Offre en lien avec l’Action/le Réseau : – — –/Doctorants

Laboratoire/Entreprise : UMR 7020 Laboratoire d’Informatique & Systèmes (L
Durée : 36 mois
Contact : julien.seinturier@univ-tln.fr
Date limite de publication : 2023-08-31

Contexte :
La surveillance et le suivi des ouvrages d’art est une problématique actuelle dans le domaine des Bâtiments et Travaux Public (BTP). Parmi les ouvrages les plus à risque, les structures béton comme les ponts ou les barrages sont surveillés et suivi grâce à l’étude des fissures pouvant apparaitre à leur surface. Les méthodes actuelles de détection et de classification de fissures béton sont articulées autour de trois axes.
L’étude experte consistent à faire analyser par un expert béton des prises de vues de fissures ou les fissures elles même in situ. A partir des données recueillies, l’expert émet une conclusion afin de planifier les interventions nécessaires. L’intervention manuelle pose de nombreuses contraintes comme le nombre de structures à surveiller surpassant de loin la capacité d’inspection des experts ou l’accès aux sites eux-mêmes.
Les méthodes basées sur l’inférence logique reposent sur la formalisation des connaissances expertes impliquées dans la détection et la classification de fissures. Ces connaissances peuvent être intégrées dans des systèmes expert [1] ou dans des ontologies [2], [3]. Les moteurs d’inférence sous-jacent permettent alors de classifier les fissures à partir des données recueillies. De telles méthodes répondent à la problématique de la disponibilité des experts et à l’explicabilité des résultats fournis (par la nature de l’inférence logique). Cependant, elles sont soumises aux contraintes de l’inférence logique et de sa complexité algorithmique qui n’est pas adapté à de grands volumes de données.
L’apprentissage automatique, en particulier basé sur des images, permet dans la détection de fissures à partir de simples images. De nombreuses solutions ont été proposées à partir d’apprentissage machine standard [4] ou encore d’apprentissage profond [5], [6]. Ces solutions sont rapides, ne demandent pas l’acquisition de données complexes et ont un bon ratio de détection et de classification. Les contraintes de l’apprentissage automatique restent néanmoins présentes, comme la justification d’une détection / classification ou encore la prédiction de l’évolution d’une fissure.

Sujet :
La thèse vise la mise en place d’une approche neuro-symbolique pour répondre à la problématique de la surveillance et le suivi des ouvrages d’art. Le choix des méthodes automatiques et le choix d’un cadre de formalisation des connaissances expertes s’avère alors critique. Au-delà de la simple détection de fissure, l’approche doit également être capable de justifier ses choix et de les expliquer aux experts (qui restent les décideurs finaux). Un verrou secondaire est l’évaluation de la meilleure méthode d’intégration entre approche neuronale et approche symbolique (comme utiliser l’approche neuronale comme fournisseur de faits pour l’inférence symbolique ou utiliser la connaissance symbolique pour paramétrer le réseau de neurones).

Les travaux engagés visent à proposer une approche permettant l’automatisation de la détection et de la classification de fissures béton en intégrant les approches basées sur l’apprentissage automatique [4]–[6] et les approches basées sur la représentation des connaissances et l’inférence [3] au sein d’un même cadre unifié. La construction de ce cadre s’appuiera sur les dernières recherches menées dans le domaine de l’intelligence artificielle neuro symbolique [9], [10].
Dans un premier temps, un état de l’art sera réalisé à sur la détection et la classification d’objets par apprentissage automatique ainsi que sur la représentation de connaissances expertes et l’inférence sur celles-ci. Différentes méthodes issues de ces approches seront implantées et testées afin de retenir les plus à mêmes d’être intégrées dans un cadre unifié.
Dans un second temps, le cadre unifié sera implanté au moyen d’ontologies. Le formalisme choisi reposera sur l’Ontology Web Language étendu aux logiques de descriptions (OWL-DL)[11] pour la formalisation de connaissances et sur le Semantic Web Rule Language (SWRL)[12] pour ses capacités d’inférences. Le choix de baser le cadre sur OWL permettra d’intégrer également des représentations ontologiques du temps [13] et de l’espace [14], [15], notions fondamentales dans la localisation et le suivi d’objets.
Une fois des méthodes de détection automatiques de fissures par apprentissage automatique et le la connaissance experte formalisée, une approche neuro-symbolique pour la détection et la classification de fissures sera proposée à partir de l’état de l’art [9], [10]. Une première piste pouvant être suivi dans ce contexte étant de peupler l’ontologie à partir des résultats de détection / classification automatique et de procéder à des inférences classiques ou du requêtage, par exemple via SPARQL.
Après avoir mis en place le pipeline de détection / classification fondé sur une approche neuro-symbolique, les travaux seront évalués en utilisant des données réelles acquises par le système de photogrammétrie HYDRO Series déployé sur des sites identifiés.

[1] P. Dalmagioni, M. Lazzari, R. Pellegrini, S. Paolo, et M. Emborg, « An Expert System For Managing Early Age Concrete Crack Prediction », in Proceedings of the 9th International Workshop of the European Group for Intelligent Computing in Engineering, Darmstadt, Germany, août 2002.
[2] W. T. Chen et T. A. Bria, « A Review of Ontology-Based Safety Management in Construction », Sustainability, vol. 15, no 1, 2023, doi: 10.3390/su15010413.
[3] S. Jung, S. Lee, et J. Yu, « Ontological Approach for Automatic Inference of Concrete Crack Cause », Appl. Sci., vol. 11, no 1, déc. 2020, doi: 10.3390/app11010252.
[4] H. Kim, E. Ahn, M. Shin, et S.-H. Sim, « Crack and Noncrack Classification from Concrete Surface Images Using Machine Learning », Struct. Health Monit., vol. 18, no 3, p. 725‑738, avr. 2018, doi: https://doi.org/10.1177/14759217187687.
[5] P. Tupe-Waghmare et R. R. Joshi, « A Scoping Review of Classification of Concrete Cracks using Deep Convolution Learning Approach », Libr. Philos. Pract., vol. 5127, no 1, févr. 2021, [En ligne]. Disponible sur: https://digitalcommons.unl.edu/libphilprac/5127/
[6] W. R. L. da Silva et D. S. de Lucena, « Concrete Cracks Detection Based on Deep Learning Image Classification », in Proceedings of the 18th International Conference on Experimental Mechanics ICEM18, Brussels, Belgium, janv. 2018, vol. 2, no 8. doi: 10.3390/ICEM18-05387.
[7] F. Menna et al., « Evaluation of vision-based localization and mapping techniques in a subsea metrology scenario », Int. Arch. Photogramm. Remote Sens. Spat. Inf. Sci., vol. XLII-2/W10, p. 127‑134, mai 2019, doi: 10.5194/isprs-archives-XLII-2-W10-127-2019.
[8] F. Menna et al., « Towards real-time underwater photogrammetry for subsea metrology applications », in Proceedings of OCEANS 2019 conference, Marseilles, France, juin 2019, p. 1‑10. doi: 10.1109/OCEANSE.2019.8867285.
[9] P. Hitzler et S. Kamruzzaman, Neuro-Symbolic Artificial Intelligence: The State of the Art, Joost Breuker, Nicola Guarino., vol. 342. Nieuwe Hemweg 6B 1013 BG, Amsterdam, Netherlands: IOS Press, 2022. [En ligne]. Disponible sur: https://ebooks.iospress.nl/ISBN/978-1-64368-245-7
[10] A. d’Avila Garcez et al., « Neural-Symbolic Learning and Reasoning: Contributions and Challenges », in Proceedings of the 2015 AAAI Spring Symposium Series, Stanford University, USA, mars 2015. [En ligne]. Disponible sur: https://www.aaai.org/ocs/index.php/SSS/SSS15/paper/view/10281
[11] OWL Working Group, « OWL 2 Web Ontology Language Document Overview », W3C, Recommandation, déc. 2012. [En ligne]. Disponible sur: https://www.w3.org/TR/owl2-overview/
[12] I. Horrocks, P. F. Patel-Schneider, H. Boley, S. Tabet, B. Grosof, et M. Dean, « SWRL: A Semantic Web Rule Language Combining OWL and RuleML », W3C, Submission, mai 2004. [En ligne]. Disponible sur: https://www.w3.org/Submission/SWRL/
[13] S. Cox et C. Little, « Time Ontology in OWL », W3C, Recommandation, nov. 2022. [En ligne]. Disponible sur: https://www.w3.org/TR/owl-time/
[14] S. Marc-Zwecker, F. de Bertrand de Beuvron, C. Zanni-Merk, et F. Le Ber, « Qualitative spatial reasoning in RCC8 with OWL and SWRL », in Proceedingsof the 5th International Conference on Knowledge Engineering and Ontology Development KEOD2013, Vilamoura, Algarve, Portugal, sept. 2013, p. 214‑221. doi: 10.5220/0004543702140221.
[15] Y. Wang, Q. Mengling, H. Liu, et X. ye, « Qualitative spatial reasoning on topological relations by combining the semantic web and constraint satisfaction », Geo-Spat. Inf. Sci., vol. 21, no 2, p. 80‑92, févr. 2017, doi: 10.1080/10095020.2018.1430659.
[16] Md. Safiuddin, A. B. M. A. Kaish, C.-O. Woon, et S. N. Raman, « Early-Age Cracking in Concrete: Causes, Consequences, Remedial Measures, and Recommendations », Appl. Sci., vol. 8, no 10, sept. 2018, doi: 10.3390/app8101730.
[17] C. J. Larosche, « Types and causes of cracking in concrete structures », Failure, distress and repair of concrete structures. Woodhead Publishing Limited, p. 57‑83, 2009. doi: 10.1533/9781845697037.1.57.
[18] J. F. Allen, « Maintaining knowledge about temporal intervals », Commun. ACM, no 11, p. 832‑843, nov. 1983, doi: https://doi.org/10.1145/182.358434.
[19] J. F. Allen, « An Interval-Based Representation of Temporal Knowledge », in Proceedings of the 7th international joint conference on Artificial intelligence IJCAI’81, Vancouver, BC, Canada, août 1981, vol. 1, p. 221‑226. [En ligne]. Disponible sur: https://www.ijcai.org/Proceedings/81-1/Papers/045.pdf
[20] D. A. Randell, Z. Cui, et A. G. Cohn, « A spatial logic based on regions and connection », in Proceedings of the Third International Conference on Principles of Knowledge Representation and Reasoning, Cambridge, oct. 1992, p. 165‑176.

Profil du candidat :
Le candidat devra avoir une formation en informatique avec de solides bases formelles, notamment en Représentation des connaissances (Ontologies, OWL) et en apprentissage machine (Apprentissage profond). Une connaissance des Systèmes d’Informations et de de la Vision par Ordinateur sera un plus pour s’intégrer au projet et échange avec les partenaires.

La thèse étant un profil CIFRE, un profil ingénieur ainsi qu’une sensibilité au monde de l’entreprise peuvent s’avérer être des avantage.

Formation et compétences requises :
Formation Bac + 5 (Master 2 / Ingénieur) en informatique avec des UE s’approchant des domaines de l’Intelligence Artificielle et des systèmes d’informations.

Adresse d’emploi :
L’emploi sera réparti entre la société IVM Technologies, située à Marseille (9ième arrondissement) pour 70% du temps et l’Université de Toulon (30% du temps). La répartition des lieux de travail pourra être affinée en accord avec le candidat.

Document attaché : 202305101530_2023-THESE-IVM-LIS-UTLN-COURT.pdf