STRUCTURE | Maintenance prédictive des infrastructures de transport grâce au multi-modal sensing et à l’IA

Région:

Flandre

Financé par

Inspection d’infrastructures pilotée par l’IA et le multi-modal sensing

Alors que les infrastructures de transport, telles que les ponts, routes et tunnels, vieillissent, les ressources d’inspection restent limitées.

STRUCTURE développe des approches d’inspection et de maintenance prédictive basées sur l’IA, combinant différentes technologies de multi-modal sensing telles que les images RGB et infrarouges ainsi que les données de nuages de points LiDAR. L’objectif est de soutenir une gestion des infrastructures plus sûre, plus efficace et davantage pilotée par les données.

Groupe cible

Le projet s’adresse aux :

Propriétaires et exploitants d’infrastructures
Opérateurs de mobilité
Prestataires de services d’inspection et de maintenance
Autorités publiques et gestionnaires d’infrastructures

Contexte

Les pratiques actuelles d’inspection des infrastructures restent largement manuelles, périodiques et fragmentées. Les inspections nécessitent souvent des interventions coûteuses et des fermetures temporaires, tandis que les résultats dépendent fortement de l’interprétation des experts et manquent parfois de cohérence dans le temps.

Parallèlement, les plateformes de sensing mobiles et les capteurs avancés génèrent des volumes croissants de données, notamment visuelles, thermiques, LiDAR et structurelles. Pourtant, ces sources de données hétérogènes sont rarement exploitées de manière intégrée, ce qui limite la détection précoce des défauts et le suivi de l’évolution des dégradations dans le temps.

Les solutions d’IA existantes présentent également des limites importantes. Beaucoup sont développées pour des cas d’usage isolés, manquent de robustesse dans des environnements opérationnels et offrent peu d’explicabilité, ce qui complique leur déploiement à grande échelle.

Objectifs & résultats

STRUCTURE répond à ces défis en développant des méthodes d’IA intégrées et interprétables capables de transformer les données de multi-modal sensing en informations exploitables pour la maintenance.

Le projet vise à :

Étudier des méthodes permettant de combiner les données issues de capteurs mobiles et fixes hétérogènes
Développer des modèles d’IA pour la détection de défauts, leur classification et la prédiction des dégradations
Démontrer des workflows d’inspection scalables dans des environnements opérationnels
Évaluer la fiabilité, la robustesse et l’impact opérationnel des solutions développées
Transformer les résultats de recherche en outils pratiques pour les gestionnaires d’infrastructures

Résultats attendus

Des démonstrateurs combinant IA et multi-modal sensing pour l’inspection d’infrastructures
Des jeux de données structurés intégrant données visuelles, thermiques, LiDAR et structurelles
Des modèles d’IA pour la détection de défauts et la maintenance prédictive
Des recommandations de bonnes pratiques pour le déploiement de l’IA dans le monitoring des infrastructures
Des workshops et activités de validation avec les acteurs industriels

Approche

Le projet suit une approche end-to-end pilotée par les données, combinant technologies de sensing, IA et jumeaux numériques sur l’ensemble du workflow d’inspection et de maintenance.

1. Acquisition intelligente des données et edge processing

Déploiement de systèmes d’inspection par UAV avec acquisition de données en temps réel
Sensing embarqué sur véhicules via LiDAR et systèmes de caméras
Caméras RGB et thermiques pour le monitoring du trafic
Développement de modèles légers adaptés aux analyses Edge AI

2. Détection et caractérisation des défauts

Développement d’algorithmes d’IA pour la détection de fissures et de défauts sur différentes basés sur différentes modalités de sensing
Détection d’anomalies et suivi d’objets
Création de jeux de données structurés pour l’entraînement et le benchmarking

3. Fusion de données multi-modales

Fusion de données hétérogènes dans des représentations unifiées des infrastructures
Développement de modèles d’IA combinant informations géométriques, visuelles et temporelles
Amélioration de la fiabilité de détection en conditions réelles

4. Jumeaux numériques et analyse prédictive

Reconstruction et visualisation des infrastructures dans des environnements de jumeaux numériques
Modélisation de l’évolution des dégradations et des défauts dans le temps
Intégration des données de trafic et d’usage pour la maintenance prédictive

5. Aide à la décision et intégration opérationnelle

Transformation des résultats de l’IA en informations exploitables pour la maintenance
Support à la planification et à la priorisation des interventions
Validation avec les parties prenantes dans des environnements opérationnels

Intéressé·e par le monitoring intelligent des infrastructures de transport ?

Participez à des cas pilotes, workshops de validation ou partagez vos cas d’usage afin de contribuer aux workflows d’inspection de nouvelle génération.

Contactez Henrique Cabral pour participer