May

Solutions automatisées pour la détection des dommages routiers et l'efficacité des processus internes

Aperçu du projet

May, une entreprise axée sur la technologie et spécialisée dans l'entretien des routes, souhaitait un système d'entretien avancé. Agents de classification d'images pour détecter les dégâts sur les routes et recommander des produits pour des solutions rapides, ce qui devrait minimiser le besoin d'experts sur le terrain. L'objectif était de réduire les temps de réparation et les coûts globaux. En outre, May souhaitait améliorer les processus de travail internes grâce à des outils automatisés pour le développement de logiciels, la gestion de projets et la création d'appels d'offres.

Cette étude de cas porte sur le développement du système de détection des dommages routiers à l'aide de l'apprentissage automatique (ML) et sur la manière dont May a optimisé les processus internes à l'aide d'outils automatisés et a considérablement amélioré son efficacité.

Agent de classification d'images pour la détection de dommages routiers

Objectif :

May avait besoin d'un système de classification d'images robuste, capable d'identifier différents types de dommages routiers (nids de poule, fissures, etc.) et de fournir aux ouvriers des recommandations sur les produits de réparation. Ce système devait être rapide, précis et utilisable par des non-spécialistes.

Défis à relever :

Détection précise des dommages routiersLe système devait pouvoir faire la différence entre différents types de dommages.
Recommandations de produits: Il fallait faire des propositions automatisées pour les matériaux de réparation appropriés.
Facilité d'utilisation pour les travailleurs de la routeLes travailleurs avaient besoin d'une interface utilisateur simple qui fournissait des suggestions en temps réel.

Solution :

La solution a consisté à développer un agent de classification d'images en utilisant un modèle d'apprentissage automatique, en particulier une YOLO (You Only Look Once)-L'architecture du système a été entraînée sur un ensemble de données équilibré et étendu pour la détection des dommages routiers. Le système intégrait des recommandations de produits pour des réparations rapides.

flux de travail de développement :

Charger et prétraiter l'ensemble des donnéesLes images de différents dommages routiers ont été chargées à partir de sous-répertoires organisés sur la base des noms de classe. Avec le Générateur d'images de TensorFlow, les images ont été converties, pour des raisons de cohérence, en 640 x 640 pixels réduits.
Équilibrer l'ensemble des données avec SMOTE: pour compenser les déséquilibres de classe (c'est-à-dire moins d'exemples de types de dommages rares), la Technique de suréchantillonnage des minorités synthétiques (SMOTE) a été utilisé pour créer des images synthétiques pour les classes sous-représentées. Ces images synthétisées ont été réutilisées sur 640 x 640 transformé pour garantir une taille uniforme.
Fractionnement des données: L'ensemble de données a été converti en 70 % Formation, 20 % Validation et 10 kits de test % afin de garantir une répartition équilibrée dans chaque classe pour la formation, la validation et les tests.
Enrichissement des données: L'ensemble d'entraînement a été créé à l'aide de la imgaug-a été soumise à un enrichissement complet des données. Il s'agissait notamment de transformations telles que la rotation, la mise en miroir, le redimensionnement, le recadrage, l'ajout de bruit et l'ajustement du contraste et de la luminosité. Ces enrichissements ont contribué à améliorer la généralisation du modèle en diversifiant l'ensemble des données.
Formation aux modèles YOLO: L'ensemble de données étendu a été utilisé pour créer un Modèle YOLOv8 pour la classification d'images. Le réglage fin a été effectué sur un modèle YOLO pré-entraîné pour 100 époques avec une taille de pile de 32. Dropout a été appliquée pour éviter le surajustement et la performance du modèle a été surveillée sur l'ensemble de validation.
Évaluation et exportation de modèlesAprès la formation, les performances du modèle ont été évaluées à l'aide des kits de validation et de test. Le modèle final, une fois jugé satisfaisant, a été mis à disposition dans le Format ONNX exporté.

Technologies clés :

YOLOv8: Utilisé pour une classification efficace des images et l'apprentissage par transfert.
SMOTE: Utilisé pour équilibrer l'ensemble des données et générer des données synthétiques pour les classes minoritaires.
imgaug: Amélioration de la diversité des données d'entraînement grâce à l'augmentation.
TensorFlow/Keras: Utilisé pour le prétraitement des images et la gestion des modèles.

résultat :

Amélioration de la précisionLe modèle final a atteint une Précision de 95 lors de la détection et de la classification des dommages routiers.
Des réparations plus rapidesLes travailleurs de la route ont reçu des suggestions de produits en temps réel, ce qui leur a permis d'effectuer des réparations immédiates sans avoir besoin d'un guide spécialisé.
Rentabilité: La réduction des besoins en experts sur le terrain a entraîné une une réduction des coûts de 30 lors des travaux d'entretien.

Conclusion

La mise en œuvre de solutions automatisées avancées, tant pour les clients externes que pour les processus internes, a permis à May d'améliorer considérablement son efficacité opérationnelle. Le site Système de classification d'images basé sur YOLO pour la détection des dommages routiers a permis de trouver rapidement des solutions sans avoir besoin d'une supervision experte et a réduit les coûts de 30 %. En interne, des outils d'automatisation ont rationalisé le développement de logiciels, la gestion de projets et la rédaction de devis, ce qui a permis d'accélérer les cycles de développement et d'améliorer les résultats des projets.

Principaux avantages :

95 % Précision lors de la détection de dégâts sur les routes.
40 % Cycles de développement logiciel plus rapides.
70 % moins temps consacré à la recherche manuelle d'appels d'offres et à la rédaction de devis.