Datasets GPR pour le Machine Learning et l'IA

Pourquoi les données réelles comptent pour l'IA GPR

Les modèles entraînés exclusivement sur radargrammes synthétiques apprennent des hyperboles propres sur fonds homogènes — puis échouent sur les données de terrain pleines de fouillis de surface, de résonance d'antenne, d'hétérogénéité des sols et de réflexions superposées. Les datasets réels exposent votre modèle à cette complexité dès le départ. Les approches publiées les plus robustes combinent pré-entraînement synthétique et affinage sur données réelles : GPRbase fournit la composante réelle de cette recette.

Tâches de machine learning sur données GPR

Les problèmes de recherche courants incluent : détection et ajustement d'hyperboles (localisation d'objets), détection d'armatures et estimation d'enrobage dans le béton, détection de réseaux enterrés et classification de matériaux, pointé de limites de couches pour chaussées et stratigraphie, détection de vides et défauts, et segmentation sémantique complète de radargrammes. Chaque dataset GPRbase documente ses cibles, vous permettant de sélectionner les données correspondant à votre tâche — scans de béton riches en armatures pour les modèles de détection, couloirs multi-réseaux pour la classification, chaussées stratifiées pour le pointé de limites.

Structure des données : du DZT aux tenseurs

Un radargramme est naturellement un tableau 2D : traces (colonnes) × échantillons temporels (lignes), avec des valeurs d'amplitude 16 ou 32 bits. Les bibliothèques Python comme readgssi chargent les fichiers DZT directement en tableaux numpy, prêts pour les pipelines PyTorch ou TensorFlow. Les B-scans peuvent être traités comme images pour les approches CNN, comme séquences pour les modèles récurrents, ou comme signaux bruts pour les architectures convolutionnelles 1D. L'en-tête DZT fournit la calibration physique (plage temporelle, échantillons par scan) nécessaire pour reconvertir les prédictions en profondeurs.

Prétraitement et augmentation

Le prétraitement typique inclut la correction du temps zéro, la suppression de fond (soustraction de trace moyenne), la compensation de gain et la normalisation. Comme les données GPRbase sont complètement brutes, vous contrôlez toute la chaîne — essentiel pour la recherche reproductible et l'étude de la sensibilité au prétraitement. Pour l'augmentation, les données réelles peuvent être combinées avec des radargrammes synthétiques, découpées en patchs, retournées horizontalement et bruitées. La variété multi-antennes des datasets augmente naturellement la diversité fréquentielle.

Généralisation entre sites et antennes

Un modèle qui fonctionne sur un site avec une antenne échoue souvent ailleurs. Les datasets GPRbase couvrent plusieurs applications (béton, réseaux, géotechnique, archéologie, routes, géosciences), antennes (de 100 MHz à 2,7 GHz) et conditions de site. Cette variété permet une évaluation inter-domaines significative : entraînez sur certains datasets, testez sur des sites tenus à l'écart, et mesurez la vraie généralisation plutôt que la mémorisation de site.

Quels datasets pour quelle tâche

Tous les jeux ne conviennent pas au même travail. Pour la détection et l'ajustement d'hyperboles, les acquisitions sur béton armé offrent des cibles nombreuses, régulières et de géométrie connue — et une zone de recouvrement de treillis fournit le cas difficile, où les réponses se chevauchent au point de mettre en défaut une détection automatique.

Pour la segmentation et le suivi d'interfaces, les profils de chaussée et les levés en sol favorable présentent des couches continues et lisibles. Pour la détection de vides, un jeu porte sur des cavités karstiques avérées, c'est-à-dire vérifiées sur le terrain : c'est le seul du catalogue à offrir cette garantie, et il vaut mieux qu'un jeu plus volumineux mais non validé.

Pour le traitement des faux positifs, un profil combine réseaux enterrés et onde aérienne, deux signatures voisines dont l'une ne correspond à aucune cible enterrée. Enfin, les grilles 3D documentées en espacement et en origine se prêtent aux approches volumiques, et les levés géoréférencés au couplage entre détection et coordonnées.

Ce que ces données ne sont pas

Il faut le dire clairement plutôt que le laisser découvrir : ces jeux ne sont pas des références d'évaluation. Ils ne sont pas annotés, ne comportent pas de masques ni de boîtes englobantes, et la vérité terrain n'existe que pour une partie d'entre eux. Les publier comme benchmark serait trompeur.

Ce sont des acquisitions de terrain documentées, utiles à l'expérimentation, au pré-entraînement, au test de robustesse et à la validation qualitative. Les paramètres d'acquisition varient d'une campagne à l'autre, parce que ces fichiers viennent de chantiers réels et non d'un protocole conçu pour la recherche — ce qui constitue à la fois leur limite et leur intérêt. L'annotation et la vérité terrain vérifiée figurent à la feuille de route.

Citer et publier avec les données GPRbase

La licence CC BY-NC-SA 4.0 permet l'usage en recherche y compris les publications à comité de lecture, avec attribution. Citez l'identifiant du dataset (dsXXX) et l'URL GPRbase dans votre déclaration de disponibilité des données. Si vous construisez des versions annotées (boîtes englobantes, masques, pointés), la clause share-alike implique de les publier sous la même licence — enrichissant le bien commun pour toute la communauté ML GPR.

Accéder aux métadonnées par programme

Le catalogue est exposé au format JSON, librement et sans clé : /api/datasets.json renvoie l'ensemble des jeux de données avec leur application, leur antenne, leur fréquence et leurs cibles. Un client Python et JavaScript, publié sous licence MIT et sans dépendance, permet de filtrer le catalogue, d'en extraire un tableau CSV et de produire les citations. Il est disponible sur GitHub et référencé par un DOI.

Documentation de l'API  ·  /api/datasets.json  ·  GitHub  ·  DOI