Détection et classification des dégradations de la route (nidsde-poule) à l’aide de l’apprentissage automatique pour les systèmes de transport intelligents

Abstract

Ce mémoire porte sur le développement et la mise en œuvre d’un système intelligent dédié à la détection automatique des nids-de-poule pour les Systèmes de Transport Intelligent (STI) afin de renforcer la sécurité routière. La solution proposée repose sur les techniques de vision par ordinateur et d’apprentissage automatique pour traiter les images capturées par une caméra embarquée sur un véhicule et analysées à l’aide d’une plateforme Raspberry Pi 5. Après une phase de prétraitement des images, les caractéristiques pertinentes sont extraites à l’aide des descripteurs LBP et HOG, puis analysées par des classificateurs tels que SVM et ANN afin de différencier les chaussées en bon état de celles présentant des dégradations sous forme de nids-de-poule. Les résultats de la détection sont indiqués en temps réel par l’allumage d’une LED signalant la présence d’un nid-de-poule. Les tests effectués montrent des performances satisfaisantes du système, tout en soulignant certaines contraintes liées à la qualité des images et aux conditions environnementales. Mots clés : détection, nid de poule, LBP, HOG, SVM, ANN, raspberrypi5, Systèmes de Transport Intelligent (STI) Abstract : This dissertation focuses on the development and implementation of an intelligent system for the automatic detection of potholes in order to enhance road safety. The proposed approach is based on computer vision and machine learning techniques to process images captured by an onboard camera mounted on a vehicle and analyzed using a Raspberry Pi 5 platform. After an image preprocessing phase, relevant features are extracted using the LBP and HOG descriptors and then analyzed by classifiers such as SVM and ANN to distinguish between roads in good condition and those affected by pothole-related damage. The detection results are displayed in real time through the activation of an LED, which signals the presence of a pothole. The tests carried out demonstrate satisfactory system performance while highlighting certain limitations related to image quality and environmental conditions. Keywords: Pothole Detection, Potholes, LBP, HOG, SVM, ANN, Raspberry Pi 5, Intelligent Transportation Systems (ITS). ملخص تتناول هذه المذكرة تطوير وتنفيذ نظام ذكي مخصص للكشف التلقائي عن الحفر في الطرق بهدف تعزيز السالمة المرورية. يعتمد النهج المقترح على تقنيات الرؤية الحاسوبية والتعلم اآللي لمعالجة الصور الملتقطة بواسطة كاميرا مثبتة على مركبة، والتي يتم تحليلها باستخدام منصة راسبيري باي .5 بعد مرحلة المعالجة المسبقة للصور، يتم استخراج الخصائص المهمة باستخدام واصفي LBP و HOG ، ثم تحليلها بواسطة مصنفات مثل SVM و ANN للتمييز بين الطرق السليمة وتلك التي تحتوي على أضرار تتمثل في الحفر. يتم عرض نتائج الكشف في الوقت الحقيقي ًء مرضيًا للنظام، مع من خالل إضاءة مصباح LED لإلشارة إلى وجود حفرة. وقد أظهرت االختبارات المنجزة أدا اإلشارة إلى بعض القيود المرتبطة بجودة الصور والظروف البيئية المحيطة. الكلمات المفتاحية :كشف الحفر، الحفر الطرقية، األنماط الثنائية المحلية)LBP )، مدرج التدرجات المو ّجهة )HOG)، آلة المتجهات الداعمة)SVM )، الشبكات العصبية االصطناعية)ANN )، راسبيري باي Raspberry5 ) )5 Pi، أنظمة النقل الذكية)ITS