Evaluation of Unsupervised Anomaly Detection Methods on Engineering Structures
Évaluation de méthodes de détection d'anomalies non supervisée pour l'auscultation des ouvrages d'art
Résumé
The automatic methods used for monitoring engineering structures are, for the most part, supervised and therefore costly in terms of anomaly acquisition and annotation. Unsupervised anomaly detection methods offer an alternative to these methods, thanks to models that learn only from healthy images. In order to study the performance of these methods applied to engineering structures, we acquired images of the walls of a road tunnel to form a dataset. We then deployed and tested on these data five state-of-the-art models, which implement each of the main unsupervised paradigms. On these experiments, the model based on multi-scale normalizing flow (MSFlow) proved to be the most effective in detecting anomalies on the tunnel walls.
Les méthodes automatiques utilisées pour l’auscultation des ouvrages d’art sont, pour la plupart, supervisées et donc, coûteuses en termes d’acquisition et d’annotation d’anomalies. Les méthodes de détection d’anomalies non supervisée offrent une alternative à ces méthodes grâce à des modèles n’apprenant qu’avec des images saines. Afin d’étudier les performances de ces méthodes appliquées au cas des ouvrages d’art, nous avons acquis des images de parois d’un tunnel routier pour constituer un jeu de données. Nous avons ensuite déployé et testé sur ces données cinq modèles de l’état de l’art, qui mettent en œuvre chacun des principaux paradigmes de méthodes non supervisées. Sur ces expériences, le modèle fondé sur les normalizing flow multi-échelles (MSFlow) s’avère le plus performant pour relever les anomalies sur les parois du tunnel.
| Origine | Accord explicite pour ce dépôt |
|---|---|
| licence |
