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 D’autres comparaisons des performances de l’algorithme YOLO ont été réalisées pour s’assurer de l’efficacité du modèle ; en particulier le nombre d’objet à détecter (image de gauche) ou taille de s objets à détecter (image de droite) ont été étudiés. Figure 20 : Détection multiple objets avec YOLO On remarque que l’algorithme semble assez puissant. Très peu de personnes ne sont pas détectées : principalement celles en hau t de l’image (très petite et mal définies) et celles sur le bord gauche ou bas car elles peuvent être coupées. La présence de groupes de personnes ne semble pas réduire la capacité de prédiction de l’algorithme, qui semble bien différencier chaque ‘objet’ de l’image. Cette détection automatique de piétons a pour but de sortir deux types de résultats pour le DT et sa partie modélisation : - Connaître le nombre de piétons à un temps donné afin d’en juger la charge totale présente sur la structure, - Connaître la position de ces piétons afin de pouvoir appliquer des charges ponctuelles sur la structure. Une calibration à l’aide d’un échiquier va donc être réaliser afin d’étalonner l’image et de pouvoir conv ertir les pixels en distance réelle. 6.2 Détection d’outliers Les données récoltées par le système Neuron contiennent de nombreuses informations sur le fonctionnement naturel de la passerelle mais aussi des données aberrantes dues au système d’acquisition ou plus rarement à un problème de santé de la structure. Des algorithmes spécialisés dans la détection d’anomalies/nouveautés (outliers) sont donc appliqués sur les données récoltées afin de détecter automatiquement ces points atypiques. Il existe deux types d’algorithmes : - Ceux qui prennent une tranche de signal et effectue une détection sans à priori, - Ceux qui apprennent le comportement sur une première tranche de données puis qui font une détection des outliers avec l’à -priori des données apprises.