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