Cadre automatisé et économique pour la mesure des fissures dans les structures en béton armé utilisant une approche d’apprentissage profond

Pourquoi de petites fissures dans de grandes structures comptent

Des ponts autoroutiers aux immeubles résidentiels, de nombreuses structures en béton auxquelles nous faisons confiance développent progressivement des fissures capillaires. Ces petites ouvertures peuvent laisser pénétrer l’eau et le sel qui attaquent l’acier dissimulé, réduisant la durée de vie sûre d’une structure. L’inspection et la mesure de ces fissures ont traditionnellement impliqué un travail manuel lent réalisé par des spécialistes équipés de loupes et de jauges. Cet article présente une méthode pour transformer un smartphone ordinaire en un outil d’inspection peu coûteux capable de détecter automatiquement les fissures sur les surfaces en béton et d’estimer leur largeur, aidant ainsi les ingénieurs à décider quand des réparations sont réellement nécessaires.

Des contrôles manuels lents aux images intelligentes

Les ingénieurs savent depuis longtemps que la taille et l’emplacement des fissures sont des indices clés du degré de détérioration d’une structure en béton et de sa durée de vie restante. Mais les mesures manuelles des fissures prennent du temps, dépendent des compétences de l’inspecteur et peuvent être incohérentes d’une visite à l’autre. Des chercheurs ont expérimenté des caméras, des lasers et même des drones pour automatiser le processus, mais beaucoup de ces systèmes sont coûteux, complexes à mettre en place ou difficiles à déployer dans des espaces étroits ou intérieurs. Les auteurs de cette étude se sont donné pour objectif de concevoir une alternative pratique fonctionnant avec des smartphones largement disponibles et des motifs imprimés simples, afin de maintenir les coûts bas tout en fournissant des mesures suffisamment précises pour des décisions en conditions réelles.

Apprendre à un ordinateur à voir les fissures

Au cœur du nouveau cadre se trouve un système moderne de reconnaissance d’images basé sur un modèle d’apprentissage profond appelé YOLO-V11. L’équipe a entraîné ce modèle avec des milliers de photographies de surfaces en béton fissurées afin qu’il puisse distinguer les fissures réelles des ombres, des taches et des marques. Pour rendre le système robuste en environnements réels et encombrés, ils ont volontairement ajouté des lignes colorées artificielles sur les images d’entraînement, forçant le modèle à apprendre les différences visuelles subtiles entre une ligne peinte et une véritable rupture dans le béton. Ils ont également amélioré le contraste et la netteté des images pendant l’entraînement. Ces étapes ont considérablement amélioré la capacité du modèle à détecter les fissures et à tracer leurs bords, même lorsque l’éclairage est inégal ou que la surface est rugueuse.

Transformer des images en mesures réelles

Détecter une fissure ne suffit pas ; les ingénieurs ont besoin de sa largeur réelle en millimètres, et non seulement en pixels sur un écran. Pour combler cet écart, les chercheurs ont utilisé quatre petits motifs d’échiquier collés autour de la zone photographiée. Comme la taille de chaque case de l’échiquier est connue, le logiciel peut corriger l’inclinaison de la caméra et la distorsion de l’objectif, puis calculer combien de millimètres correspondent à chaque pixel de l’image. La zone de fissure est analysée en tuiles superposées afin de capturer les très petits détails, puis le logiciel trouve un « squelette » fin au centre de chaque fissure et mesure la distance jusqu’aux bords de la fissure le long de cette ligne. La combinaison de ces étapes produit une carte des largeurs de fissure sur la zone inspectée.

À quel point cela fonctionne dans le monde réel

Pour tester leur approche, l’équipe a rassemblé 230 mesures de fissures provenant à la fois d’éprouvettes en laboratoire et de bâtiments en béton existants, en utilisant un microscope numérique haute résolution comme référence. Ils ont ensuite pris des photos au smartphone à environ un mètre de distance, les ont traitées avec leur cadre et ont comparé les largeurs de fissure prévues aux lectures manuelles. En moyenne, l’erreur du système automatisé était d’environ un huitième de la largeur réelle, avec des différences typiques de seulement quelques centièmes de millimètre. Il a particulièrement bien fonctionné pour les fissures de plus d’un demi-millimètre, où la variation entre les largeurs prédites et réelles était faible. Pour les fissures extrêmement fines, l’incertitude était plus élevée, ce qui suggère que des photos prises de plus près ou des caméras à plus haute résolution amélioreraient encore la précision.

Ce que cela signifie pour la sécurité quotidienne

L’étude montre qu’une combinaison soigneusement conçue de photographie au smartphone, de motifs imprimés simples et d’analyse d’image avancée peut fournir des mesures de fissures fiables sans équipement coûteux ni opérateurs hautement spécialisés. Le système a tendance à surestimer légèrement les largeurs de fissure, ce qui constitue un biais conservateur et plus sûr lors de l’évaluation de la santé structurelle. Avec des améliorations futures — telles que l’utilisation de capteurs de profondeur intégrés aux téléphones récents au lieu d’échiquiers physiques — la méthode pourrait rendre les contrôles de santé routiniers et peu coûteux des bâtiments en béton, des ponts et d’autres structures beaucoup plus accessibles, aidant les propriétaires à repérer les problèmes plus tôt et à prioriser les réparations là où elles comptent le plus.

Citation: Hassouna, M., Marzouk, M. & Fathalla, E. Automated low-cost framework for crack measurements in RC structures using deep learning approach. Sci Rep 16, 14678 (2026). https://doi.org/10.1038/s41598-026-50880-w

Mots-clés: fissures du béton, surveillance de la santé structurelle, inspection par apprentissage profond, mesure à partir de smartphone, sécurité des infrastructures