Le défi
Les infrastructures routières africaines subissent une dégradation accélérée, amplifiée par le manque de systèmes de surveillance préventive. La détection manuelle des nids-de-poule et dégradations est coûteuse, lente et non scalable. Le défi : concevoir un système capable de détecter automatiquement ces dégradations à partir d'imagerie satellitaire, à l'échelle continentale.
Origine du projet
GeoSmart Vision est la matérialisation compétitionnelle de TerraPulse Vision, un sujet de recherche que j'ai formulé en 2023, motivé par un accident de circulation que j'ai subi en 2020 à cause d'un nid-de-poule dissimulé sous la boue. En 2025, le FabLab de mon université recherchait un sujet portant sur la cartographie et la surveillance territoriale pour participer au MASS 2025. J'ai proposé TerraPulse Vision, convaincu de la pertinence du problème qu'il résolvait : réduire les risques d'accident et sauver des vies. L'université a validé la proposition en la renommant GeoSmart Vision. J'en suis resté le chef de projet et porteur tout au long de la compétition.
L'approche méthodologique
En tant que chef de projet, j'ai dirigé une équipe pluridisciplinaire selon une méthodologie structurée : rédaction intégrale du document de spécifications techniques, conception du pipeline de traitement d'images, et développement du modèle de machine learning. L'approche combine l'imagerie satellitaire avec des données de vérité terrain pour entraîner un modèle de détection automatique des nids-de-poule.
L'architecture technique
Le système s'organise en trois couches. En entrée, l'imagerie satellitaire croisée avec les données OpenStreetMap. Au centre, un pipeline de traitement intégrant un modèle de machine learning pour la détection et la géolocalisation des dégradations. En sortie, une plateforme web cartographique permettant la visualisation en temps réel des zones dégradées et l'évaluation de leur impact.
Le livrable
Un prototype fonctionnel démontrant la détection automatique des dégradations routières, accompagné d'une documentation technique complète et d'une interface cartographique de visualisation en direct.
Mon apport personnel
Proposition du sujet de recherche originel (TerraPulse Vision). Conception de l'architecture système. Développement du modèle de machine learning. Rédaction intégrale des spécifications techniques. Direction de l'équipe et coordination des livrables.
Reconnaissance et retombées
Le projet a décroché le 2e Prix au Marché Africain des Solutions Spatiales 2025, reconnu pour sa robustesse technique et son innovation. GeoSmart Vision constitue le noyau scientifique de Road Intelligence, la branche de GEOWATCH dédiée à la surveillance routière.
Ressources techniques
Les badges des technologies utilisées sont affichés ci-dessous.
- Python
- TensorFlow
- scikit-learn
- Sentinel-2
- PostGIS
- PostgreSQL