Modèle d'un système d’éclairage public intelligent permettant d’éclairer en fonction des besoins, par utilisant du Deep Learning pour détecter les objets circulant sur la route, à l’aide d’une Picamera interfacée avec RPi, ainsi que par l’utilisation des capteurs de lumière et de mouvement pour éclairer la nuit à la demande.
Conception et Développement d’un Système d’Éclairage Public Intelligent à l’aide d’une Raspberry Pi et du Deep Learning
1. Master Traitement de Signal et Apprentissage Automatique
École nationale des sciences appliquées de Tétouan
بتطوان التطبيقية للعلوم الوطنية المدرسة
Conception et Développement d’un Système
d’Éclairage Public Intelligent à l’aide d’une
Raspberry Pi et du Deep Learning
Ayyoub FAKHARI
26 - 06 -
2019
2. Historique
Réseaux de Neurones Convolutifs CNN
Modèle Mobilenet-SSD
Mobilenet-SSD sur la Raspberry Pi
DÉTECTION DES OBJETS AVEC DEEP LEARNING
2
1
Problématique.
Description du Projet.
INTRODUCTION
5
Conclusion
PLAN DE
PRESENTATION
3
CONCEPTION DU PROTOTYPE
Principe de Fonctionnement
Logiciels et Matériels
Conception Technique
Conception Électronique
4
Prototype Final & ÉVALUATION DU SYSTÈME
Prototype Final
Évaluation du système
Résultats et Discussion
Test du Système
4. Éclairage Public Intelligent
Où il faut,
Quant il faut
Comme il faut
Maroc - ONE
Entre 25 et 30% de la
consommation énergitique.
25% de la facture globale
d’énergie & 30 à 40% de la
facture d’électricité.
Installation
Exigences énergétiques
& des niveaux de maintenance
plus élevés.
Bon Éclairage
• Sécurité Routière
• Sécurité Personnelle
• Ambiance Urbaine
l’ Éclairage Public
Un service clé fourni par les
autorités publics.
PROBLÉMATIQUE
5. Objectifs
01
02
03
04
05
Améliorer la
qualité de
l’éclairage en
ville.
Améliorer la
sécurité public
dans la ville.
Améliorer
l’éfficacité
énergétique
Optimiser
l’éclairage des
rues en function
de l’éclairage
ambient.
Régler
l’éclairage en
réponse à des
événement
prédéfinis.
6. Description du Projet
Idée Logiciels Matériels
Ce projet porte principalement sur la
réalisation d’un modèle de système
d’éclairage public intelligent
permettant d’éclairer en fonction
des besoins, en utilisant Deep
Learning pour détecter les objets
circulant sur la route, à l’aide d’une
Picamera interfacée avec RPi, ainsi
que par l’utilisation des capteurs de
lumière et de mouvement pour
éclairer la nuit à la demande.
Raspbian Stretch ;
Python ;
TensorFlow ;
OpenCV ;
Numpy ;
Raspberry Pi 3 B+ ;
Camera Night Vision ;
Détecteur de Mouvement PIR ;
LDR Photorésistance ;
LED panneau lumineux ;
7. DÉTECTION DES OBJETS AVEC
DEEP LEARNING
02 03
HISTORIQUES CNN MOBILENET-SSD
01
• Détection des Objets
• Deep Learning
8. Processus consistant à utiliser un capteur pour
capturer des images, puis à utiliser un processeur
informatique pour analyser ces images afin
d’extraire des informations d’intérêt.
Vision par Ordinateur
Détection des Objets
Capable de fournir des informations
précieuses pour la compréhension
sémantique des images et des vidéos.
Dédection d’objets
• Bords
• Contours
• Couleurs
Aspects Visuels
Person
Cat
Dog
Butterfly
• Sélection informative de la région.
• Extraction de caractériqtiques.
• La classification.
Modèles de détection d’objets traditionnels
Deep Learning
CNN
9. DEEP LEARNING
Artificial intelligence
Machine Learning
Deep Learning
1940
1980
1990
2006
2012
Simuler le système cérébrale humain pour
résoudre les problèmes d’apprentissage
généreaux de manière raisonnée;
La reconnaissance de la parole
CNN
Proposition de l’algorithme de retro-
propagation de Hinton et al.
Domaine de recherche visant à
reproduire par des systèmes artificiels
les diverses capacités cognitives de l’être
humain
Il s’agit des méthodes
d’apprentissage
automatique utilisant
les réseaux de neurones
profonds
Reproduire un comportement non
pas en le programmant “à la
main” dans un ordinateur, mais
en concevant un système plus
général capable d’apprendre à
partir d’exemples à résoudre les
problème.
Vision par ordinateur
10. Neurone Biologique, Artificiel
Neurone Formel
axon from a neuron
𝒙 𝟎 𝒘 𝟎
𝒘 𝟏 𝒙 𝟏
synapse
dendrite
𝒘 𝟎 𝒙 𝟎
Cell body
𝐢
𝐰𝐢 𝐱 𝐢 + 𝐛 f
activation
function
Output axon
𝐟(
𝐢
𝐰𝐢 𝐱 𝐢 + 𝐛)
11. Simple Neural network
Input Cell
Hidden Cell
Output Cell
Réseaux d'apprentissage en profondeur
Deep Learning Neural Network
18. MobileNet-SSD pour Détecter les Objets
Inventés par Google & Implimentés
dans TensrFlow
• Extrêmement légers et petits.
• Infiniment rapides.
• Précision redoutable.
• Facilement configurables.
• Dédiés à l’embarqué.
S’inspire par les travaux de Szegedy
sur Multibox
L’architecture SSD s’appuie sur la vénérable
architecture VGG-16.
MobileNet
SSD
Single Shot
Multibox Detector
MobileNet-SSD
19. MobileNet-SSD pour Détecter les Objets
L’ algorithme Mobilnet :
CNN
MobileNet
Convolution Standard de Taille 3 x 3
Convolution Profonde de Taille 3 x 3 + Convolution Ponctuelle de Taille 1 x 1
Standard Convolution Filters
Depthwise Convolution Filters
1x1 Convolution Filters
20. MobileNet-SSD pour Détecter les Objets
L’ algorithme Mobilnet :
Plus rapide, Plus léger, Le rêve de l’embarqué
Complexité CNN : 𝑫 𝒌 × 𝑫 𝒌 × 𝐌 x 𝑵 × 𝑫 𝑭 × 𝑫 𝑭
Complexité MobileNet : 𝑫 𝒌 × 𝑫 𝒌 × 𝐌 × 𝑫 𝒌 × 𝑫 𝒌 + 𝑫 𝒌 × 𝑫 𝒌 × 𝑵 × 𝑫 𝒌 × 𝑫 𝒌
M : Le nombre de channels d’entrée
N : Le nombre de channels de sortie
21. MobileNet-SSD pour Détecter les Objets
SSD Multibox :
Single Shot MultiBox DetectorSingle Shot MultiBox DetectorSingle Shot MultiBox DetectorSingle Shot MultiBox Detector
Architecture VGG-16
25. Conception et choix du matériel
Conception Électronique
Conception Technique
Logiciels & Matériels
Principe de Fonctionnement
Réalisation du
Prototype
26. Picamera
(Détection des objets par SSDLite-MobileNet)
Piéton, Voiture,
Vélo, Moto, …
Personne, Chat,
Chien, …
Eclairage
10% de l’intensité
des LED
Capteur de lumière
Pas
D’Eclairage
Jour Nuit
Principe de Fonctionnement
Lampadaires
Eclairage
100% de l’intensité
des LED
Capteur de mouvement
27. Logiciels &
Matériel
Logiciels
Raspbian Stretch
Python 3.7
TensorFlow
OpenCV
Numpy
Fritzing
Tinkercad
Matériels
Raspberry Pi 3 B+
Pi Camera Night Vision
Détecteur de Mouvement PIR
LDR Photorésistance
Panneau lumineux LED
CPU : Cortex-A53 64-bit SoC @ 1.4GHz ;
Ram: 1GB LPDDR2 SDRAM ;
GPIO : 40 PIN GPIO ;
Sortie HDMI ;
Caméra avec vision de nuit ;
5 mégapixels OV5647 capteur ;
Capteur meilleure résolution : 1080 p ;
Focal Longueur : 2.1 ;
Model : HC-SR501 ;
Sensor distance : 5-10m ;
Sensor degree : 140 Degree Cone angle ;
Tension De Fonctionnement : 3.5 v-5 v ;
Forme de sortie : Numérique (0 et 1) ;
Modèle : 36 COB LED Panel ;
Voltage : 12v ;
38. Conclusion
Le taux de 1 FPS obtenu par le modèle de choix pour ce projet est encore insuffisant
pour permettre un suivi rapide et strict de l’objet dans le cas réel. Mais pour le
prototype, ce résultat est prometteur. Dans le cas d’une application réelle, on peut
choisir des cartes plus puissantes que la Raspberry Pi, telles que la carte Udoo X86, 10
fois plus puissante que PRI 3, mais bien sûr plus chère que cette dernière.