Utiliser le machine learning pour améliorer l'entretien des routes

Il existe désormais une nouvelle façon de détecter les nids-de-poule, et elle n'implique pas de changer de lunettes ni d'envoyer sur le terrain de coûteuses équipes de réparation. Comme l'ont découvert les autorités de la ville de Memphis, des caméras embarquées dans les bus et le machine learning peuvent tout à fait s'en charger.    

Tenter de réparer les routes détériorées alors que vous disposez d'un personnel limité, c'est entrer dans un cercle vicieux : on répare en même temps que l'augmentation du trafic empire le problème.     

Pour faire face à ce problème, la ville de Memphis a fait appel à SpringML, un partenaire Google Cloud. Cette collaboration a permis de reboucher plus de 63 000 nids-de-poule en un an, ce qui représente une amélioration considérable par rapport au travail de détection jusque-là mené de façon manuelle.  

Les avancées en matière d'analyse et de machine learning permettent aux autorités non seulement de remettre les routes en état plus vite, mais aussi d'empêcher que d'autres dégâts surviennent.

Utiliser le machine learning pour l'entretien des routes

La ville de Memphis avait du mal à résoudre un problème auquel de nombreuses municipalités font face : la dégradation continuelle des routes pavées et la formation de nids-de-poule causée par le trafic et la météo. Ces cavités dans la route, en plus d'être particulièrement gênantes pour les automobilistes, ralentissent le trafic, augmentent la durée des trajets et accélèrent l'usure des véhicules. C'est un vrai problème.

Les nids-de-poule étant inévitables, le défi à relever pour Memphis et d'autres villes est de suivre leur évolution et d'envoyer des équipes de réparation uniquement lorsque c'est réellement nécessaire. La mairie disposant de ressources matérielles et humaines limitées, elle ne pouvait pas répondre à tous les signalements de ses administrés. En outre, ces signalements ne présentent pas toujours le problème en détail.

C'est là que SpringML entre en scène. Cette entreprise collabore avec des intervenants du secteur public pour les aider à résoudre leurs problèmes en utilisant la technologie de façon créative. Lorsque l'équipe de SpringML a rencontré les représentants de la ville de Memphis pour tenter de trouver une solution à la situation, elle a d'abord demandé à quels types de données elle pouvait avoir accès. Une idée fantastique lui est alors venue : utiliser les caméras installées dans les bus.

"Avant de chercher à obtenir de nouvelles données pour prendre vos décisions, examinez celles dont vous disposez déjà." Eric Clark, AI Practice, SpringML

Les bus municipaux de Memphis sont tous équipés de caméras embarquées à l'avant qui collectent des données pendant tous les trajets des véhicules, en particulier à des fins de contrôle de l'état de la circulation. Autrement dit, chaque bus de la ville observait déjà les routes tous les jours !

Pour l'équipe, c'était une véritable mine de données : chaque route empruntée par les transports publics est associée à des enregistrements capturés de façon quotidienne. Les itinéraires sont très bien définis, et chaque bus possède un GPS, ce qui aide à mettre en corrélation les séquences vidéo avec les lieux précis où elles ont été filmées. L'équipe s'est mise au travail.

Au bout de la première journée, elle avait récupéré les vidéos de tous les bus et les avait chargées dans un système de stockage sur site, un processus plutôt manuel.

Puis, toutes les nuits, un script recherchait les nouveaux fichiers dans le répertoire des vidéos et chargeait les nouvelles vidéos détectées dans Google Cloud Storage avant le traitement.

De là, l'API Video Intelligence de Google Cloud prenait le relais et exécutait son modèle de détection sur les nouvelles vidéos pour y repérer les éventuelles images de nids-de-poule. Pour créer le modèle d'IA initial de détection des nids-de-poule, l'équipe SpringML a choisi manuellement dans les images existantes celles présentant des nids-de-poule. Elle a également utilisé des données de caméras haute qualité pour améliorer la détection et la précision du modèle, et a continué à alimenter le modèle avec les données issues des trajets des bus.

Les résultats de l'inférence de modèle de l'API Video Intelligence étaient envoyés à BigQuery, où les images, les annotations, les métadonnées de fichiers, les emplacements et les scores étaient conservés afin de faciliter leur tri et leur consultation.

L'application Web personnalisée présentait des nids-de-poule possibles aux employés des travaux publics, qui pouvaient corriger le modèle en cas d'erreurs (causées par des taches, des ombres ou le passage d'animaux) ou confirmer la présence d'un nid-de-poule, ce qui déclenchait le flux automatisé suivant. Dès qu'un nid-de-poule était détecté et confirmé, l'équipe avait besoin d'un ticket de travail pour effectuer le suivi de la réparation effective. L'application Web envoyait ensuite les informations sur les nids-de-poule confirmés au système d'information 311 de la ville, ce qui générait un ticket, puis l'envoi d'une équipe et d'un véhicule de réparation au lieu indiqué.

Des projets d'avenir sans accroc

En plus d'accélérer la détection et la réparation des nids-de-poule, ce système ouvre la voie à de futurs projets d'amélioration des infrastructures publiques, car de plus en plus de données sont collectées et appliquées à la prise de décision.

Vous voulez en savoir plus ? Accédez à ce guide de démarrage rapide de l'API Video Intelligence, et essayez l'API. Écoutez l'interview d'Eric Clark, de SpringML, dans le podcast GCP, et découvrez d'autres outils de machine learning sur AI Platform.