Aller au contenu principal

Dariush Amirkhani, nouvellement diplômé au doctorat en sciences et technologies de l’information

Cette thèse a été acceptée et a obtenu à l’unanimité la mention « Excellent »

Dariush Amirkhani, nouvellement diplômé au doctorat en sciences et technologies de l’information

 

Dariush Amirkhani a soutenu avec succès sa thèse le 7 février 2025 en visioconférence via Zoom. 


Cette thèse a été acceptée et a obtenu à l’unanimité la mention « Excellent » 

 

La thèse de Dariush Amirkhanis’intitule : 

Approches d’apprentissage profond pour la détection et la segmentation des défauts visuels des ponts en béton

À noter que Dariush a écrit sa thèse en français et en anglais. Cette dernière se résume comme suit : 

Cette thèse s’inscrit dans le contexte du suivi de la santé des infrastructures critiques, en particulier les ponts en béton, où la détection précoce des défauts est essentielle pour prévenir des défaillances structurelles majeures. Face aux limitations des méthodes traditionnelles de contrôle manuel, ce travail de recherche se concentre sur l’application des techniques d’apprentissage profond pour automatiser la détection et la segmentation des défauts, notamment des fissures, avec un haut degré de précision.

 

La recherche propose deux contributions majeures :

Revue systématique et benchmarking des modèles d’apprentissage profond : Cette contribution évalue les performances des modèles existants pour la classification, la détection et la segmentation des défauts visuels des ponts, tout en identifiant les principaux défis liés à l’annotation des données, au déséquilibre des classes, à la variabilité des conditions d’acquisition, et à la détection des défauts complexes ou chevauchants. Les recommandations issues de cette analyse guident les améliorations futures de l’inspection visuelle automatisée à l’aide de plateformes mobiles comme les drones.

 

CrackSight : Une nouvelle approche pour la segmentation des fissures : Cette contribution introduit CrackSight, un cadre méthodologique avancé basé sur une architecture U-net modifiée, intégrant des innovations telles que LFB-Net (Linear Feature-based Crack Detection), le mécanisme d’attention linéaire à double focus (DALFM) et une couche de saillance. CrackSight s’attaque efficacement à des problèmes critiques tels que la détection de fissures à distance moyenne et longue, et les arrière-plans complexes. Il surmonte les obstacles liés aux conditions de faible éclairage, aux lumières externes et aux ombres qui compliquent la détection des fissures. Le modèle est conçu pour gérer les bruits environnementaux tels que la saleté, les graffitis et les structures environnantes, qui peuvent cacher les fissures ou provoquer des détections erronées. CrackSight est également robuste face aux défis posés par les fissures chevauchantes, les graffitis imitant des fissures, et la peinture couvrant partiellement les défauts.

 

Pour répondre aux limites des ensembles de données, une technique d’augmentation des données basée sur les réseaux antagonistes génératifs (GAN) est développée, permettant de générer des échantillons diversifiés et d’améliorer la robustesse du modèle face à la diversité des arrière-plans et au déséquilibre des données.

 

En conclusion, cette thèse démontre comment l’intégration de l’intelligence artificielle, des drones et des techniques de segmentation avancées peut transformer les pratiques d’inspection des ponts en béton. CrackSight établit une nouvelle référence en matière de détection précoce et précise des fissures, contribuant ainsi à la sécurité, à la durabilité et à la maintenance proactive des infrastructures de transport essentielles.

 

Les recherches doctorales de Dariush Amirkhani ont été dirigées par les professeurs Mohand Said Allili du département d’informatique et d’ingénierie de l’UQO et codirigées par le professeur Jean-François Lapointe du Conseil national de recherches Canada.

 

Le jury était composé de :

Shamsodin Taheri, professeur au département d’informatique et d’ingénierie, Université du Québec en Outaouais

Etienne St-Onge, membre interne du jury, professeur au département d’informatique et d’ingénierie, Université du Québec en Outaouais

Abdelhamid Mammeri, membre du jury externe, professeur, Conseil national de recherches Canada

Sous la supervision de la Doyenne des études, Stéphanie Demers 

 

L’UQO félicite Dariush Amirkhani pour cet accomplissement remarquable!