Les infrastructures routières subissent diverses dégradations dont certaines relèvent de désordres géotechniques (retrait-gonflement des argiles, glissements de terrain, affaissements de sol). En l'absence de validation par un géotechnicien, cette origine n'est pas toujours mise en évidence lors des diagnostics, ce qui accroît les risques pour les usagers, aggrave les désordres et renchérit la maintenance.

Ce travail développe un outil d'aide à la décision pour la détection automatisée des dégradations à potentiel géotechnique sur les routes. Pour ce faire, un réseau de neurones convolutif a été entraîné sur des images d'inspection routière acquises par le Cerema dans la région Grand Est depuis 2008 et annotées par des spécialistes. L'ensemble de données a été réparti en 80 % pour l'entraînement et 20 % pour la validation. Sur cette itération initiale, la précision a atteint 70 % sur le jeu de validation. Ce résultat préliminaire confirme la faisabilité et une phase d'optimisation est en cours.

Les dégradations détectées ont ensuite été caractérisées à partir des informations géoréférencées associées, en combinant des critères visuels et contextuels liés aux facteurs déclencheurs et aggravants des désordres géotechniques. Ces critères sont pondérés afin de hiérarchiser les dégradations selon leur probabilité d'origine géotechnique et d'orienter en priorité l'intervention des géotechniciens sur les zones à risque.

Le projet constitue un atout pour la surveillance des réseaux : il systématise la détection des dégradations, priorise les zones à risque et guide plus efficacement l'expertise terrain. Les principales limites tiennent à la complexité des phénomènes géotechniques, difficilement inférables à partir de seules données de surface, et à l'absence d'historique d'images sur certains réseaux, qui restreint l'analyse de la répétabilité des dégradations. Malgré ces contraintes, l'approche ouvre la voie à une maintenance plus proactive, ciblée et optimisée.