Conception et Développement d’un Système d’Éclairage Public Intelligent à l’aide d’une Raspberry Pi et du Deep Learning

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

 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

Accessibilité
Mobilité
SécuritéVilles
Smart City
INTRODUCTIO
N
Santé, Éducation, Économie, Transports, Services Administratifs, Éclairage public, Etc.
Maroc

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

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.

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 ;

DÉTECTION DES OBJETS AVEC
DEEP LEARNING
02 03
HISTORIQUES CNN MOBILENET-SSD
01
• Détection des Objets
• Deep Learning

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

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

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)

Simple Neural network
Input Cell
Hidden Cell
Output Cell
Réseaux d'apprentissage en profondeur
Deep Learning Neural Network

Réseaux de neurones convolutifs (CNN)
Structure of Convolutional Neural Network
.
.. ...
...
Input
Convolution
+
ReLu
Pooling
Fully Connected Layer
Output
1
K
Convolution
+
ReLu
Pooling
Feature Extraction Classification

CNN
Input
Convolution Layer
Pooling Layer
Fully connected
Output
cat
Activation Function

1 1 1 0 0
0 1 1 1 0
0 0 1 1 1
0 0 1 1 0
0 1 1 0 0
Input
Convolution Layer
Pooling Layer
Fully connected
Output
cat
1. Convolution Layer
Activation Function
1 1 1 0 0
0 1 1 1 0
0 0 1 1 1
0 0 1 1 0
0 1 1 0 0
1 1 1 0 0
0 1 1 1 0
0 0 1 1 1
0 0 1 1 0
0 1 1 0 0
1 0 1
0 1 0
1 0 1
4 3 4
2 4 3
2 3 4
x1 x0 x1
x0 x1 x0
x1 x0 x1
Input matrix Convolutional
3x3 filter
Image Convolved
Feature
4 3 4
2 4 3
2 3 4
4 3 4
2 4 3
2 3 4
1 1 1 0 0
0 1 1 1 0
0 0 1 1 1
0 0 1 1 0
0 1 1 0 0
x1 x0 x1
x0 x1 x0
x1 x0 x1
4 3 4
2 4 3
2 3 4
1 1 1 0 0
0 1 1 1 0
0 0 1 1 1
0 0 1 1 0
0 1 1 0 0
x1 x0 x1
x0 x1 x0
x1 x0 x1
4 3 4
2 4 3
2 3 4
1 1 1 0 0
0 1 1 1 0
0 0 1 1 1
0 0 1 1 0
0 1 1 0 0
x1 x0 x1
x0 x1 x0
x1 x0 x1
4 3 4
2 4 3
2 3 4
1 1 1 0 0
0 1 1 1 0
0 0 1 1 1
0 0 1 1 0
0 1 1 0 0
x1 x0 x1
x0 x1 x0
x1 x0 x1
4 3 4
2 4 3
2 3 4
1 1 1 0 0
0 1 1 1 0
0 0 1 1 1
0 0 1 1 0
0 1 1 0 0
x1 x0 x1
x0 x1 x0
x1 x0 x1
4 3 4
2 4 3
2 3 4
1 1 1 0 0
0 1 1 1 0
0 0 1 1 1
0 0 1 1 0
0 1 1 0 0
x1 x0 x1
x0 x1 x0
x1 x0 x1
4 3 4
2 4 3
2 3 4
1 1 1 0 0
0 1 1 1 0
0 0 1 1 1
0 0 1 1 0
0 1 1 0 0
x1 x0 x1
x0 x1 x0
x1 x0 x1
1 1 1 0 0
0 1 1 1 0
0 0 1 1 1
0 0 1 1 0
0 1 1 0 0
x1 x0 x1
x0 x1 x0
x1 x0 x1
4 3 4
2 4 3
2 3 4
CNN
Input
Convolution Layer
Pooling Layer
Fully connected
Output
cat
Activation Function

Input
Convolution Layer
Pooling Layer
Fully connected
Output
cat
Activation Function
2. Activation Function
Relu (0,x)
0.77 -0.11 0.11 0.33 0.55 -0.11 0.33
-0.11 1.00 -0.11 0.33 -0.11 1.00 -0.11
0.11 -0.11 1.00 -0.33 0.11 -0.11 0.55
0.33 0.33 -0.33 0.55 -0.33 0.33 0.33
0.55 -0.11 0.11 -0.33 1.00 -0.11 0.11
-0.11 0.11 -0.11 0.33 -0.11 1.00 -0.11
0.33 -0.11 0.55 0.33 0.11 -0.11 0.77
0.77 0 0.11 0.33 0.55 0 0.33
0 1.00 0 0.33 0 1.00 0
0.11 0 1.00 0 0.11 0 0.55
0.33 0.33 0 0.55 0 0.33 0.33
0.55 0 0.11 0 1.00 0 0.11
0 0.11 0 0.33 0 1.00 0
0.33 0 0.55 0.33 0.11 0 0.77
CNN
Input
Convolution Layer
Pooling Layer
Fully connected
Output
cat
Activation Function
0.77 -0.11 0.11 0.33 0.55 -0.11 0.33
-0.11 1.00 -0.11 0.33 -0.11 1.00 -0.11
0.11 -0.11 1.00 -0.33 0.11 -0.11 0.55
0.33 0.33 -0.33 0.55 -0.33 0.33 0.33
0.55 -0.11 0.11 -0.33 1.00 -0.11 0.11
-0.11 0.11 -0.11 0.33 -0.11 1.00 -0.11
0.33 -0.11 0.55 0.33 0.11 -0.11 0.77

Input
Convolution Layer
Pooling Layer
Fully connected
Output
cat
Activation Function
3. Pooling
Max pooling
6 4 8 5
5 4 5 8
3 6 7 7
7 9 7 2
6
6 4 8 5
5 4 5 8
3 6 7 7
7 9 7 2
6 8
6 4 8 5
5 4 5 8
3 6 7 7
7 9 7 2
6 8
9
6 4 8 5
5 4 5 8
3 6 7 7
7 9 7 2
6 8
9 7
Feature Map
CNN
Input
Convolution Layer
Pooling Layer
Fully connected
Output
cat
Activation Function

Input
Convolution Layer
Pooling Layer
Fully connected
Output
cat
Activation Function
4. Fully connected layer:
1.00 0.55
0.55 1.00
1.00 0.55
0.55 0.55
1.00
0.55
0.55
1.00
1.00
0.55
0.55
0.55
...
... ..
.
Softmax
FC
Flattening
CNN
Input
Convolution Layer
Pooling Layer
Fully connected
Output
cat
Activation Function

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

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

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

SSD Multibox :
Single Shot MultiBox DetectorSingle Shot MultiBox DetectorSingle Shot MultiBox DetectorSingle Shot MultiBox Detector
Architecture VGG-16

Mobilenet - SSD :

Jeux de données :
SSDLite-MobilNet
Name Images Classes
ImageNet 450K 200
COCO 120K 90
Pascal VOC 12K 20
Oxford-IIIT Pet 7K 37
KITTI Vision 7K 3

Résultats du SSDLite-MobilNet sur la RPi :

Conception et choix du matériel
Conception Électronique
Conception Technique
Logiciels & Matériels
Principe de Fonctionnement
Réalisation du
Prototype

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

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 ;

Conception du Prototype
Conception Technique :
Tinkercad

Conception de la Maquette
Conception électronique :
Fritzing

Prototype Finale
& évaluation du système
02 03
Prototype Final Evaluation du système Résultats et discussion
01

Résultats & Discussion
Modèle FPS
YOLO Tiny 0.32
SSDLite-MobileNet-V2 1.04
SSDLite-MobileNet-V2 avec TensorFlowLite 1.73
Image par seconde:
Performance de précision:
>> 80%

17h 18h 19h 20h 21h 22h 23h 00h 01h 02h 03h 04h 05h 06h 07h
Niveaud’éclairage[%]
Heure
100%
17h 18h 19h 20h 21h 22h 23h 00h 01h 02h 03h 04h 05h 06h 07h
Niveaud’éclairage[%]
Heure
Système d’éclairage Intelligent
Détection des objets par Deep Learning + Détecteur de Mouvement
Système d’éclairage Classique
100%
10%
Consommation énergétique :
Résultats & Discussion

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.

Conception et Développement d’un Système d’Éclairage Public Intelligent à l’aide d’une Raspberry Pi et du Deep Learning

Recommandé

Recommandé

Contenu connexe

Tendances

Tendances (20)

Similaire à Conception et Développement d’un Système d’Éclairage Public Intelligent à l’aide d’une Raspberry Pi et du Deep Learning

Similaire à Conception et Développement d’un Système d’Éclairage Public Intelligent à l’aide d’une Raspberry Pi et du Deep Learning (20)

Conception et Développement d’un Système d’Éclairage Public Intelligent à l’aide d’une Raspberry Pi et du Deep Learning