The Doppler Quarterly (FRANÇAIS) Été 2018 | Page 17

nal convolutif approfondi. Il est programmé pour concourir
au défi de reconnaissance visuelle d'ImageNet à partir de
2012, avec 1 000 catégories d’images de type « Zèbre »,
« Dalmatien » et « Lave-vaisselle ». Sur cette base, nous
sommes parvenus à créer des classifi cations spécifi ques
pour la fumée, le feu et les lectures de jauges impliqués
dans notre démo.
La création d’un modèle de toutes pièces peut prendre plu-
sieurs mois, même avec des analystes hautement qualifi és.
Dans le cas de l’apprentissage par transfert, un nouveau
modèle peut être élaboré en quelques heures, souvent à
partir de seulement quelques dizaines d'images au stade
préliminaire, et avec des compétences en développement
de logicielsdans des langages de programmation tels que
Python ou C++.
de détecter la fumée, le feu et la couleur de la jauge analo-
gique (verte, orange ou rougtge).
Deux fl ux de sortie sont générés lors du traitement périphé-
rique de l'analyse vidéo en temps réel (voir Figure 1) :
1.
Un tableau de bord en temps réel indiquant le statut
en cours et la chronologie du traitement. Ces don-
nées seraient surveillées par un employé de l’usine
et déclencheraient des alertes en cas d'anomalie
détectée.
2. Un fl ux en quasi-temps réel des alertes envoyées par
une passerelle IoT à GCP via Cloud IoT Core sur
MQTT. Ces alertes sont retransmises à un tableau de
bord hébergé dans le cloud, ainsi que vers Stackdri-
ver Monitoring, où des seuils d’alerte supplémen-
taires peuvent être traités.
Outre l'analyse de vidéo et l'émission d'alertes, Cloud IoT
Core permet également de diffuser des mises à jour vers des
Les ressources du cloud public sont un candidat idéal pour
les modèles d'entraînement, puisque l'analyse des séries
d'images peut être répartie entre des
ressources de traitement parallèles
STATUS
telles que des GPU ou des TPU 2 , qui
sont libérées une fois le traitement
FIRE
accompli. La construction et l'entraîne-
ment du graphe ont été confi és à Goo-
gle Cloud Platform (GCP) et à Cloud ML
SMOKE
Engine, puis le graphe a été exporté et
déployé pour être exécuté en bordure,
en l’occurrence dans un étage d’usine
RPM
simulé. Cloud ML Engine utilise une
technologie de machine learning en
Open Source appelée TensorFlow (éga-
lement développée par Google). Pour le
traitement périphérique du fl ux vidéo,
nous avons fait appel à la même tech-
Anomalous Alert Timeline
nologie TensorFlow Serving.
Un taux d’échantillonnage de 3 images
par seconde a été appliqué au fl ux vidéo
émis par une caméra IP pointée sur la
zone de démonstration, chaque image
étant envoyée au processeur Tensor-
Flow Serving exécuté localement, afi n
Acknowledge
Acknowledge
Acknowledge
All In Progress Resolved
HMI Danger Detected on Video
4/9/2018 3:09:50 PM EDT
Smoke Detected on Video
4/9/2018 3:09:50 PM EDT
Fire Detected on Video
4/9/2018 3:09:50 PM EDT
Assign Details Acknowledge
Assign Details Acknowledge
Assign Details Acknowledge
Figure 1 : Tableau de bord d’alerte d’incendie, de fumée et de débit
ÉTÉ 2018 | THE DOPPLER | 15