Détection automatique des barres d'armatures dans le béton armé par analyse d'images issues de

mesures non destructives acquises par géoradar.

1 Description de l’entreprise

Le laboratoire du prestigieux groupe d’ingénierie SETEC (Laboratoire d’Études et de Recherche sur les
Matériaux - LERM) est spécialisé dans le diagnostic et la maintenance des ouvrages du génie civil et du
patrimoine bâti. À ce titre, le LERM propose ses services de caractérisation et d’analyse des matériaux de
construction tant en laboratoire que directement sur site. Les équipes du LERM interviennent en France
et à l’international notamment pour diagnostiquer les pathologies des ouvrages, caractériser leur état
actuel, déterminer l’évolution du comportement des ouvrages et aider à leur maintenance prédictive. Les
solutions innovantes développées au LERM, tant matérielles que logicielles, sont des outils d’aide à la
décision pour accroître la durabilité des ouvrages.

2 Contact

Olivier ANTERRIEU (ingénieur géophysicien, Ph.D.) / Hossein Assadollahi (ingénieur civil, Ph.D.)

3 Définition du problème

Lors de ses campagnes de diagnostic sur site, le LERM met notamment en œuvre le radar géophysique,
une méthode non destructive d’évaluation et de contrôle des matériaux de construction. Cette méthode
est basée sur l’émission/réception d’ondes électromagnétiques hautes fréquences (100 MHz à 3GHz) à
l’aide d’une antenne radar que l’utilisateur déplace à la surface du matériau à ausculter selon des profils
de mesure préalablement implantés. La juxtaposition des signaux enregistrés le long d’un profil permet
d’obtenir un scan du matériau ausculté sous la forme d’une coupe 2D, appelée radargramme (abscisse =
position X le long du profil, ordonnée=profondeur Z des « cibles » au sein du matériau).

Utilisé pour ausculter les structures en béton armé, le radar géophysique permet de déterminer la
présence et de localiser précisément la position des barres d’armatures au sein du béton. Cette
information est primordiale dans le cadre du diagnostic des ouvrages du génie civil car elle permet, par
exemple, d’éviter de sectionner des armatures lors de prélèvements d’échantillons pour analyses en
laboratoire ou d’aider au recalcul de structures.

La signature radar d’une armature apparaît sur un radargramme sous forme d’une hyperbole de diffraction
dont le sommet correspond à la position de l’armature tel que présenté sur la Figure 1.
Surface auscultée (béton armé)

Hyperboles de diffraction Position des armatures (points rouges)

Profondeur (cm)
Profondeur (cm)

Figure 1 : Exemples de radargramme avant (gauche) et après (droite) détection des armatures (points rouges).

A l’heure actuel, le géophysicien doit détecter manuellement ou de façon semi-automatique la position

du sommet des hyperboles de diffraction, correspondant à la position des armatures. Ce travail de
« pointé des armatures » est fastidieux et extrêmement chronophage.
Par ailleurs, la méthode radar ne permet pas de détecter le diamètre des armatures mises en évidence.
Cette information n’est à l’heure actuelle accessible que par le biais d’ouvertures de contrôle (essais
destructifs).

En cumulant les informations provenant des mesures radar et les ouvertures de contrôle destructives
réalisées systématiquement sur site, un plan de ferraillage détaillé de la zone auscultée peut être fournis.
Cependant, si l’auscultation radar est rapide et facile à effectuer, les ouvertures de contrôle sont
chronophages et parfois difficiles à mettre en œuvre. Pouvoir s’affranchir en partie de ces ouvertures,
représenterait donc un gain de productivité non négligeable.

L’objectif de notre proposition est donc d’évaluer une solution d’apprentissage automatique (ou de deep
learning) permettant :

- De détecter de façon (quasi) systématique la localisation des armatures au sein du béton.

- D’estimer leurs diamètres.

4 Description des données d’entrée et de sortie

Les données d’entrées sont des images de radargrammes (cf. radargramme de gauche sur la figure 1)
disponibles en format *.jpg ou *.bmp. Ces images sont associées à un jeu de données multivariées
(fréquence d’acquisition du radar, constant diélectrique, temps d’écoute, nombre d’échantillons/scan, pas
d’échantillonnage horizontal, position des armatures, diamètre de certaines armatures, etc.) disponible
au format *.xlsx.

Pour chaque radargramme analysé, les données de sortie doivent être :

- Les coordonnées X, Z des armatures détectées (X=position des armatures le long du radargramme,
Z=profondeur des armatures), soit le sommet de toutes les hyperboles de diffraction détectées.
- Le diamètre correspondant.

5 Métrique

L’erreur de positionnement des coordonnées X, Z des armatures sera quantifiée en comparant les valeurs
estimées par apprentissage automatique (ou deep learning) et les valeurs obtenues par les pointés
manuels et/ou semi-automatiques réalisés par les ingénieurs du LERM.

Concernant l’estimation du diamètre des armatures, les métriques proposées en fonction de la méthode
employé (régression, classification) sont :

- L’erreur absolue moyenne (régression)

- Root Mean Square error (régression)
- L’accuracy (classification)

6 Benchmark

Calculer la dérivée seconde de chaque hyperbole de diffraction afin de déterminer le point d’inflexion
(apex de l’hyperbole).

Hossein Assadollahi, Ing., Ph.D. Olivier Anterrieu, Ing., Ph.D.