Afin de détecter des dangers potentiels comme l’envahissement de la végétation et d’évaluer la stabilité structurelle des lignes électriques, il est essentiel de disposer d’informations 3D précises sur les lignes de transmission électriques. Les techniques lidar permettent d’acquérir rapidement, de façon précise et économique, des lignes électriques sous forme de nuages de points 3D et ainsi d’en faire une technologie cruciale pour l’obtention de ces informations.
Toutefois, l’extraction des points de lignes électriques à partir de nuages de points lidar reste difficile, en particulier lorsque des arbres ou d’autres objets se trouvent à proximité immédiate. Les approches traditionnelles reposent souvent sur des algorithmes fondés sur des règles et sur les mises à jour manuelles, qui prennent un temps fou et peuvent être sources d’erreurs dans les environnements complexes. Le Deep Learning propose une alternative puissante : en entraînant des modèles à apprendre et à reconnaître des schémas à partir des données, il offre une classification automatisée et plus précise.
ArcGIS Pro propose des outils de Deep Learning capables d’entraîner des modèles de classification des lignes électriques et de les utiliser pour classer ces dernières dans des nuages de points lidar.
Configuration logicielle et matérielle requise :
- ArcGIS Pro avec l’extension 3D Analyst
- Bibliothèques de Deep Learning, qui peuvent être installées à l’aide de Deep Learning Libraries Installers for ArcGIS
- Carte graphique NVIDIA avec capacités de calcul CUDA et 8 Go minimum de mémoire graphique dédiée
Conditions requises pour les données :
- Nuages de points lidar aéroportés capturés par avion, hélicoptère ou drone
- Espacement moyen des points de moins d’1 pied pour garantir un niveau de détail suffisant pour la classification des lignes électriques
Recommandations
Il est important de suivre les instructions générales relatives à l’entraînement d’un modèle de classification Deep Learning, l’évaluation des résultats d’entraînement et la classification d’un nuage de points à l’aide du modèle entraîné. Les recommandations suivantes sont spécifiques à la classification des lignes électriques :
Sélectionner des échantillons d’entraînement représentatifs
Les lignes de transmission électrique couvrent plusieurs terrains et des conditions environnementales variées. Inclure des nuages de points de différents types de terrain permet de capturer cette variabilité et d’améliorer la robustesse du modèle. La hauteur et les matériaux de construction des lignes électriques étant également variables, il est utile d’incorporer des échantillons qui reflètent ces variations afin d’aider le modèle à apprendre les différents types de ligne électrique. La végétation qui entoure les lignes électriques varie aussi en type et en densité. Aussi, l’utilisation d’échantillons de végétation différents permet au modèle de mieux distinguer les lignes électriques et du feuillage environnant.
Cibler l’entraînement sur la zone de proximité des lignes électriques
Les lignes de transmission électrique sont généralement installées dans des couloirs dédiés et à des hauteurs spécifiques pour garantir un dégagement de sécurité. Mais avec le temps, il arrive que la végétation vienne chevaucher les lignes électriques et rende difficile de les distinguer du feuillage.
Pour améliorer la précision du modèle, excluez de l’entraînement les points lidar au-delà d’une certaine distance des lignes électriques. Ainsi, le modèle se concentre sur la proximité immédiate des lignes électriques et apprend à faire des distinctions plus pertinentes, tout en réduisant le volume du jeu de données et en améliorant l’efficacité de l’entraînement.
Utiliser des attributs pour distinguer les lignes électriques des autres entités
Les lignes électriques sont des entités linéaires généralement situées dans une plage de hauteurs définie au-dessus du sol. L’attribut Relative Height (Hauteur relative) est particulièrement utile pour les identifier, en particulier lorsque les points au sol sont exclus des données d’entraînement. La hauteur relative fournit alors un contexte significatif que l’élévation absolue.
Pour les lignes basse tension, l’attribut Intensity (Intensité) est également très utile, car il renvoie souvent des valeurs d’intensité plus faibles que pour les autres entités. En revanche, les lignes haute tension ont tendance à refléter des impulsions laser avec des valeurs d’intensité plus élevées, similaires à d’autres objets, ce qui rend l’intensité moins fiable pour les identifier.
Atténuer les effets de données déséquilibrées
Lorsque certaines classes contiennent nettement plus d’exemples que d’autres, cela crée des données déséquilibrées, avec pour conséquence un modèle biaisé en faveur des classes majoritaires. Ce problème est particulièrement critique dans la classification des lignes électriques, où les points des lignes représentent une petite minorité en comparaison des classes dominantes comme le sol ou la végétation.
Pour atténuer ce problème, réduisez les échantillons de classe majoritaire (excluez les points de sol, par exemple) pendant l’entraînement pour minimiser le biais. Il est de plus possible d’appliquer l’attribut Focal Loss (Perte focale) pour attribuer une pondération plus importante aux exemples des classes minoritaires et ainsi aider le modèle à apprendre plus efficacement à partir de données de lignes électriques limitées.
Vue d’ensemble du processus
Le processus suivant démarre avec des nuages de points lidar non classés. Si vos données sont déjà classées, vous pouvez ignorer ces étapes.
- Utilisez l’outil de géotraitement Créer une pyramide de jeu de données LAS afin de créer des pyramides LAS dans votre jeu de données LAS et ainsi optimiser le rendu.
- Utilisez l’outil de géotraitement Classer le sol LAS pour classer les points au sol.
- Utilisez l’outil Jeu de données LAS vers raster pour créer un raster MNE et MNS.
- Utilisez l’outil de géotraitement Soustraction pour créer un MNS normalisé (MNS - MNE) pour mettre en évidence les lignes électriques. Créez des limites de traitement qui englobent toutes les lignes électriques dans une distance tampon adaptée (10 mètres, par exemple).
Lignes électriques dans le raster MNS normalisé, avec lignes marron clair qui soulignent les limites du traitement. - Étiquetez les lignes électriques à l’aide de l’outil de géotraitement Classer le nuage de points à l’aide du modèle entraîné si un modèle adapté est disponible. S’il n’y en a pas, vous pouvez étiqueter manuellement les points des lignes électriques en mettant à jour le profil, ou bien en utilisant l’outil de géotraitement Classer LAS par hauteur puis en corrigeant à l’aide des outils de mise à jour interactifs les points qui seraient mal classés (tours et végétation, par exemple) dans la plage de hauteurs des lignes électriques indiquée.
Classification manuelle des lignes électriques dans la visionneuse de profil. Remarque :
Vous pouvez aussi utiliser l’outil de géotraitement Classer LAS par hauteur pour classer les points qui se trouvent au-dessus ou en dessous de la plage de hauteurs des lignes électriques. Il est possible d’exclure ces points et les points au sol de l’entraînement afin de réduire la taille du jeu de données et de cibler l’entraînement du modèle sur la proximité immédiate des lignes électriques.
- Divisez les données en sous-ensembles d’entraînement et de validation, par exemple selon un ratio de 80:20.
- Préparez les données d’entraînement en utilisant l’outil de géotraitement Préparer les données d’entraînement du nuage de points pour exporter les blocs d’entraînement et de validation. Vous trouverez plus d’informations dans la section ci-dessous.
- Entraînez le modèle en utilisant l’outil de géotraitement Entraîner le modèle de classification du nuage de points. Vous trouverez plus d’informations dans la section ci-dessous.
- Classez les lignes électriques à l’aide de l’outil de géotraitement Classer le nuage de points à l’aide du modèle entraîné. Vous trouverez plus d’informations dans la section ci-dessous.
Utiliser l’outil de géotraitement Préparer les données d’entraînement du nuage de points
Les jeux de données LAS doivent être convertis en blocs d’entraînement plus petits pour pouvoir être utilisés dans un modèle d’entraînement. L’outil de géotraitement Préparer les données d’entraînement du nuage de points exporte les données LAS dans ces blocs. Voici un récapitulatif des paramètres clés et des instructions d’utilisation de la classification des lignes électriques.
Training Boundary Features (Entités de limite d’entraînement) et Validation Boundary Features (Entités de limite de validation) : utilisez les limites de polygone pour exporter uniquement les points proches des lignes électriques et cibler l’entraînement sur les zones pertinentes.
Reference Surface (Surface de référence) : indiquez un raster MNE pour calculer les valeurs de hauteur relative. Cet attribut est essentiel pour distinguer les lignes électriques des autres entités.
Excluded Class Codes (Codes de classe exclus) : excluez des données d’entraînement les classes qui se situent en dehors de la plage de hauteurs des lignes électriques (par exemple, sol, hauteur basse/moyenne, bruit). Les points au sol, en particulier, représentent souvent une grande part du jeu de données. Aussi, leur retrait réduit considérablement le volume de données et accélère l’entraînement.
Block Size (Taille de bloc) et Block Point Limit (Limite de points de bloc) : ces paramètres contrôlent le nombre de points inclus dans un bloc. Configurez-les en équilibrant densité des points, taille d’objet, mémoire du GPU et taille de lot. Vous pouvez être amené à faire plusieurs essais pour déterminer le meilleur paramétrage en fonction de votre jeu de données et votre configuration matérielle.
Remarque :
- En règle générale, la taille du bloc doit être suffisamment importante pour capturer les objets qui vous intéressent avec un minimum de sous-échantillonnage afin de conserver les entités critiques et un niveau de détail suffisant dans les données d’entraînement.
- La taille du bloc et le nombre de points qu’il contient dépend en grande partie de la mémoire du GPU. Plus le bloc est grand et les nuages de points sont denses, plus la mémoire utilisée est importante. La limite de points de bloc contrôle le nombre maximum de points par bloc. Si ce nombre est dépassé, le bloc est divisé en plusieurs blocs plus petits. Par exemple, si un bloc contient 10 000 points alors que la limite est de 3 000, il est divisé en quatre blocs de 3 000 points chacun. Ces points sont échantillonnés de façon aléatoire, certains pouvant être dupliqués dans deux blocs.
- La taille du lot contrôle le nombre de blocs traités simultanément par le GPU. Plus le lot est grand, plus la mémoire de GPU utilisée est importante ; plus le lot est petit, moins la mémoire de GPU est sollicitée.
- Ajustez ces paramètres en fonction de la mémoire du GPU. Si votre mémoire de GPU est importante, vous pouvez choisir une taille de bloc plus grande (pour capturer plus de contexte), une limite de points de bloc plus élevée (pour réduire le sous-échantillonnage) et une taille de lot plus grande pour améliorer la vitesse et la stabilité de l’entraînement.
Une fois l’exécution de l’outil terminée, vérifiez les histogrammes dans les Messages pour évaluer si la taille du bloc et la limite de points du bloc sont appropriées. Les données d’entraînement en sortie sont enregistrées dans un dossier portant l’extension .pctd et contenant deux sous-dossiers : "train" et "val", qui incluent respectivement les données d’entraînement et les données de validation exportées. Les données des points sont stockées dans des fichiers .h5 et organisées en blocs.
Utiliser l’outil de géotraitement Entraîner le modèle de classification du nuage de points
Utilisez les données d’entraînement exportées par l’outil Préparer les données d’entraînement du nuage de points pour entraîner un modèle de classification. Si un modèle de classification de lignes électriques pré-entraîné approprié est disponible, vous pouvez l’affiner avec vos données ; sinon, entraînez un nouveau modèle en commençant depuis le début. Voici la liste des paramètres de l’outil, avec des instructions sur leur configuration aux fins de classification de lignes électriques.
Pre-Trained Model (Modèle pré-entraîné) : choisissez un modèle pré-entraîné adapté s’il y en a un de disponible. Vérifiez que vos données d’entraînement correspondent aux attributs du modèle, à ses codes de classe et au nombre maximum de points utilisés lors de son entraînement initial.
Model Architecture (Architecture du modèle) : pour la classification des lignes électriques, Point Transformer V3 est l’option privilégiée pour ses meilleures performances et sa précision optimale, en particulier pour identifier les classes minoritaires. RandLA-Net est également recommandé. Efficace en termes d’utilisation de la mémoire, il produit des résultats précis. En revanche, PointCNN exige plus de mémoire du GPU et s’avère souvent moins précis. Quant au Semantic Query Network, s’il sait entraîner efficacement des modèles avec peu de données échantillonnées, il est moins adapté ici. Les lignes électriques sont distribuées de façon linéaire et ne constituent qu’une petite partie du jeu de données. Par conséquent, leur échantillonnage aléatoire peut entraîner la perte d’entités locales clés et diminuer la précision du modèle.
Attribute Selection (Sélection des attributs) : sélectionnez une Relative Height (Hauteur relative) et, pour les lignes basse tension, une Intensity (Intensité). Ces attributs permettent de distinguer les lignes électriques des autres objets dans le nuage de points.
Class Remapping (Réappariement de classes) : réappariez toutes les classes de lignes non électriques avec une classe d’arrière-plan. Le modèle peut ainsi se concentrer sur la distinction des lignes électriques dans une seule classe d’arrière-plan, ce qui simplifie la classification, accélère l’entraînement et améliore souvent la précision du modèle en réduisant sa complexité.
Loss Function (Fonction de perte) : choisissez la fonction Focal Loss (Perte focale) pour régler les déséquilibres de classes en attribuant une pondération plus importante aux lignes électriques des classes minoritaires.
Model Selection Criteria (Critères de sélection du modèle) : sélectionnez l’option par défaut Recall (Rappel), qui calcule la macro-moyenne de rappel dans tous les codes de classe.
Minimum Points Per Block (Nombre minimal de points par bloc) : les blocs qui comprennent moins de points que la valeur indiquée ici sont exclus de l’entraînement. Le fait d’ignorer les blocs qui ne comprennent que quelques points de lignes électriques permet d’accélérer l’entraînement et de renforcer l’efficacité de l’apprentissage du modèle.
Maximum Number of Epochs (Nombre maximal d’époques) : utilisez le paramètre par défaut, 25 époques. Si le modèle continue de s’améliorer après 25 époques, vous pouvez l’affiner encore en tant que modèle pré-entraîné.
Iteration Per Epoch (%) [Itérations par époque (%)] : conservez la valeur défaut (100) pour transmettre la totalité des données d’entraînement dans chaque époque.
Learning Rate Strategy (Stratégie de vitesse d’apprentissage) : conservez l’option par défaut, One Cycle Learning Rate (Vitesse d’apprentissage d’un cycle). Cette stratégie ajuste de façon dynamique la vitesse d’apprentissage, en commençant par une vitesse basse, qui augmente pour atteindre un pic avant de diminuer. Elle accélère la convergence, empêche le sur-ajustement et aide le modèle à trouver de meilleures valeurs minimales locales. La vitesse de l’entraînement comme la précision du modèle s’en trouvent améliorées.
Learning Rate (Vitesse d’apprentissage) : si vous hésitez sur la configuration de ce paramètre, ne le renseignez pas afin que l’outil puisse calculer automatiquement la vitesse d’apprentissage optimale.
Batch Size (Taille du lot) : la taille du lot spécifie le nombre de blocs traités simultanément. Les données d’entraînement sont divisées en lots. Par exemple, pour une taille de lot de 20, 1 000 blocs sont divisés en 50 lots et tous sont traités dans une époque. Les lots de plus petite taille permettent de stabiliser l’entraînement et conviennent bien aux GPU avec une mémoire limitée, même s’ils risquent d’augmenter la durée de l’entraînement. Les lots de plus grande taille permettent d’accélérer l’entraînement, mais exigent nettement plus de mémoire et peuvent affecter la généralisation. Pour trouver la taille de lot idéale, il faut trouver un équilibre entre mémoire du GPU, vitesse d’entraînement et précision du modèle, ce qui nécessite souvent de faire plusieurs essais.
Stop training when model no longer improves (Terminer l’entraînement lorsque le modèle ne s’améliore plus) : activez cette option pour arrêter l’entraînement si le modèle ne s’améliore plus au bout de 5 époques, afin d’éviter le sur-ajustement.
Durant l’entraînement, surveillez le traitement en suivant les variations de perte d’entraînement, de perte de validation et de rappel.
Remarque :
Au fur et à mesure de la progression de chaque époque, une diminution des pertes d’entraînement et de validation accompagnée d’une augmentation du rappel indique que le modèle est en cours d’apprentissage.
Le résultat se compose de deux dossiers : le dossier du modèle, qui contient le modèle enregistré avec le meilleur rappel général, et le dossier des points de vérification, qui contient les modèles enregistrés au point de vérification de chaque époque.
Pour la classification des lignes électriques, le modèle présentant le meilleur rappel général (macro-moyenne de rappel des lignes électriques et d’arrière-plan) peut ne pas être le meilleur pour classer les lignes. En effet, le meilleur modèle pour la classification des lignes électriques est celui qui présente le rappel le plus élevé pour les seules lignes électriques. Ouvrez le fichier Epoch_Statistics.csv dans le dossier des points de vérification, localisez l’époque avec le rappel le plus élevé pour les lignes électriques et utilisez le modèle correspondant pour classer les lignes électriques.
Utilisez l’outil de géotraitement Classer le nuage de points à l’aide du modèle entraîné
Lors de la classification des nuages de points à l’aide du modèle pré-entraîné, assurez-vous que les données lidar à classer sont similaires aux données d’entraînement. Si vous avez utilisé des limites de traitement, une surface MNE ou exclu certains codes de classe durant la préparation des données d’entraînement, appliquez les mêmes paramètres ici. Aidez-vous des guides suivants pour configurer efficacement les paramètres de la classification des lignes électriques.
Input Model Definition (Définition de modèle en entrée) : sélectionnez le modèle de point de contrôle qui présente le rappel le plus élevé pour les seules lignes électriques..
Existing Class Code Handling (Gestion des codes de classes existants) : sélectionnez Edit Selected Points (Mettre à jour les points sélectionnés ) ou Preserve Selected Points (Conserver les points sélectionnés ) pour améliorer la précision de la classification. Faites une préclassification des nuages de points cibles, comme sol (classe 2), faible végétation (classe 3) et végétation moyenne (classe 4), puis indiquez les codes de classe à mettre à jour ou à conserver pendant la classification. Par exemple, si la végétation moyenne est conservée, son code de classe ne change pas même si le modèle se trompe et classe certains points de végétation moyenne comme lignes électriques.
Batch Size (Taille du lot) : si vous hésitez sur la configuration de ce paramètre, ne le renseignez pas afin que l’outil puisse calculer automatiquement la taille de lot optimale en fonction de la mémoire de GPU disponible.
Processing Boundary (Limite de traitement), Reference Surface (Surface de référence) et Excluded Class Codes (Codes de classe exclus) : si le modèle de classification des lignes électriques a été entraîné avec l’une de ces entrées, veillez à appliquer les mêmes paramètres ici.
Une fois l’exécution de l’outil terminée, examinez les résultats dans la vue Scène. Utilisez les outils de sélection et de mise à jour interactive pour corriger les points de lignes électriques mal classés. Utilisez aussi l’outil de géotraitement Extraire les lignes électriques d’un nuage de points pour générer des lignes 3D modélisant les lignes électriques. Si vous souhaitez une analyse plus poussée, utilisez l’outil de géotraitement Générer une surface de dégagement pour délimiter la zone de dégagement autour des lignes électriques. Certaines entités présentes dans la zone, souvent des arbres, se trouvent trop proches des lignes électriques. Cela est dangereux et pourrait causer des coupures de courant ou des incendies. Il faut donc résoudre rapidement le problème.
Crédits pour la source de données lidar :
- NASA Grant NNX13AP69G, the University of Maryland et Sonoma County Vegetation Mapping and LiDAR Program.
- Pour des exercices pratiques, reportez-vous au didacticiel Classer des lignes électriques à l’aide du Deep Learning.
Rubriques connexes
Vous avez un commentaire à formuler concernant cette rubrique ?