Notre principal objectif était de démontrer notre capacité à exploiter le machine learning dans le cloud afin de former des modèles analytiques capable d ’ être ensuite exécutés localement en bordure de réseau , en simulant un espace d ' usine et un centre de contrôle .
Nos modèles avaient été élaborés pour surveiller trois éléments :
• Le feu
• La fumée
• Les jauges analogiques existantes
Compte tenu de l ' interdiction de déclarer un incendie et d ’ enfumer les locaux du salon , nous avons simulé ces éléments à l ’ aide d ’ un lampadaire LED à d ' un brumisateur très réalistes . Ce qui a été , en revanche , totalement vrai , c ' est notre capacité à surveiller une jauge analogique , une activité en apparence banale mais qui a suscité beaucoup d ’ intérêt de la part des visiteurs du stand .
Et pour cause : bon nombre d ' entre eux ont connu des systèmes industriels hérités , certains vieux de plusieurs décennies , qu ' il était tout bonnement trop risqué de remplacer ou dont la rénovation et le rééquipement avec des capteurs modernes étaient impossibles pour cause d ’ inaccessibilité . Sur le plan purement pratique , il est tout simplement trop éprouvant pour un humain de regarder et de surveiller ces jauges . L ' analyse de vidéo , au contraire , peut réaliser cette tâche en continu , sans distraction ni besoin de dormir , d ' aller aux toilettes ou de prendre des pauses-café .
La programmation de l ' analyse de vidéo en vue de surveiller une jauge et de repérer l ' apparition d ' anomalies telles que des événements de type « franchissement de ligne rouge » s ’ est révélée une capacité remarquablement utile . Nous avons , par ailleurs , pu « dériver » des données numériques effectives ( température , vitesse de rotation , pression , etc .) en convertissant l ’ image vidéo du manomètre sous forme d ' équivalent analogique ou numérique . À quelle vitesse tourne ce moteur ? A-t-il dépassé le seuil critique de 15 % ? La pression a-t-elle augmenté ou chuté à des niveaux dangereux ? Les réponses à ces questions , et à bien d ' autres encore , peuvent être obtenues sans l ' aide de capteurs modernes . Voilà qui est en effet très utile !
Création de la démo
Jetons un œil aux composants d ’ architecture et de solutions impliqués dans notre démonstration .
En l ' absence de scientifiques des données , l ' élément clé pour exploiter le machine learning à des fins d ' analyse de vidéo dans cette démonstration a consisté à adopter une approche dite d ’ apprentissage par transfert , qui s ' appuie sur un modèle pré-entraîné pour extraire les caractéristiques des images et générer un nouveau graphe 1 . Le modèle préalablement entraîné pour cette solution , baptisé Inception-v3 , est un réseau neuro-
14 | THE DOPPLER | ÉTÉ 2018