"Ma thèse au Cerema" par Khouloud Dahmane : Analyse d’images par méthode de Deep learning appliquée au contexte routier en conditions météorologiques dégradées

Présentation de Khouloud Dahmane

Khouloud Dahmane est doctorante du Cerema Centre-Est au Département Laboratoire de Clermont-Ferrand (DLCF) et mène ses recherches au sein de l’équipe de recherche STI du Cerema et du Laboratoire d’excellence clermontois IMobS3.

Après des études d’électronique industrielle à l’Ecole Nationale d’Ingénieurs de Sousse (ENISo) en Tunisie, elle a mené un Master "Systèmes intelligents et communicants" en co-tutelle avec l’université Clermont Auvergne et en a réalisé le stage de recherche au sein de l’unité Mobilité Durable et Sécurité (MDS) du DLCF.

Présentation des travaux de thèse de Khouloud Dahmane

Les systèmes de vision artificielle sont de plus en plus utilisés pour la vidéo-surveillance routière et les systèmes d’aide à la conduite. Leur fonctionnement est généralement affecté par la dégradation des conditions météorologiques (pluie, brouillard notamment). Il est donc nécessaire d’avoir une connaissance des conditions météorologiques dégradées sous lesquelles opèrent ces systèmes, afin d’en évaluer en permanence leur performance. Des capteurs météorologiques ne pouvant être déployés pour chaque caméra de surveillance, il apparaît opportun d’ajouter aux caméras une intelligence permettant la mesure du temps météorologique.

Dans ce cadre, les travaux de thèse consistent à faire la classification et la mesure des conditions météorologiques par camera routière. Pour cela, on utilise une méthode basée sur l’apprentissage profond (Deep Learning) appliqué aux images acquises. La classification prend en considération les conditions défavorables qui peuvent influencer le fonctionnement et la fiabilité des Systèmes de Transports Intelligents (STI).

La méthode proposée exige l’utilisation de bases de données d’apprentissage et de tests : celle acquise au Cerema CE au sein de la plateforme R&D Brouillard et Pluie, "Cerema-AWP database", et la base "Cerema-AWH database", acquise sur le site autoroutier de la Fageole (Cantal) sur l’autoroute A75. Chaque image de la base est "labellisée" automatiquement grâce aux données météorologiques relevées sur le site permettant de caractériser divers niveaux de précipitations pour la pluie, la neige et le brouillard. La richesse de ces deux bases permet de développer une méthode originale de classification du temps par Deep Learning, s’appuyant sur un réseau de neurones personnalisé appelé "ClariNet".

Les résultats ont donné un bon score de ce réseau pour une classification en trois classes météorologiques (beau temps, brouillard, pluie) qui atteint 99 % et 87 % pour cinq classes.