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 Diff érents algorithmes d’apprentissage profond de détection de piétons ont été testés en accord avec les méthodes présentes dans l’état de l’art : HOG associé à cascade classifieur, YOLO et Mask R-CNN. Différentes tailles d’images, rognées ou non, ont été comp arées sur les modèles les plus efficaces pour optimiser la détection. Le comparatif des pourcentages de détection obtenus avec les différentes méthodes est présenté sur la Figure 16. Les résultats de détection des algorithmes ont été compar és à ceux d’un comptage manuel pour estimer le pourcentage de détection des piétons. Figure 16 : Comparaison des pourcentages de détection d’algorithmes de détection de piétons selon la taille des images données en entrée On remarque assez rapidement que les algorithmes Mask- RCNN et YOLO présentent d’excellents résultats quelle que soit la taille de l’image et son éventuel rognage. Ils détectent plus de 90 % des piétons présents sur la passerelle à un temps donné. Les temps de calcul de chaque algorithme ont ensuite été comparés en vue de leur future implémentation pour le traitement d’images en temps réel (Figure 17) . 46.13 92.79 94.53 94.21 94.00 98.25 94.31 0 .00 10.00 20.00 30.00 40.00 50 .00 60.00 70.00 80.00 90 .00 100.00 HOG + detectMultiScale Full img YOLO 30% full img YOLO 40% full img YOLO 50% full img YOLO 70% full img YOLO 40% + crop img Mask R-CNN 40% + crop img Pourcentage de détection : comparaison algorithmes (%)