Distanciation physique et protocoles de sécurité - Intelligence artificielle et machine learning

Thèmes abordés

Distanciation physique, sécurité, intelligence artificielle, Covid-19, machine learning, comportement à risque, système de détection, propagation maladie, détection comportements, Raspberry, application mobile, temps réel, droit image, protocoles sécurité, DNN réseaux de neurones profonds, CNN réseaux de neurones convolutifs, Trello, Android, MobileNet V2, modèle YOLOV3, OpenVino Toolkit, contraintes techniques

Résumé du document

La crise de Covid-19 a changé notre comportement et a imposé de nouvelles règles de vivre ensemble. La distanciation physique fait désormais partie de notre quotidien. Nous sommes rappelés sans cesse d'appliquer les règles 3M (Mètre, Mains, Masques) et de nous limiter les rassemblements, ce qui n'est pas évident surtout pour notre mode de vie, que ce soit dans le milieu professionnel ou familial. Les protocoles de sécurité mis en place depuis le début de la crise ont été renforcés afin d'éviter la propagation du virus. Pour faire respecter la distanciation physique, il est tout à fait possible d'imaginer un système doté de caméras et d'intelligence artificielle qui analysent le rassemblement, à savoir la distance entre les individus, la température corporelle, ou encore le comportement à risque, etc. Notre défi est d'inventer une approche pragmatique et peu coûteuse pour répondre à l'urgence de la situation et de développer un système de détection des comportements à risque limitant ainsi la propagation de la maladie.

Extraits

[...] La plupart des librairies y sont préinstallées, et il est possible d'en ajouter simplement. Ainsi, nous avons pu utiliser la plateforme pour entraîner aussi bien des architectures Keras. Cette dernière est liée à Google Drive, il nous a donc suffi d'uploader nos jeux de données pour pouvoir les utiliser, et d'exporter nos réseaux entraînés en fin de session. Cette technologie nous a permis de gagner énormément de temps. Les modèles entraînés seront sauvegardés dans un fichier de type h5py ou MODEL (.h5/.model) pour l'intégrer dans notre carte raspberry pi. [...]

[...] Contraintes du projet Contraintes techniques Fusionnement des deux modèles dans la carte Raspberry Pi (la détection du masque et le calcul de la distanciation sociale) L'implémentation du modèle de détection des comportements à risque (OpenVINO) dans la carte Raspberry Confusion entre la caméra et capteur thermique (fausse description sur le site du marchand) Qu'est-ce que le droit à l'image ? Le droit à l'image d'une personne physique est le droit pour cette personne, d'autoriser ou de s'opposer à la fixation et à la diffusion de son image. Le droit à l'image doit être respecté lorsqu'est captée (photographiée ou filmée) l'image d'une personne reconnaissable. Quand peut-on considérer qu'une personne est identifiable ? L'identification d'une personne est avérée dès lors qu'il est possible de discerner ses traits ou ses signes distinctifs, de telle sorte que des tiers puissent la reconnaître. [...]

[...] Conclusion Ce projet nous a permis de mettre en application et de nous familiariser avec certaines notions d'intelligence artificielle étudiées. La machine Learning est un domaine qui nécessite beaucoup d'intuition, et cette intuition s'acquiert grâce à l'expérience. Ce projet nous permettra donc d'être plus performants sur d'éventuels travaux futurs et de mettre nos premiers pas dans ces immenses technologies. On espère vraiment que notre prototype voit le jour et qu'on pourra l'utiliser dans un premier temps à l'intérieur de l'ENSIM ça nous aidera à mieux détecter les angles morts que nous avions oubliés ou mal calculés et on pourra ainsi l'améliorer et peut-être fera la une des journaux avec la première école française à mettre en place son propre dispositif intelligent pour limiter la propagation de cette maladie. [...]

[...] Il faudrait aussi acheter une caméra thermique et il faudrait bien vérifier qu'il ne s'agit pas d'un capteur thermique. Objectifs du projet et nature des prestations demandées Il nous faudra tout d'abord détecter les personnes dans un espace public et le bon port du masque ainsi que la distance entre eux, ensuite il nous faudra la détection de quelques comportements à risque, notamment la température, la chute et la toux. Il nous faudra alors réaliser des tests auprès d'espaces publics, puis ajuster (si nécessaire) notre travail en fonction du résultat. [...]

[...] YOLO v3 a apporté de nouvelles améliorations au réseau de détection et a commencé à intégrer le processus de détection d'objets. OpenVino Toolkit La Intel(R) Distribution de OpenVINO(TM) Toolkit déploie rapidement des applications et des solutions qui émulent la vision humaine. Le kit d'outils étend les charges de travail sur la vision de l'ordinateur sur l'ensemble du matériel Intel(R) basé sur des réseaux neuronaux convolutions qui optimise les performances. L'Intel(R) Distribution de OpenVINO(TM) boîte à outils comprend également la boîte à outils de déploiement Intel(R) deep learning. [...]