Le défi
Comment détecter automatiquement la dégradation des routes africaines à partir d'images satellitaires, sans inspection au sol ? Ce défi n'est pas né dans un laboratoire. Il est né sur une route.
Genèse
En 2020, j'ai été victime d'un accident de circulation causé par un nid-de-poule dissimulé sous la boue par des villageois. Cet événement a planté une conviction : il fallait un moyen de détecter ces dégradations avant qu'elles ne tuent. Réduire les risques d'accident, sauver des vies, c'est la motivation fondatrice de TerraPulse Vision.
En 2023, j'ai commencé à formaliser cette conviction en sujet de recherche. L'hypothèse : un modèle de machine learning entraîné sur de l'imagerie satellitaire peut identifier les nids-de-poule et fissures à une échelle exploitable par les autorités africaines. Pas de dataset existant, pas de modèle de référence pour le contexte africain. Juste l'expérience d'un accident, une hypothèse, et la détermination de la valider.
L'approche scientifique
La méthodologie s'articule en trois phases :
Phase 1, Dataset Constitution d'un jeu de données de vérité terrain à partir d'imagerie satellitaire croisée avec des relevés OpenStreetMap et des observations directes.
Phase 2, Pipeline Développement d'un pipeline de traitement d'images intégrant pré-traitement, extraction de features et classification supervisée.
Phase 3, Modèle Entraînement et validation d'un modèle de machine learning pour la détection et la géolocalisation des zones de dégradation.
Résultats
Le modèle démontre la faisabilité technique de la détection automatique des dégradations routières à partir d'imagerie satellitaire haute résolution. Les techniques de classification supervisée combinées à la segmentation d'image permettent d'identifier les zones de dégradation avec une précision exploitable opérationnellement. Ces résultats constituent la preuve de concept qui a fondé Road Intelligence.
Ce que TerraPulse Vision a engendré
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. L'université l'a validé et présenté sous le nom GeoSmart Vision, qui a obtenu le 2e Prix au Marché Africain des Solutions Spatiales. Ce passage compétitif a confirmé la viabilité du sujet de recherche.
La concrétisation est venue avec Road Intelligence : la transformation de ce sujet de recherche en projet opérationnel, et le premier projet du programme GEOWATCH. TerraPulse Vision reste le noyau scientifique de Road Intelligence, et le rappel qu'une idée née d'un accident de route peut devenir un outil de prévention à l'échelle continentale.
Mon apport personnel
Vécu personnel à l'origine du projet. Formulation du sujet de recherche. Constitution du dataset. Conception du pipeline de traitement. Développement et validation du modèle de machine learning. Rédaction intégrale des spécifications techniques. Proposition du projet pour le MASS 2025.
Ressources techniques
Les badges des technologies utilisées sont affichés ci-dessous.
- Python
- TensorFlow
- scikit-learn
- Sentinel-2
- PostGIS
- PostgreSQL
- NumPy
- Pandas