Détection automatique des dégradations de chaussée souple par Deep Learning : Application de YOLOv8 sur le tronçon routier de 9Km SIDI ALI – Sidi Lakhdar

Abstract

L’évaluation de l’état des chaussées souples constitue un enjeu majeur pour la gestion durable des infrastructures routières. Les détériorations telles que les fissures, le faïençage et l’arrachement sont des indicateurs révélateurs de la dégradation structurelle. Actuellement, leur identification s’effectue par des moyens rudimentaires fondés sur inspection visuelle des chaussées. Ce traitement manuel est complexe, long et surtout subjectif. Dans ce travail de fin d’études, nous proposons une approche automatisée de détection des dégradations basée sur le Deep Learning, en utilisant le modèle YOLOv8 et ses cinq variantes. L’étude a été appliquée sur un tronçon routier de 9 km, avec des données collectées par deux moyens : un drone et un smartphone embarqué sur véhicule. Toutefois, seules les données issues du drone ont été exploitées, en raison de la contrainte temporelle du projet. Les résultats expérimentaux ont montré que la variante YOLOv8s a offert les meilleures performances en matière de détection et de classification. Cette étude met en évidence la pertinence des techniques d’apprentissage profond dans le cadre de l’inspection automatique des routes et ouvre des perspectives pour l’intégration de données multi sources dans de futurs travaux. Mots clés : Deep Learning, YOLOv8, détection automatique, fissures, faïençage, arrachement, chaussées souples. Abstract The evaluation of flexible pavement conditions is a key aspect of sustainable road infrastructure management. Distresses such as cracks, alligator cracking, and raveling are critical indicators of structural deterioration. Traditionally, these are detected through manual visual inspections, which are timeconsuming and subjective. This final year project proposes an automated approach based on Deep Learning to detect such road surface defects, using the YOLOv8 model and its five variants. The methodology was applied to a 9 km road section, with data collected through two methods: drone imagery and a smartphone mounted on a moving vehicle. Due to time constraints, only drone-acquired data were used in this study. Experimental results revealed that the YOLOv8s variant provided the most accurate detection and classification outcomes. This research demonstrates the potential of deep learning models in automating road condition assessments and suggests future studies incorporating multi-source data for enhanced reliability. Keywords: Deep Learning, YOLOv8, automatic detection, cracks, alligator cracking, raveling, flexible pavement. الملخص يُعّد تقييم حالة األرصفة المرنة من التحديات األساسية في سبيل إدارة مستدامة للبنية التحتية الطرقية. وتُعتبر التدهورات مثل الشقوق، التّشققات َصة(، واالنفصال السطحي )االقتالع( من المؤشرات الدالة على تدهور البنية الهيكلية للطريق. وتُعتمد حالي التمساحية )الفَيَن طرق تقليدية للكشف عنها اً تعتمد أساسا . ً على المعاينة البصرية، وهي وسائل يدوية تتسم بالتعقيد، وتستغرق وقتاً طويال،ً كما أنها تخضع للذاتية بشكل كبير للكشف عن تدهورات سطح الطريق باالعتماد على تقنيات التعلم العميق، من خالل استخدام نموذج آلياً في هذا العمل البحثي، نقترح منهجاً 8YOLOvبجميع نسخه الخمس. وقد تم تطبيق هذه المنهجية على مقطع طولي من طريق يبلغ طوله 9 كيلومترات، باستخدام بيانات تم جمعها لضيق الوقت المخصص للمشروع، تم اعتماد بطريقتين: بواسطة طائرة مسيرة )درون(، وبواسطة هاتف ذكي ُمثّبت على مركبة. غير أّنه، ونظراً البيانات المأخوذة عن طريق الدرون فقط. أظهرت النتائج التجريبية أن النسخة s8YOLOv هي األكثر كفاءة من حيث دقة الكشف والتصنيف. وتؤكد هذه الدراسة مدى فاعلية تقنيات التعلم العميق في عمليات التفتيش اآللي للطرق، كما تفتح آفاقا دراسات القادمة. ً مستقبلية واعدة، السيما فيما يتعلق بدمج مصادر بيانات متعددة في ال الكلمات المفتاحية :التعلم العميق، 8YOLOv، الكشف اآللي، الشقوق، التشققات التمساحية، االقتالع، األرصفة المرنة.