Deep Learning Livré · 2024
Segmentation de fissures dans le béton
Segmentation sémantique U-Net pour l’inspection d’infrastructures
Projet local
Deep Learning 2024
Architecture du système
- 01
Dataset
Images de surfaces en béton
- 02
Modèle
U-Net implémenté et entraîné from scratch (PyTorch)
- 03
Segmentation
Masques pixel-à-pixel des fissures
- 04
Évaluation
Métriques orientées précision — IoU, Dice
Segmentation pixel-à-pixel des fissures sur des surfaces en béton via U-Net. Entraînement from scratch, avec un soin particulier porté à la précision : dans l'inspection d'infrastructures, un faux négatif a un coût réel.
Ce qui a été construit
- Architecture U-Net implémentée et entraînée from scratch
- Dataset d’images de surfaces en béton
- Métriques de segmentation orientées précision (IoU, Dice)
- Cas d’usage : inspection automatisée d’infrastructures
Le vrai défi
U-Net reste une référence pour la segmentation : comprendre pourquoi les skip-connections préservent le détail spatial m'a appris autant que l'entraînement lui-même.
Projet suivant
MarketPulse AI