertical crack, clean crack is determined by a method of transmitting coordinates based on three directions, the direction of the crack in the photo (estimated by an image processing method), the direction of 3D shooting (ie the rotation of the smartphone when shooting) and the direction of the road (obtained from the OpenStreetMap road network) in order to estimate the size of a crack (i.e. the width and the length of the crack), we use the camera's convex lens for imaging and reading the accelerometer and magnetometer sensor.
  • Up to three digital cameras (Kodak DCS Pro 14n) are used as a multi-exposure set or as a single camera static system.
  • the cracks cause local changes in the movements between the targets. By repeating the measurement in time intervals, the evolution of the crack can be observed.
  • the digital images are evaluated by the PHIDIAS photogrammetric software; it gives a precision of the coordinates of the target up to 3 / ⁇ m.
  • software is developed to detect the crack structures.
  • the measurement data and the parameters of the material are considered in a probabilistic way in the probability of existence of a crack.
  • the values are improved by the intensification methods, then the single cracks are automatically detected. Detailed information such as the width and displacement of the edge of the crack is also calculated.
  • a FiniteElementModule module is developed, which simulates the test.
  • the results of the photogrammetric measurements can be compared with the calculation of the digital voltage and improved iteratively.
  • the present invention aims to remedy these drawbacks by proposing a method for the characterization of wall cracks according to claim 1.
  • FIG. 1 shows an example of digital image 1 according to the invention.
  • the method according to the invention consists in first taking one or more images of a wall having cracks with shooting equipment such as a cell phone (“smartphone”), a tablet or a digital camera.
  • shooting equipment such as a cell phone (“smartphone”), a tablet or a digital camera.
  • FIG. 1 represents an example of such an image, therefore which one distinguishes a crack (1).
  • the acquired image comprises at least one zone presenting a crack (1) as well as a zone making it possible to determine the frame of reference of the wall, and more particularly a horizontal guideline, for example an edge of frame of door or window.
  • This image is transmitted to a server to carry out a processing aiming to extract from this image the zones corresponding to cracks, then to treat these zones to extract simplified information making it possible to characterize each of the cracks
  • Treatment aims to recognize a midline (2).
  • the “median” of a set of values is a value that allows you to split the set of values into two equal parts.
  • the center line is the line that divides the set of pixels into two equal parts.
  • the detection and processing of the parts of images corresponding to cracks consists in detecting fine and dark objects in the presence of relatively high noise.
  • a nonlimiting example of processing is based on the so-called minimum path approach, making it possible to take into account the photometric and geometric characteristics of the cracks while being as robust as possible to the texture of the image.
  • the method proposed by the invention therefore consists in selecting the paths calculated between the local minima to obtain the skeleton of the crack.
  • the principle of this approach is to select the paths (from each pixel) which have the lowest cost.
  • • d denotes the destination pixel
  • • I () denotes the gray level of the pixel m.
  • the second flaw is the way these minimal paths are used.
  • the solution presented in the aforementioned Nguyen article evaluates the probability of each pixel to belong to a crack by relying on the costs of the paths. Then, the pixels which have a value greater than a predetermined threshold are preserved and the connection properties induced by the minimum path are lost.
  • Treatment can be improved by:
  • the cost function is defined by equation (1) above and the algorithm consists of four steps.
  • Step 1 Selection of the primed pixels.
  • the calculator selects the pixels which correspond to local minima and whose intensity is less than a threshold, S a , determined by means of the histogram of the image.
  • This first step consists of:
  • Step 2 Search for minimum paths between the primed pixels.
  • the Dijkstra algorithm is used to calculate the minimum paths between the different pairs of priming pixels (s, d). As a result, there is a set of minimum paths which are characterized by their length in pixels and the value of the cost of the path.
  • Step 3 Selection of minimum paths.
  • the cost function statistics give a bimodal distribution for which a threshold S c is easier to define.
  • the selected paths are totally or partially inside the crack. In the latter case, ramifications appear along the skeleton of the crack. We proceed to the selection of the best minimal paths such that c (a ⁇ , a j ) ⁇ S c
  • Step 4 Elimination of false alarms (ramifications).
  • a branch is the path between one end and a cross between several paths. Once these ramifications have been identified, they are considered to be false alarms if, and only if, their cost is greater than the threshold Sc, already used in step (3).
  • the algorithm requires three parameters.
  • the thresholds Sa and Sc are adjusted to the statistics of each image and correspond respectively to the mean minus the standard deviation of the gray levels of the image and the mean minus the standard deviation of the costs of the calculated minimum paths.
  • the processing makes it possible to automate the determination of the nature of the cracks which corresponds to a categorization of the cracks, in order to define a classification used by the neural network, for example the class of "cracks", of "microcracks” of "cracks” and "cracks".
  • the crazing corresponds to a mesh network of surface openings.
  • the crazing is a set of small surface cracks, less than 0.2 millimeters wide, which generally only affects the visible layers of the wall coating.
  • the phenomenon which takes the form of a mesh network of superficial openings of very small width, is not the consequence of a differential movement of the ground under a house. The masonry therefore remains intact.
  • Microcracks have a linear opening of less than 2 / 10th of a millimeter. These are fine and narrow cracks with more or less regular lines. With the naked eye, they are often difficult to identify. When it originates in a differential movement, microcracking generally concerns the entire thickness of the house, the wall or the reinforced concrete beam. But it can also have a thermal cause or be explained by hydraulic materials independent of a differential movement of the ground. In some cases, microcracks can be more dangerous than more impressive crack in size and opening. When, for example, the microcrack is a structural crack, which under the weight of the house, has closed.
  • Cracks correspond to one indicative class among others of the danger.
  • the crack is defined by an opening of 0.2 to 2 millimeters.
  • the correlation link between the characteristics of the cracks and the danger exists of course. Nevertheless, the dimensions of the cracks is only one indicator among others of the danger. The latter is also measured in relation to the cracked structural element and the evolutionary nature of the cracks.
  • the method implements a machine learning solution.
  • a first supervised machine learning sequence is carried out consisting in acquiring a series of photographs of a surface having cracks and in carrying out a treatment consisting in highlighting the cracks and assigning them an annotation on gravity, orientation and location, the annotation criteria belonging to predetermined classes.
  • angle class refers to a concept that is customary for those skilled in the art, in the field of machine learning, to designate the segmentation of the object classification model.
  • Each object belongs to a known "class”, a class corresponding to a subset of values, in this case, of angular values.
  • the angle is determined relative to a reference direction, for example the vertical axis.
  • Another classifier is the degree of ramifications, a class corresponding to a subset determined by a range of values.
  • each of the criteria for belonging to a class is also associated with a probability of belonging to each of the predetermined classes.
  • annotation criteria consist of the following headings:

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Chemical & Material Sciences (AREA)
  • Pathology (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Quality & Reliability (AREA)
  • Signal Processing (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

L'invention concerne un procédé pour la caractérisation de fissures murales comprenant au moins une étape d'acquisition d'une image numérique et de traitement de ladite image numérique pour extraire des ensembles numériques de pixels associés à une fissure, caractérisé en ce qu'il comporte en outre une étape de classification desdits ensembles numériques en fonction de l'appartenance à une classe d'angle.

Description

PROCEDE POUR LA CARACTERISATION DE FISSURES MURALES
Domaine de 1 ' invention
La présente invention concerne le domaine du contrôle des fissures sur la façade d'un immeuble.
Une fissure est une fente plus ou moins longue et plus ou moins large qui affecte un mur. Selon sa longueur et sa largeur, une fissure est considérée comme bénigne ou dangereuse.
Une fissure est caractérisée par sa longueur et surtout par son ouverture, c'est-à-dire l'écartement entre ses deux « lèvres », appelé également « amplitude ». Celle-ci est mesurée en dixièmes de millimètre (mm). Tant que l'amplitude de la fissure est inférieure à 2/10ème de mm, elle est appelée microfissure. Si cette amplitude dépasse 20/10ème de mm (2 mm), la fissure devient lézarde.
On distingue :
- Les microfissures : Filiformes et de moins de 0.2 mm de large, elles restent superficielles et a priori ne présentent pas de danger. Néanmoins il faut les surveiller pour être sûr que ce ne soit pas une fissure structurelle dangereuse qui sous le poids de la maçonnerie se soit refermée...
- Les fissures fines : Elles font entre 0.2 et 2 mm de large. Elles ne présentent pas de danger sauf si elles évoluent et ou se multiplient. C'est alors le signe qu'elles concernent la structure du bâtiment (fissures structurelles ou fissures sur les fondations).
- Les fissures dangereuses : Ce sont des fentes de plus de 2 mm de large et de plus de 20 cm de long. Elles sont appelées fissures traversantes lorsqu'elles traversent le mur de part en part. Ce sont des fissures en escalier quand elles suivent les joints des parpaings composants le mur. Et elles deviennent fissures infiltrantes lorsque l'eau pénètre dans la fente. Certaines fissures peuvent atteindre quelques centimètres de large. On parle alors de lézardes.
Par ailleurs, la variation de l'amplitude dans le temps apporte un enseignement supplémentaire sur la nature et la gravité de la fissure.
Selon leurs emplacements sur le ou les murs, les fissures sont plus ou moins dangereuses et marquent des désordres qui remettent en cause la solidité de la structure du bâtiment.
De grosses fissures horizontales ou en escalier sont souvent la conséquence de problèmes au niveau du sous-sol et donc des fissures des fondations. Des longues fissures verticales situées à l'angle de deux murs peuvent entraîner une désolidarisation des pans de murs. Les fissures infiltrantes sont particulièrement dangereuses car les infiltrations et la succession de périodes de gel puis de dégel fragilisent encore plus le mur.
La qualification d'une fissure nécessite une certaine expertise. Lorsque des fissures dangereuses apparaissent sur un mur, il faut rapidement mettre en place un système de surveillance et de suivi de leur évolution sur plusieurs mois. On connaît dans l'état de la technique différents moyens pour mesurer l'importance des fissures :
• Témoin en plâtre installé à cheval sur les bords de la fissure,
• Témoin en verre inclus dans un manchon en plâtre,
• Fissuromètre gradué ou électronique,
• Extensomètre et déformètre.
Ces mesures permettent de déterminer l'évolution possible des fissures et de définir leur degré de dangerosité.
On a aussi proposé de procéder à la reconnaissance d'image pour caractériser les fissures visibles sur un bâtiment. Etat de la technique
On connaît dans l'état de la technique l'article Hu, Dongna & Tian, Tian & Yang, Hengxiang & Xu, Shibo & Wang, Xiujin. (2012). Wall crack détection based on image processing. ICICIP 2012 - 2012 3rd International Conférence on Intelligent Control and Information Processing. 10.1109/ICICIP .2012.6391474.
Ce document propose une méthode de détection des fissures de l'art antérieur, basée sur l'image numérique du mur extérieur d'un bâtiment. Le procédé consiste à enregistrer avec précision l'état de la surface du mur, puis à obtenir les caractéristiques linéaires de l'image pour la reconnaissance des fissures. Le procédé consister à détecter les contours d'image, sous forme d'image binaire avec un seuil adaptatif et prévoit l'élimination des points isolés, en obtenant des caractéristiques linéaires effectives. Les fissures sont distinguées des lignes normales à travers l'ajustement de la courbe et son analyse des paramètres.
Un autre procédé connu dans l'art antérieur est décrit dans la thèse "An approach for automated détection and classification of pavement cracks" de Bara ' Wasfi Al-Mistareh du 18 mars 2016 lien https : / /pdfs . semanticscholar . org/33b5/0d809528370b558bbla9fc96
16ad8d2cbc7c . pdf
L'article «Beamlet Transform-Based Technique for Pavement Crack Détection and Classification" de Ying propose un algorithme d'amélioration de l'image de détresse de la chaussée pour corriger l'éclairage d'arrière-plan non uniforme en calculant les facteurs multiplicatifs qui éliminent la variation de l'éclairage d'arrière-plan.
Pour extraire les caractéristiques linéaires telles que les fissures de surface des images de la chaussée, l'image est partitionnée en petites fenêtres et un algorithme basé sur la transformation de Beamlet est appliqué. Les segments de fissure sont ensuite liés et classés en quatre types: vertical, horizontal, transversal et bloc. Les résultats de la simulation montrent que la méthode est efficace et robuste pour l'extraction des fissures sur diverses images de la chaussée.
L'article « Detecting Type and Size of Road Crack with the Smartphone" de Yingying Kong, Zhiwen Yu, +3 authors Bin GuoPublished in 22017 IEEE International Conférence on... 2017DOI : 10.1109/cse-euc .2017.106 décrit une autre solution pour la détection du type et de la taille des fissures est cruciale pour l'entretien et la gestion des routes . La détection pour détecter les fissures et estimer leur type et leur taille est réalisée avec un téléphone intelligent. Le type de fissure (c.- à-d. Fissure horizontale, fissure verticale, fissure nette) est déterminé par une méthode de transmission des coordonnées basée sur trois directions, la direction de la fissure sur la photo (estimée par une méthode de traitement d'image), la direction de prise de vue 3D. (c'est-à-dire la rotation du smartphone lors de la prise de vue) et la direction de la route (obtenue à partir du réseau routier OpenStreetMap) . Afin d'estimer la taille d'une fissure (c'est-à-dire la largeur et la longueur de la fissure), nous utilisons l'objectif convexe de la caméra pour l'imagerie et la lecture de 1 ' accéléromètre et du capteur du magnétomètre . Nous avons recueilli des images de 152 fissures avec une application Android spécialement développée par 8 volontaires. Les résultats expérimentaux montrent que notre approche atteint une précision de 90,1% dans la détection du type de fissure. Pendant ce temps, nous obtenons une erreur RMSE de 3,2 cm lors de l'estimation de la largeur de la fissure et une erreur RMSE de 13,2 cm lors de l'estimation de la longueur de la fissure.
L'article "monitoring crack origin and évolution at concrète éléments using photogrammetry" de Wilhelm Benning, Jürgen Lange décrit un autre procédé de contrôle et la surveillance de l'origine et de l'évolution des fissures d'éléments en béton constituent une tâche importante dans la recherche sur les matériaux de construction. L'efficacité du renforcement de la portance dépend notamment de 1 ' évolution limitée de la fissure. En ce qui concerne la recherche sur l'évolution des fissures à la surface de l'élément, la photogrammétrie est approuvée, car elle permet une analyse plus approfondie d'objets plus volumineux avec une grande précision. Avec les expériences présentées, différents éléments structurels en béton précontraint, armé et textile ont été étudiés. Ce sont des éléments de tension, de cisaillement et de plaque. Pour les mesures photogrammétriques, la surface est préparée par une grille de cibles. Jusqu'à trois appareils photo numériques (Kodak DCS Pro 14n) sont utilisés en tant qu ' ensemble multi- exposition ou en tant que système statique à une caméra. Les fissures provoquent des changements locaux dans les déplacements entre les cibles. En répétant la mesure dans des intervalles de temps, l’ évolution de la fissure peut être observée. Les images numériques sont évaluées par le logiciel photogrammétrique PHIDIAS; il donne une précision des coordonnées de la cible jusqu'à 3/^m. Pour analyser les déformations, un logiciel est développé pour détecter les structures de fissures. Ainsi, les données de mesure et les paramètres du matériau sont considérés de manière probabiliste dans la probabilité d'existence d'une fissure. Les valeurs sont améliorées par les méthodes d'intensification, puis les fissures uniques sont automatiquement détectées. Des informations détaillées telles que la largeur et le déplacement du bord de la fissure sont également calculées. En outre, un module FiniteElementModule est développé, qui simule le test. Ainsi, les résultats des mesures photogrammétriques peuvent être comparés avec le calcul de la tension numérique et améliorés de manière itérative.
L'article « Automatic Pavement Crack Détection Based on Structured Prédiction with the Convolutional Neural Network » de Zhun Fan, Yuming Wu, Jiewei Lu, Wenji Li décrit un procédé dedétection automatisée des fissures dans la chaussée est une tâche ardue qui fait l'objet de recherches depuis des décennies en raison de la complexité des conditions de la chaussée dans le monde réel. Dans cet article, une méthode supervisée basée sur l'apprentissage en profondeur est proposée, qui a la capacité de gérer différentes conditions de chaussée. Plus précisément, un réseau de neurones à convolution (CNN) est utilisé pour apprendre la structure des fissures à partir d'images brutes, sans aucun prétraitement. De petites zones sont extraites d'images de fissure afin de générer une base de données d'entraînement volumineuse, un CNN est formé et la détection de fissure est modélisée comme un problème de classification multi- étiquettes. En règle générale, les pixels de fissure sont beaucoup moins nombreux que les pixels sans fissure. Pour traiter le problème des données gravement déséquilibrées, une stratégie consistant à modifier le rapport des échantillons positifs aux échantillons négatifs est proposée.
Inconvénients de l'art antérieur
Les solutions de l'art antérieur présentent différents inconvénients, notamment celui de la caractérisation des fissures qui est difficile, notamment lorsque le mur présente des zones d'humidité ou un état de surface rendant difficile la distinction entre le pourtour de la fissure et le fond du mur.
Les solutions de l'art antérieur concernent pour la plupart la caractérisation de fissures dans un revêtement routier, dont le contexte est plus favorable. En effet, les revêtements routiers sont plus homogènes que des façades, présentent une teinte relativement constante et uniforme.
Solution apportée par l'invention
La présente invention vise à remédier à ces inconvénients en proposant un procédé pour la caractérisation de fissures murales conforme à la revendication 1. Description détaillée d'un exemple de réalisation
La présente invention sera mieux comprise à la lecture de la description qui suit, se référant à un exemple non limitatif de réalisation illustré par le dessin annexé où :
- la figure 1 représente un exemple d'image numérique selon 1 ' invention .
Le procédé selon l'invention consiste à prendre en premier lieu une ou plusieurs images d'un mur présentant des fissures avec un équipement de prise de vue tel qu'un téléphone cellulaire ( « smartphone » ) , une tablette ou un appareil photo numérique .
La figure 1 représente un exemple d'une telle image, donc laquelle on distingue une fissure (1).
L'image acquise comporte au moins une zone présentant une fissure (1) ainsi qu'une zone permettant de déterminer le référentiel du mur, et plus particulièrement une ligne directrice horizontale, par exemple un bord d'encadrement de porte ou de fenêtre.
Cette image est transmise à un serveur pour procéder à un traitement visant à extraire de cette image les zones correspondant à des fissures, puis à traiter ces zones pour extraire des informations simplifiées permettant de caractériser chacune des fissures
Le traitement vise à reconnaître une ligne médiane (2). La «médiane » d'un ensemble de valeurs est une valeur qui permet de couper l'ensemble des valeurs en deux parties égales. La ligne médiane est la ligne qui partage l'ensemble de pixels en deux parties égales. Méthode de détection de fissures
La détection et le traitement des parties d'images correspondant à des fissures consistent à détecter des objets fins et sombres en présence d'un bruit relativement important.
Un exemple non limitatif de traitement est basé sur l'approche dite de chemins minimaux, permettant de prendre en compte des caractéristiques photométriques et géométriques des fissures tout en étant le plus robuste possible à la texture de 1 ' image .
Les algorithmes dits de Dijkstra et de « Fast Marching » sont particulièrement efficaces pour rechercher un chemin minimal .
Ces deux algorithmes détectent le squelette de la fissure. L'algorithme de Dijkstra permet de mieux suivre la trajectoire chaotique d'une fissure alors que le terme de régulation introduit dans le principe du Fast Marching a pour effet de lisser la trajectoire.
Si un tel algorithme est appliqué en tout point de l'image, il en résulte un coût de calculs important.
Le procédé proposé par l'invention consiste donc à sélectionner les chemins calculés entre les minima locaux pour obtenir le squelette de la fissure.
En supposant que les fissures correspondent à des pixels plus sombres que le fond de l'image, le principe de cette approche est de sélectionner les chemins (au départ de chaque pixel) qui possèdent le plus faible coût.
Pour l'algorithme de Dijkstra, la fonction classique de coût de chemin C(s,d) est définie comme la somme des niveaux de gris le long du chemin, par l'équation (1) :
Figure imgf000010_0001
• s désigne le pixel source,
• d désigne le pixel destination, et • I( ) désigne le niveau de gris du pixel m.
Ce critère n'implique aucune contrainte de longueur ou de forme du chemin. L'application de l'algorithme de Dijkstra entre toutes les paires de pixels (s,d) de l'image est coûteux en termes de calculs c'est pourquoi une adaptation de l'algorithme de Dijkstra pour la détection des fissures de la chaussée a été proposée dans l'article T. S. NGUYEN, «Free-Form Anisotropy: A New Method For Crack Détection On Pavement Surface Images,» IEEE Int. Conf. on Image Processing, pp. 1069-1072, 2011.
Cette solution utilise des contraintes de direction et de longueur pour réduire significativement les temps de calculs. Malheureusement, ces contraintes limitent la variété des formes de fissures, en particulier les fissures interconnectées ne peuvent être détectées.
Le deuxième défaut est la façon dont ces chemins minimaux sont exploités. La solution présentée dans l'article Nguyen susvisé évalue la probabilité de chaque pixel d'appartenir à une fissure en s'appuyant sur les coûts des chemins. Ensuite, les pixels qui ont une valeur plus grande qu'un seuil prédéterminé sont conservés et les propriétés de connexion induites par le chemin minimal sont perdues.
Amélioration des performances
Le traitement peut être amélioré par :
• une réduction du temps de calculs en sélectionnant des sources et des destinations locales ,
• une stratégie de sélection des meilleurs chemins minimaux.
La fonction de coût est définie par l'équation (1) susvisée et 1 ' algorithme se compose de quatre étapes .
Etape 1 : Sélection des pixels amorces. Afin de réduire fortement le temps de calculs, le calculateur sélectionne les pixels qui correspondent à des minima locaux et dont l'intensité est inférieure à un seuil, Sa, déterminé grâce à 1 ' histogramme de l'image.
Seulement quelques pixels sélectionnés sont à l'intérieur de la fissure, d'autres représentent des sources potentielles de fausses alarmes qui doivent être filtrées, ce qui correspond aux deux étapes suivantes.
Cette première étape consiste à :
- Sélectionner les minima locaux m± dans un voisinage PxP
- Estimer un seuil Sa
- Sélectionner les amorces a± telles que I(m±)<Sa
Etape 2 : Recherche de chemins minimaux entre les pixels amorces.
L'algorithme de Dijkstra est utilisé pour calculer les chemins minimaux entre les différentes paires de pixels amorces (s,d). En résultat, on dispose d'un ensemble de chemins minimaux qui sont caractérisés par leur longueur en pixels et la valeur du coût du chemin.
Cette deuxième étape consiste à calculer pour chaque amorce les coûts des chemins minimaux c(a±, aj) avec j= 1 à 8, correspondant aux 8 amorces voisines possibles dans un voisinage 3Px3P :
Etape 3 : Sélection des chemins minimaux.
Les statistiques de la fonction de coût donnent une distribution bimodale pour laquelle un seuil Sc est plus facile à définir. Les chemins sélectionnés sont totalement ou partiellement à l'intérieur de la fissure. Dans ce dernier cas, des ramifications apparaissent le long du squelette de la fissure. On procède à la sélection des meilleurs chemins minimaux tels que c(a±, aj ) < Sc
Etape 4 Élimination des fausses alarmes (ramifications) . Une ramification est le chemin entre une extrémité et un croisement entre plusieurs chemins. Une fois ces ramifications identifiées, elles sont considérées comme des fausses alarmes si, et seulement si, leur coût est supérieur au seuil Sc, déjà utilisé à l'étape (3).
En résumé, l'algorithme nécessite trois paramètres. Les seuils Sa et Sc sont ajustés aux statistiques de chaque image et correspondent respectivement à la moyenne moins l'écart type des niveaux de gris de 1 ' image et la moyenne moins 1 ' écart type des coûts des chemins minimaux calculés. La taille du voisinage utilisé pour sélectionner les minimaux locaux a été choisi de manière empirique à P = 8.
Le traitement permet d'automatiser la détermination de la nature des fissures qui correspond à une catégorisation des fissures, pour définir une classification utilisée par le réseau de neurones, par exemple la classe des « faïençage », des « microfissures » des «crevasses » et des « lézardes ».
Le faïençage correspond à un réseau en mailles d'ouvertures superficielles. Le faïençage est un ensemble de petites fissures superficielles, de moins de 0,2 millimètres de large, qui n'altère généralement que les couches visibles de l'enduit mural. Le phénomène, qui prend la forme d'un réseau en mailles d'ouvertures superficielles de très faible largeur, n'est pas la conséquence d'un mouvement différentiel du sol sous une maison. La maçonnerie reste donc intègre.
Les microfissures ont une ouverture linéaire inférieure à 2/10ème de millimètres. Il s'agit de fissures fines et étroites au tracé plus ou moins régulier. A l'œil nu, elles sont souvent difficilement identifiables. Lorsqu'elle trouve son origine en un mouvement différentiel, la microfissure concerne généralement toute l'épaisseur de la maison, du mur ou de la poutre en béton armé. Mais elle peut aussi avoir une cause thermique ou s'expliquer par des matériaux hydrauliques indépendant d'un mouvement différentiel du sol. Dans certains cas, la microfissure peut s'avérer être plus dangereuse qu'une fissure plus impressionnante en taille et ouverture. Quand, par exemple, la microfissure est une fissure structurelle, qui sous le poids de la maison, s'est refermée.
Les lézardes correspondent à une classe indicative parmi d'autre du danger. La fissure se définit par une ouverture de 0,2 à 2 millimètres. On parle de "crevasse" ou "lézarde" lorsque l'ouverture est supérieure à 2 millimètres. Le bon sens veut que, plus les fissures sont étendues ou ouvertes, et plus le risque pour l'intégrité de l'ouvrage et la sécurité des personnes est important. Le lien de corrélation entre les caractéristiques des fissures et le danger existe bien sûr. Néanmoins, les dimensions des fissures n'est qu'un indicateur parmi d'autres du danger. Ce dernier se mesure également par rapport à l'élément de structure fissuré et du caractère évolutif des fissures.
Alternative de réalisation
Selon une alternative de mise en œuvre de l'invention, le procédé met en œuvre une solution d'apprentissage machine.
A cet effet, on procède à une première séquence d'apprentissage automatique supervisé consistant à acquérir une série de photographies d'une surface présentant des fissures et à procéder à un traitement consistant à surligner les fissures et à leur attribuer une annotation sur la gravité, orientation et localisation, les critères d'annotation appartenant à des classes prédéterminées.
Parmi les classificateurs, on retiendra notamment les classes d'angle.
Le terme de « classe d'angle » se réfère à une notion habituelle, pour l'homme du métier, dans le domaine de l'apprentissage machine (machine learning), pour désigner la segmentation du modèle de classification des objets. Chaque objet appartient à une « classe » connue, une classe correspondant à un sous-ensemble de valeurs, dans le cas d'espèce, de valeurs angulaires. L'angle est déterminé par rapport à une direction de référence, par exemple l'axe vertical.
Un autre classificateur est le degré de ramifications, une classe correspondant à un sous-ensemble déterminée par une fourchette de valeurs.
Optionnellement , chacun des critères d'appartenance à une classe est associé également à une probabilité d'appartenance à chacune des classes prédéterminées.
A titre d'exemple, les critères d'annotation sont constitués par les rubriques suivantes :
- Identification de l'image
- Date de 1 ' image
- Niveau de dangerosité selon une échelle de 1 à 5
- Zone d'apparition de la fissure (par exemple angle d'un mur, mur extérieur, plafond,...)
- Orientation de la fissure (par exemple horizontale, verticale, oblique, multidirectionnelle,...) .

Claims

Revendications
1 - Procédé pour la caractérisation de fissures murales comprenant au moins une étape d'acquisition d'une image numérique et de traitement de ladite image numérique pour extraire des ensembles numériques de pixels associés à une fissure et une étape de classification desdits ensembles numériques en fonction de l'appartenance à une classe d'angle caractérisé en ce qu'il comporte des étapes préalables d'enregistrement d'une pluralité d'images numériques d'une surface présentant des fissures, et d'association à chacune desdites images d'au moins un indicateur représentatif de la nature des fissures apparaissant dans l'image correspondante, et une étape d'apprentissage supervisé.
2 - Procédé pour la caractérisation de fissures murales selon la revendication 1 caractérisé en ce qu'il comporte en outre une étape consistant à calculer, pour chacun desdits ensembles numériques, d'une ligne médiane desdits pixels associés à une fissure et de détermination de l'angle formé entre la ligne droite directrice de ladite ligne médiane, et une ligne directrice horizontale de ladite image numérique, et de classification desdits ensembles numériques en fonction de l'appartenance à une classe d'angle.
3 - Procédé pour la caractérisation de fissures murales selon la revendication 2 caractérisé en ce qu'il comporte en outre une étape de détection, pour chacun desdits ensembles numériques, de la présence de points d'inflexion de ladite ligne médiane, et de décomposition desdits ensembles présentant de tels points d'inflexion en sous-ensembles associés, correspondant aux segments de ladite ligne médiane, et de détermination de l'angle formé entre chacun desdits segments, pour classifier lesdits ensembles présentant des points d'inflexion en fonction de l'appartenance desdits angles à une classe d'angle.
4 - Procédé pour la caractérisation de fissures murales selon la revendication 1 caractérisé en ce qu'il comporte une succession d'étapes d'acquisition d'images numériques décalées dans le temps, ainsi qu'un traitement d'appariement des ensembles associés à des fissures sur les images numériques successives et de détermination, pour chacun des ensembles appariés, d'un indicateur représentatif de l'évolution d'un paramètre dimensionnel.
PCT/FR2019/052380 2018-10-08 2019-10-08 Procede pour la caracterisation de fissures murales WO2020074822A1 (fr)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR1859275A FR3087030B1 (fr) 2018-10-08 2018-10-08 Procede pour la caracterisation de fissures murales
FRFR1859275 2018-10-08

Publications (1)

Publication Number Publication Date
WO2020074822A1 true WO2020074822A1 (fr) 2020-04-16

Family

ID=65244161

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/FR2019/052380 WO2020074822A1 (fr) 2018-10-08 2019-10-08 Procede pour la caracterisation de fissures murales

Country Status (2)

Country Link
FR (1) FR3087030B1 (fr)
WO (1) WO2020074822A1 (fr)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112666167B (zh) * 2020-12-22 2022-12-13 成都圭目机器人有限公司 一种评估水泥混凝土道面裂缝产生fod风险的方法和装置

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW201418662A (zh) 2012-11-15 2014-05-16 Nat Applied Res Laboratories 遠距離量測裂縫之方法及其裝置
CN104568981A (zh) 2015-01-06 2015-04-29 中科华核电技术研究院有限公司北京分公司 基于图像的建筑物墙壁缺陷测量方法及其系统
CN105910540B (zh) 2016-06-23 2018-06-15 吴江市建设工程质量检测中心有限公司 一种用于现场检测建筑墙体裂缝的方法
CN106651893A (zh) 2016-12-23 2017-05-10 贵州电网有限责任公司电力科学研究院 一种基于边缘检测的墙体裂缝识别方法

Non-Patent Citations (10)

* Cited by examiner, † Cited by third party
Title
BARA'WASFI AL-MISTAREHI: "An Approach for Automated Detection and Classification of Pavement Cracks", 18 March 2016 (2016-03-18), pages 1 - 165, XP055589025, Retrieved from the Internet <URL:https://pdfs.semanticscholar.org/33b5/0d809528370b558bb1a9fc9616ad8d2cbc7c.pdf> [retrieved on 20190515] *
DONGNA HU ET AL: "Wall crack detection based on image processing", INTELLIGENT CONTROL AND INFORMATION PROCESSING (ICICIP), 2012 THIRD INTERNATIONAL CONFERENCE ON, IEEE, 15 July 2012 (2012-07-15), pages 597 - 600, XP032288242, ISBN: 978-1-4577-2144-1, DOI: 10.1109/ICICIP.2012.6391474 *
HU, DONGNATIAN, TIANYANG, HENGXIANGXU, SHIBOWANG, XIUJIN: "Wall crack détection based on image processing", ICICIP 2012 - 2012 3RD INTERNATIONAL CONFÉRENCE ON INTELLIGENT CONTROL AND INFORMATION PROCESSING. 10.1109/ICICIP.2012.6391474, 2012
KONG YINGYING ET AL: "Detecting Type and Size of Road Crack with the Smartphone", 22017 IEEE INTERNATIONAL CONFERENCE ON COMPUTATIONAL SCIENCE AND ENGINEERING (CSE) AND IEEE INTERNATIONAL CONFERENCE ON EMBEDDED AND UBIQUITOUS COMPUTING (EUC), IEEE, vol. 1, 21 July 2017 (2017-07-21), pages 572 - 579, XP033139885, ISBN: 978-1-5386-3220-8, [retrieved on 20170808], DOI: 10.1109/CSE-EUC.2017.106 *
T.S. NGUYEN: "Free-Form Anisotropy: A New Method For Crack Détection On Pavement Surface Images", IEEE INT. CONF. ON IMAGE PROCESSING, 2011, pages 1069 - 1072, XP032079762, DOI: 10.1109/ICIP.2011.6115610
W BENNING ET AL: "MONITORING CRACK ORIGIN AND EVOLUTION AT CONCRETE ELEMENTS USING PHOTOGRAMMETRY", PROCCEDINGS OF XXTH CONGRESS OF ISPRS (INTERNATIONAL SOCIETY FOR PHOTOGRAMMETRY AND REMOTE SENSING), 12 July 2004 (2004-07-12), pages 1 - 6, XP055589396, Retrieved from the Internet <URL:https://pdfs.semanticscholar.org/013c/2b7480dc25611f6c334c2f06107e74c0240d.pdf> [retrieved on 20190516] *
WENYU ZHANG ET AL: "Automatic Crack Detection and Classification Method for Subway Tunnel Safety Monitoring", SENSORS, vol. 14, no. 10, 16 October 2014 (2014-10-16), pages 19307 - 19328, XP055528998, DOI: 10.3390/s141019307 *
YING L ET AL: "Beamlet transform based technique for pavement image processing and classification", ELECTRO/INFORMATION TECHNOLOGY, 2009. EIT '09. IEEE INTERNATIONAL CONFERENCE ON, IEEE, PISCATAWAY, NJ, USA, 7 June 2009 (2009-06-07), pages 141 - 145, XP031499333, ISBN: 978-1-4244-3354-4 *
YINGYING KONGZHIWEN YU: "Detecting Type and Size of Road Crack with the Smartphone", +3 AUTHORS BIN GUOPUBLISHED IN 22017 IEEE INTERNATIONAL CONFÉRENCE ON, 2017
ZHUN FAN ET AL: "Automatic Pavement Crack Detection Based on Structured Prediction with the Convolutional Neural Network", ARXIV.ORG, CORNELL UNIVERSITY LIBRARY, 201 OLIN LIBRARY CORNELL UNIVERSITY ITHACA, NY 14853, 1 February 2018 (2018-02-01), XP080857319 *

Also Published As

Publication number Publication date
FR3087030A1 (fr) 2020-04-10
FR3087030B1 (fr) 2021-07-09

Similar Documents

Publication Publication Date Title
Zalama et al. Road crack detection using visual features extracted by Gabor filters
Lei et al. New crack detection method for bridge inspection using UAV incorporating image processing
Akagic et al. Pavement crack detection using Otsu thresholding for image segmentation
Woodget et al. Subaerial gravel size measurement using topographic data derived from a UAV‐SfM approach
Guan et al. Iterative tensor voting for pavement crack extraction using mobile laser scanning data
Huang et al. A pavement crack detection method combining 2D with 3D information based on Dempster‐Shafer theory
Chang et al. Detection of pavement distresses using 3D laser scanning technology
Wang et al. Research on crack detection algorithm of the concrete bridge based on image processing
CN103954542B (zh) 基于无参考图像清晰度评价的pm2.5浓度检测仪
KR20190066789A (ko) 딥러닝을 이용한 영상 기반 콘크리트 균열 탐지 시스템
Chen et al. Automated bridge deck evaluation through UAV derived point cloud
Kang et al. The change detection of building models using epochs of terrestrial point clouds
Panella et al. Deep learning and image processing for automated crack detection and defect measurement in underground structures
FR3025918A1 (fr) Procede et systeme de modelisation automatisee d&#39;une piece
WO2020074822A1 (fr) Procede pour la caracterisation de fissures murales
EP2875316B1 (fr) Procede de determination de parametres d&#39;observation d&#39;une surface d&#39;eau par imagerie
Du et al. Detection of crack growth in asphalt pavement through use of infrared imaging
Mishra et al. Artificial intelligence-assisted visual inspection for cultural heritage: State-of-the-art review
CN117011759A (zh) 钻爆法隧道掌子面围岩多元地质信息解析方法及系统
Gorintla et al. Deep-learning-based intelligent PotholeEye+ detection pavement distress detection system
CN114937167A (zh) 一种复杂背景下桥梁路面裂缝图像裂缝检测方法
Wijaya et al. Building crack due to lombok earthquake classification based on glcm features and svm classifier
Chen et al. A novel method for moving object detection in foggy day
Conde et al. Automatic mapping of moisture affectation in exposed concrete structures by fusing different wavelength remote sensors
Vinodhini et al. Automatic crack detection in the pavement with lion optimization algorithm using deep learning techniques

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19823786

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19823786

Country of ref document: EP

Kind code of ref document: A1