|
Résumé :
|
Les inondations présentent le risque naturel le plus fréquent dans le monde, affectant régulièrement la majorité des pays. Au Canada, les inondations sont la catastrophe naturelle la plus coûteuse, causant des pertes annuelles moyennes de 1 à 2 milliards de dollars canadiens. L'étendue des dégâts causés par une inondation sur les bâtiments dépend en grande partie des hauteurs des ouvertures par lesquelles l’eau peut pénétrer, telles que les portes, les fenêtres et les garages, ainsi que de la présence ou de l'absence d'un sous-sol qui peut être envahi par l’eau et engendrer des dommages à long terme aux bâtiments et aux installations. Cependant, collecter les informations sur les ouvertures et le sous-sol pour l'ensemble des bâtiments d'une ville, par exemple, s'avère être une tâche extrêmement laborieuse et coûteuse. Afin de relever ce défi, nous avons exploité plusieurs modèles d'apprentissage profond pour automatiser la collecte de ces données. Tout d'abord, nous avons entrainé deux modèles YOLOv8s. Le premier est spécialement conçu pour détecter les portes, les garages et les sous-sols dans les images des façades, tandis que le second est dédié à la détection des fenêtres. Nous avons obtenu des performances remarquables avec un mAP(50) de 89,2 % pour le premier modèle et de 93,8 % pour le second modèle. Ensuite, pour obtenir des limites précises des objets détectés par les deux modèles YOLOv8s, nous avons intégré le modèle de segmentation d'images SAM. Enfin, nous avons développé une approche mathématique basée sur la méthode de compensation par moindres carrés, en utilisant les cartes de disparité générées par le modèle HITNet, afin de déterminer les hauteurs des ouvertures détectées.
|
