Résumé:
Les dommages routiers (fissures, nids-de-poule, dégradations) constituent un enjeu majeur pour la sécurité des usagers et la durabilité des infrastructures. Face aux limites des méthodes d'inspection manuelles, ce projet explore l'apport des technologies d'intelligence artificielle pour automatiser ce processus critique.
Nous proposons une solution basée sur l'intelligence artificielle pour automatiser la détection et la classification des dommages routiers (fissures, nids-de-poule, dégradations) à partir d'images, en utilisant l'algorithme YOLOv8. Entraîné sur le dataset RDD-2022, le modèle atteint une précision de 85 % sur les classes critiques (D10, D20, D40) définies par la Direction des Travaux Publics (DTP). Une interface simplifiée permet de tester le système sans expertise technique.
Mots-clés: Apprentissage profond,YOLOV8, Vision par ordinateur, Dommages routiers (D00-D43), DTP, Temps réel.
