Contribution à la détection intelligente des défauts géométriques des infrastructures de transport par vision transformers et réseaux de neurones convolutifs

Mohammadi, Samira (2025). Contribution à la détection intelligente des défauts géométriques des infrastructures de transport par vision transformers et réseaux de neurones convolutifs. Mémoire. Rimouski, Université du Québec à Rimouski, Département de mathématiques, informatique et génie, 118 p.

PDF Télécharger (4MB) | Prévisualisation

Résumé

RÉSUMÉ : La gestion et la maintenance prédictives de l'infrastructure de transport reposent surl'application de techniques de contrôle non destructif et d'imagerie, qui s'avèrent cruciales pour identifier les irrégularités sans causer de dommages, prévenant ainsi les accidents potentiels et les interruptions de service. Cette recherche utilise des modèles pré-entraînés et intègre des concepts de d'apprentissage par transfert pour surmonter les contraintes de l'ensemble de données. Elle met en lumière l'inspection géométrique significative de ces modèles dans l'automatisation de la classification d'images pour la maintenance des systems ferroviaires. Cette étude vise à évaluer l'efficacité de divers modèles d'apprentissage automatique, notamment le Vision Transformer (ViT), le Data-efficient Image Transformer (DeiT), VGG19, VGG16 et Resnet50, dans l'amélioration du contrôle non destructif dans les voies ferrées. ViT se démarque comme le meilleur performer en raison de son efficacité d'apprentissage supérieure et de sa capacité de généralisation, augmentée par un ajustement précis des hyperparamètres. DeiT, VGG19, VGG16 et le Resnet50 démontrent des capacités efficaces de détection de défauts, bénéficiant d'un ajustement minutieux des hyperparamètres. -- Mot(s) clé(s) en français : Détection des défauts ferroviaires, Apprentissage automatique, CNN, Transformateurs, Infrastructure de transport. --
ABSTRACT : The implementation of Non-Destructive Evaluation (NDE) imaging techniques plays a pivotal role in identifying infrastructure anomalies without causing damage, thereby preventing potential accidents and service disruptions. his study focuses on assessing the efficacy of various machine learning models in enhancing NDE within railway infrastructure. Such an evaluation is fundamental to ensuring operational safety and reliability in rail transport systems. Examined models include the Vision Transformer (ViT), Data-efficient Image Transformer (DeiT), VGG19, VGG16, and ResNet50. ViT emerges as the top performer due to its superior learning efficiency and generalization capability, augmented by precise hyperparameter tuning. DeiT, VGG19, VGG16, and the vanilla CNN demonstrates effective defect detection capabilities, benefiting from careful hyperparameter tuning. The findings highlight the potential of these models to aid automated image classification for railway maintenance applications, emphasizing the crucial role of hyperparameter tuning in optimizing performance. This research not only advances machine learning applications but also contributes to enhancing NDE methodologies in railway safety and maintenance. -- Mot(s) clé(s) en anglais : Railway defect detection, Machine learning, CNN, Transformers, Transport infrastructure.

Type de document :	Thèse ou mémoire de l'UQAR (Mémoire)
Directeur(trice) de mémoire/thèse :	Adda, Mehdi
Co-directeur(s) ou co-directrice(s) de mémoire/thèse :	Sattarpanah Kargandroudi, Sasan
Information complémentaire :	Mémoire présenté dans le cadre du programme de maîtrise en informatique en vue de l'obtention du grade de maître ès sciences (M. Sc.).
Mots-clés :	Voies ferrées - Inspection; Détection de défaut (Ingénierie); Transformateurs de vision; Réseaux de neurones convolutifs; Apprentissage automatique.
Départements et unités départementales :	Département de mathématiques, informatique et génie > Informatique
Date de dépôt :	08 mai 2025 15:58
Dernière modification :	08 mai 2025 15:58
URI :	https://semaphore.uqar.ca/id/eprint/3305