À Lyon, l’IA apprend à reconnaître les défauts dans les égouts

La 28e Conférence internationale sur la reconnaissance des formes ouvre ce lundi 17 août au Centre de Congrès de Lyon. Plus de 1 400 articles ont été soumis à cette édition. Parmi les travaux retenus, une recherche lyonnaise raconte assez bien l’un des problèmes actuels de l’intelligence artificielle : comment faire fonctionner des modèles entraînés sur des millions d’images générales lorsqu’on les envoie regarder l’intérieur d’une canalisation.

Aloïs Babé, Mihaela Scuturici et Serge Miguet, du LIRIS, avec Rémi Cuingnet de Veolia, ont fait accepter à l’ICPR une méthode destinée à adapter les « modèles de fondation » de vision à des domaines très spécialisés, ici l’inspection des réseaux d’assainissement.

Ces grands modèles, comme DINOv2, apprennent d’abord à reconnaître des régularités dans d’immenses collections d’images. Cette polyvalence est leur force, mais elle ne garantit pas de bonnes performances lorsque les images rencontrées sont très différentes de celles de leur apprentissage. Dans une vidéo d’égout, il faut distinguer des fissures, déformations ou autres défauts dans un environnement répétitif et peu ressemblant aux images ordinaires.

L’équipe propose donc deux étapes : poursuivre d’abord l’apprentissage de DINOv2 sur des images du domaine, sans avoir besoin de les étiqueter une par une, puis l’entraîner à reconnaître les défauts recherchés. Sur Sewer-ML, un jeu de données public utilisé pour comparer les méthodes d’inspection automatisée, le système atteint un score F2 de 73,15, au niveau de la meilleure méthode de référence retenue par les auteurs, et un score F1 de 93,67 pour identifier les conduites normales.

Le résultat reste un travail de recherche évalué sur un benchmark, pas un système annoncé en exploitation dans les égouts. Il montre qu’un modèle généraliste peut être spécialisé pour un métier où les images, les défauts à reconnaître et les données disponibles n’ont presque rien de généraliste.

À Lyon, ce travail n’arrive pas isolément. Aloïs Babé a soutenu le 9 juillet au LIRIS une thèse précisément consacrée à l’adaptation des modèles de fondation à la vision industrielle, avec deux terrains : le tri des déchets et l’inspection des réseaux d’assainissement. L’année précédente, la même équipe avec Veolia avait comparé plusieurs familles de modèles sur cinq jeux de données de déchets. Sur TrashNet, les modèles de fondation obtenaient au moins 12 points de précision de plus que les modèles standards lorsqu’ils étaient confrontés à des images différentes de celles de leur entraînement.

Cette continuité éclaire aussi le choix de Lyon pour accueillir l’ICPR. Au LIRIS, l’équipe Imagine travaille sur la vision par ordinateur et l’apprentissage automatique. Le laboratoire avait candidaté pour faire venir l’édition 2026 à Lyon, candidature retenue par l’International Association for Pattern Recognition en 2022. L’organisation locale est aujourd’hui conduite par Véronique Eglin, du LIRIS et de l’INSA Lyon.

L’ICPR apporte à Lyon beaucoup plus de recherches que les seules contributions locales. Mais le travail mené au LIRIS avec Veolia donne un aperçu précis du savoir-faire que la métropole apporte elle-même à la conférence : apprendre à des modèles conçus pour voir presque tout à devenir bons sur quelque chose d’aussi spécialisé qu’un défaut au fond d’une canalisation.