Mémoire

Abstract

La production de matériaux de construction émet beaucoup de gaz à effet de serre. La mise en place d’une économie circulaire aurait le potentiel de réduire grandement ces émissions. En Wallonie, des réhabilitations massives sont nécessaires pour atteindre les objectifs climatiques fixés à l’horizon 2050. Ce processus engendrera une production importante de déchets de démolition, représentant déjà 40 % des déchets enWallonie. Dans ce contexte, le projet Interreg « RE-USE » vise à promouvoir la construction circulaire dans la région Meuse-Rhin en réutilisant les matériaux issus de bâtiments démolis au lieu de les jeter. Ce mémoire s’inscrit dans ce cadre avec comme but de faire un état de l’art sur ce qui se fait en matière d’identification automatique de matériaux de construction. L’état de l’art a mis en évidence la diversité des approches existantes pour la classification automatique des matériaux de construction, allant des méthodes classiques basées sur l’analyse d’images RGB à des approches intégrant le multispectral ou l’hyperspectral, les données LiDAR, la combinaison de plusieurs types de données et du LiDAR multispectral. Concernant les méthodes de classification, le ML (type SVM, RF, . . .) est largement utilisé, ainsi que le DL. Ce travail s’est focalisé sur la reconnaissance de matériaux de toiture. L’objectif a alors été d’évaluer si une précision suffisante peut être atteinte pour l’économie circulaire (> 95 %) et d’analyser la plus-value de données à plus haute résolution (drone) que les données en accès libre de la Wallonie. Pour cela, un modèle d’identification de 11 classes de matériaux de toiture a été construit sur base des orthophotos (RGB + NIR) et du MNS de la Wallonie et de données annotées fournies par Coraline Wyard de l’ISSeP. Des caractéristiques ont été calculées : ombres, textures et pentes. Deux algorithmes de ML ont été utilisés : SVM et RF. L’Accuracy pour la meilleure combinaison de caractéristiques et d’algorithme atteint 96,5 %, démontrant la capacité d’identification des matériaux de toiture. Ensuite ce modèle a été appliqué pour faire de la prédiction sur des données en accès libre à 25 cm de résolution et sur des données plus fines (multispectral 4,9 cm, MNS 2,5 cm) acquises en drone. Globalement, les données drone offrent de meilleurs résultats que les orthophotos en accès libre. Néanmoins, même avec les données drone, certaines erreurs localisées persistent, surement à cause des différentes conditions d’illuminations lors de l’acquisition. L’idéal serait d’entrainer le modèle directement sur des données drone mais cela demanderait beaucoup de ressources.