Le système de détection avancé marin développé dans ce projet intègre des technologies de vision par ordinateur et d’apprentissage automatique pour améliorer la précision et la robustesse de la détection et de la classification d’objets marins dans des environnements simulés variés.
Solution proposée
Pour surmonter les défis actuels en matière de détection et de classification d’objets marins, nous proposons le développement d’un système de détection avancé spécifiquement conçu pour fonctionner dans un environnement simulé. Cette solution intégrera des technologies de pointe en vision par ordinateur et apprentissage automatique pour améliorer la précision et la robustesse de la détection d’objets marins dans des conditions variées.
Le système proposé se compose de plusieurs composants clés :
- Modèle de détection amélioré : Nous utiliserons des architectures de réseaux de neurones avancées adaptées pour traiter des images sous-marines et améliorer la détection d’objets dans des environnements difficiles.
- Simulation réaliste : Le système sera testé dans un environnement simulé qui imite les conditions sous-marines, permettant une évaluation approfondie de ses performances avant le déploiement en conditions réelles.
- Optimisation et ajustement : Des techniques d’optimisation seront mises en œuvre pour ajuster les paramètres du modèle et améliorer la vitesse de traitement et la précision de la détection en temps réel.
- Intégration de données : Nous intégrerons des jeux de données diversifiés pour entraîner le modèle, incluant des images annotées dans différentes conditions de luminosité, contraste et environnement.
Cette approche vise à combiner les meilleures pratiques actuelles en matière de détection d’objets avec des innovations spécifiques aux environnements marins, tout en permettant une adaptation facile aux nouvelles découvertes et défis qui pourraient surgir au cours de la recherche.
Présentation des technologies utilisées
Pour concevoir et développer cette solution avec efficacité, l’utilisation de frameworks de simulation est essentielle. Trois outils seront utilisés : SimScale, Blender et Streamlit. Cette présentation analyse ces technologies et explique leur potentiel pour soutenir le développement de notre solution.
SimScale
SimScale est une plateforme de simulation basée sur le cloud qui permet aux ingénieurs et aux concepteurs de réaliser des simulations de dynamique des fluides (CFD), d’analyse par éléments finis (FEA) et d’analyse thermique, entre autres [8], (voir Figure 1.1).
[detection-objets-marins-par-drone-avance_1]
Figure 1.1 – Présentation de SimScale
Voici quelques caractéristiques et avantages clés de SimScale pour notre projet :
- Accès Basé sur le Cloud : SimScale est accessible via un navigateur web, facilitant la collaboration avec d’autres membres de l’équipe, quel que soit leur emplacement.
- Dynamique des Fluides (CFD) : Outils avancés pour simuler les écoulements de fluides, la convection, la diffusion et les interactions fluide-structure, essentiels pour analyser les performances des drones sous-marins.
Éléments Finis (FEA) : Réalise des analyses structurelles pour étudier les déformations, contraintes et vibrations des composants du drone.
- Analyse Thermique : Simulations thermiques pour étudier la dissipation de la chaleur et l’impact des variations de température sur les composants du drone.
- Interface Intuitive : Interface utilisateur simplifiée pour la configuration et l’exécution des simulations.
- Bibliothèque de Matériaux et Modèles : Vaste bibliothèque de matériaux et de modèles de simulation prédéfinis.
- Résultats et Visualisation : Visualisation des résultats et outils de post-traitement intégrés.
Blender
Blender est une suite de création 3D open-source utilisée dans divers domaines tels que l’animation, les effets visuels et les simulations [9], (voir Figure 1.2).
[detection-objets-marins-par-drone-avance_1]
Figure 1.2 – Présentation de Blender
Voici quelques fonctionnalités clés de Blender pertinentes pour notre projet :
- Modélisation 3D : Outils pour créer et manipuler des modèles 3D, y compris la modélisation de maillages et la sculpture.
- Animation : Capacités d’animation robustes, y compris le keyframing, le rigging et la capture de mouvement.
- Simulation : Simulations de la dynamique des fluides, des systèmes de particules et des corps rigides.
- Rendu : Moteurs de rendu tels que Cycles et Eevee pour des images et des animations de haute qualité.
- Script et Personnalisation : Support du script Python pour automatiser des tâches et personnaliser des flux de travail.
- Intégration : Importation et exportation de modèles 3D pour une utilisation dans des workflows plus larges.
Streamlit
Streamlit est un framework open-source en Python qui simplifie la création d’applications web interactives pour la data science et l’apprentissage automatique [10], (voir Figure 1.3).
[detection-objets-marins-par-drone-avance_1]
Figure 1.3 – Présentation de Streamlit
Voici une vue d’ensemble de Streamlit :
- Simplicité d’Utilisation : Création d’applications web avec du code Python simple.
- Mise à Jour en Temps Réel : Actualisation automatique des applications lors des modifications du code.
- Support de Widgets Interactifs : Widgets interactifs tels que des boutons, sliders, champs de texte, etc.
- Visualisation Intégrée : Intégration de bibliothèques de visualisation comme Matplotlib et Plotly.
États et Caching : Gestion de l’état des widgets et des données pour améliorer les performances.
Planification
La figure 1.4 présente notre diagramme de GANTT qui explique la planification des tâches menées durant le stage :
[detection-objets-marins-par-drone-avance_1]
Figure 1.4 – Diagramme de GANTT
Chaque mois a été consacré à des tâches spécifiques, allant de la collecte et l’annotation des données au développement, à l’évaluation et au déploiement du système. Ce chronogramme assure une progression structurée et méthodique des activités, garantissant ainsi l’atteinte des objectifs du stage.
Conclusion
Au cours de ce chapitre, nous avons abordé le contexte et les enjeux de notre projet en présentant une vue d’ensemble de l’organisme d’accueil, en détaillant la problématique, et en établissant une planification rigoureuse. Nous avons examiné les approches méthodologiques existantes dans le domaine de la détection et de la classification sous-marine, en considérant notamment les caractéristiques manuellement conçues, les techniques d’imagerie sonar et optique, ainsi que les algorithmes d’apprentissage automatique.
Dans le prochain chapitre, nous aborderons la méthodologie de développement employée pour ce projet. Nous détaillerons les approches et les techniques spécifiques mises en œuvre pour surmonter les défis identifiés, ainsi que les étapes de conception et d’évaluation des solutions proposées. Cette méthodologie constitue le fondement de notre démarche pour répondre efficacement aux enjeux de détection et de classification sous-marine.