MORPHO-IA - IA et Digital Twin au service de la maintenance prédictive | FEREC 2020

MORPHO-IA : ETUDE ET RESULTATS MORPHOSENSE ▪ SAS au capital de 120 366 € ▪ SIRET : 822 036 265 00012 18 allée du Lac Saint André, BP 60278 73370 Le Bourget du Lac ▪ TVA FR13 822036265 lui- même intègre l’apprentissage profond (« deep learning » en anglais). L’apprentissage automatique et profond consistent à faire « apprendre » une tâche à une machine à partir de données sans explicitement être guidée par l’Homme, c’est -à- dire de donner la capacité à la machine d’améliorer ses performances à résoudre les tâches sans être explicitement programmée pour chacune d’entre elles. Les tâches peuvent relever de la régression, de la classification ou encore du clustering. L’algorithme est d’abord entraîné sur des données d’apprentissage afin de paramétrer ses équations (l’intérêt de cette phase est d’obtenir des équations le plus généralisables possibles). En suite, il est évalué sur un jeu de données de test (qu’on ne lui aura jamais présenté auparavant, et qui est donc nouveau dessus). Pour chaque observation du jeu de données, il émet une prédiction (calculée d’après ses équations optimisées). Si la précision de l’algorithme est suffisante pour la tâche demandée, il est enfin implémenté et utilisé sur de réels jeux de données. Par exemple, un algorithme peut servir à différencier des images d’animaux. Il s’agirait alors d’une problématique de classification . Le jeu de données d’entraînement comporterait dans ce cas des images de chats, de poules, de crocodiles etc. qui sont annotées. La phase de test consisterait à évaluer si l’algorithme prédit bien la classe de chaque animal. On distingue plusieurs types d’algorithmes : • Ceux d’apprentissage automatique : ils sont basés sur des approches mathématiques et statistiques. Ils « apprennent » sur des ensembles de données structurés grâce à l’Homme ; • Ceux d’apprentissage profond : on parle souvent de réseaux de neurones. Ils « apprennent » sans être guidés par l’Homme et sont basés sur des méthodes bien plus complexes combinant différents algorithmes en s’inspirant du cerveau humain (fonctionnement d’u n neurone plus précisément). Ces systèmes sont capables de travailler sur des données non-structurées pour identifier eux-mêmes les caractéristiques discriminantes. Les réseaux de neurones peuvent se montrer bien plus performant que les algorithmes d’app rentissage automatique. En contrepartie, ils sont plus gourmands en données et en énergie. Ainsi, ils sont souvent utilisés pour des tâches plus complexes. Dans notre projet, ils ont été utilisés pour le traitement des images. 6 Résultats de l’étude de la P asserelle Saint-Laurent 6.1 Détection de piétons Comme indiqué dans la partie 4.1., quelques pré-traitements ont été réalisés sur les images récoltées par la caméra afin que la détection de piétons fonctionne au mieux et soit la plus efficace : a) Rotation de l’i mage de -90 degrés pour remettre les piétons dans le sens de la gravité, b) Réduction et rognage de l’image pour : a. Faciliter son traitement, b. Retirer les piétons se trouvant du côté opposé du pont (mal définis sur l’image, difficiles à détecter), c. Que la taille des piétons sur l’image corresponde à celle des piétons dans les bases d’apprentissage (cette opération n’est pas nécessaire car en temps normal, du scaling est appliqué). c) Ordonnancement des images pour qu’elles soient traitées par ordre d’arrivée.