Face à l’inefficacité des méthodes traditionnelles de détection des fuites dans les tunnels et à l’utilisation insuffisante des caractéristiques texturales par les modèles actuels d’apprentissage profond, cet article propose une méthode de segmentation d’images de fuites basée sur la convolution de textures longitudinales et un mécanisme d’attention canalaire apprenable. Tout d’abord, en tenant compte de la particularité de l’extension longitudinale des zones de fuite, une convolution de texture longitudinale composée de trois noyaux de convolution asymétriques différents en série est conçue, renforçant grâce à un champ réceptif multiscale la capacité d’extraction des caractéristiques texturales longitudinales. Ensuite, un paramètre matriciel apprenable est introduit dans le mécanisme d’attention canalaire pour optimiser dynamiquement les poids des canaux de caractéristiques afin de se concentrer sur les zones clés. Enfin, basé sur la structure encodeur-décodeur de SegNet, combiné au prétraitement avec l’opérateur Sobel et à la technique de suréchantillonnage par indices de pool, un réseau de segmentation léger est construit. Les expériences ont été menées sur un ensemble public de 4555 images de fuites, montrant que, comparé à des modèles tels que U-Net et DeepLabv3+, la méthode améliore le taux d’intersection sur l’union (IoU) de 0,72 % à 2,82 %, atteignant 80,64 % ; la précision et la valeur F1 s’élèvent respectivement à 94,68 % et 89,30 %. Les expériences d’ablation confirment en outre l’efficacité des modules LTC et LCA, leur combinaison faisant augmenter l’IoU de 3,96 %. Cette méthode, en intégrant des caractéristiques texturales longitudinales multiscales et un mécanisme adaptatif de pondération des canaux, améliore significativement la précision de segmentation des zones de fuite, offrant une solution efficace pour la surveillance de la sécurité des infrastructures.

Détection des fuites dans les tunnels; convolution de textures longitudinales; attention canal; champ réceptif multiscale