Validation d’un pipeline de traitement d‘images urbaines pour la gestion des risques naturels
Mots-clés : traitement d’images, apprentissage profond, topographie, façades
Contexte et Objectifs
CERES « Cartographie et caractérisation des éléments exposés de la région CVL à partir d’images satellites ». est un projet de recherche d’intérêt de la Région Centre Val de Loire axé sur la gestion des risques naturels via l’innovation technologique . Il vise à relever les défis suivants :
– Identification du bâti : Repérer de manière exhaustive les différentes catégories de bâtiments et d’infrastructures à l’échelle de la région et des intercommunalités.
– Évaluation de la vulnérabilité : Analyser et anticiper la fragilité de ces structures face aux risques naturels majeurs (comme les inondations / crues, ou encore les phénomènes de sécheresse et fissuration des constructions liés au retrait-gonflement des argiles).
– Utilisation de l’Intelligence Artificielle : Développer des algorithmes de Deep Learning appliqués à la télédétection (analyse automatique d’images satellites haute résolution combinées à des données comme Google Street View) pour analyser l’état et l’architecture des façades.
Ce projet collaboratif est soutenu financièrement par la Région Centre-Val de Loire (avec une aide allouée d’environ 200 K€) et réunit plusieurs acteurs majeurs du territoire :
- – BRGM (Direction des Risques et Prévention, basé à Orléans)
- – Laboratoire PRISME de l’Université d’Orléans (qui pilote l’aspect IA et imagerie)
- – Agglopolys (Communauté d’agglomération de Blois)
- – Thélem Assurances (intéressé par l’évaluation des risques pour les habitations)
Les données ainsi produites sont destinées à être partagées et diffusées auprès des acteurs économiques et des collectivités locales pour adapter les politiques d’urbanisme face aux dérèglements climatiques
Un stage étudiant ingénieur de 6 mois a été financé cette année de mars à août 2026 sur le budget CERES « Détection et caractérisation de façades par apprentissage profond dans des images GSV ». Ce stage qui s’est inscrit dans les objectifs du projet CERES pour identifier le bâti et caractériser sa vulnérabilité a contribué significativement aux travaux de thèse de Y. FOUZAI (Bourse Région CVL -BRGM Orléans) « Apprentissage Profond en Télédétection pour la Prévention des Risques Naturels » préparée au laboratoire PRISME de l’université d’Orléans. et qui développe des modèles deep learning adaptés à l’imagerie multimodale et hétérogène. Le risque naturel de retrait-gonflement des terrains argileux qui fissure les habitations par l’alternance des périodes de pluie et de sécheresse est particulièrement ciblé.
Le stage a permis de créer un pipeline complet de traitements reliant les images des façades aux empreintes des bâtiments dans la BD Topo de l’IGN, qu’il reste à automatiser, à appliquer sur l’ensemble des images acquises pendant la campagne de mesures, à valider complètement face à des données référencées et à valoriser scientifiquement par des publications.
Programme de travail
1 Traitement des images de la campagne d’acquisition
Pendant le stage précédent, des dizaines de milliers d’images de façades de bâtiments ont été collectées dans les environs d’Orléans par des caméras embarquées sur le toit d’un véhicule. La masse de données étant considérable, seulement une à deux journées sur les neuf de la campagne d’acquisition ont pu être traitées pendant le stage. Il faut donc effectuer les traitements pour le reste de la zone d’étude.
Les images ont été collectées par nos soins pour éviter les restrictions imposées sur l’outil Google Street View qui interdit l’exploitation scientifique des images urbaines qu’il met en ligne pour le public. Ceci a permis d’éviter l’accès numérique payant à sa bibliothèque d’image mais aussi de produire nous-mêmes des images de façades.
2 Pipeline de traitements
– Cette tache fondamentale concerne l’automatisation et la validation complète du pipeline de traitements élaborés pendant le stage. Il comporte les étapes suivantes :
Pré-traitement des données
Détection des façades dans les images
Mise en correspondance des façades avec la cartographie BD TOPO – IGN
Détection des portes et fenêtres
Segmentation des entités détectées
Fusion des vues contenant une façade
Calcul du taux d’ouverture de la façade
Enrichissement sémantique par modèle IA vision-langage
Les interfaces entre les modules traitements doivent d’abord être implémentées pour automatiser l’exécution de l’ensemble du pipeline.
Chacune de ces étapes introduit des incertitudes et il est essentiel d’évaluer leur importance sur chacune d’entre elles afin de les réduire et de quantifier la performance globale de ce pipeline qui exploite les images de rue, une des modalités utilisées dans notre approche qui comprend également les images satellites, les images LiDAR, les données cartographiques…
En particulier, la géo-localisation des images de façades pendant la circulation du véhicule s’est appuyée sur le GPS interne des caméras GoPro embarquées. Nous avions aussi loué un GPS externe de plus grande précision. Ses mesures de référence pourront être utilisées pour évaluer l’incertitude de celles des caméras GoPro et leur incidence sur l’attribution correcte de façades à des bâtiments référencés sur la base BD-Topo de l’IGN.
Il faudra donc disposer d’un jeu de données de référence sur chacune des étapes du pipeline et y confronter les résultats expérimentaux.
3 Valorisation des travaux
– nous allons pouvoir publier les images de façades collectées sur la plateforme Panoramax, une base de photographies géo-localisées développée par l’IGN, afin de participer au développement d’un géo-commun, une ressource numérique souveraine, libre et réutilisable. Chaque photo géolocalisée publiée sur Panoramax est utilisable par tous et pour des usages variés, par exemple par une collectivité territoriale qui a besoin d’observer l’état de la voirie ou par un opérateur de télécommunications pour préparer une intervention.
– le code produit pour réaliser le pipeline pourra également être mis à disposition de la communauté scientifique.
– une publication scientifique – conférence internationale ou revue – pourra présenter le pipeline élaboré, et son évaluation quantitative sur la base d’images de notre zone d’études orléanaise.
– l’ensemble du travail réalisé pendant le contrat devra être documenté afin de permettre l’exploitation et l’évolution ultérieure du pipeline par PRISME et le BRGM
Modalités pratiques
– le stage se déroulera au BRGM Orléans et à proximité au Laboratoire PRISME de l’université d’Orléans au sein de l’axe Images Vision installé à Polytech Orléans (site Galilée)
– la durée du contrat est fixée à 6 mois.
– la rémunération est d’un montant de 2000 € net + prime de précarité.
– Le stagiaire sera doté d’un poste informatique scientifique ainsi que d’un accès au centre de calcul CaSciModOT.
Profil recherché
BAC+5 (Master 2/ école ingénieur) diplômé en informatique avec de bonnes connaissances en traitement d’images, la maîtrise de la programmation Python (Pandas, NumPy, Scikit-learn, PyTorch/TensorFlow) ainsi qu’en apprentissage profond et un bon niveau d’anglais. Quelques connaissances en Systèmes d’Information Géographique (SIG) seraient également appréciées.
Contacts
yves.lucas@univ-orleans.fr youssef.fouzai@etu.univ-orleans.fr c.gracianne@brgm.fr
