Plus précisément, le modèle d'apprentissage profond obtenu est appliqué à la gestion des piscines afin de déterminer en temps réel le nombre de baigneurs dans les bassins couverts et, à partir des données recueillies, de contrôler la température de l'eau, de réduire la consommation de produits chimiques et de limiter l'énergie nécessaire au traitement de l'eau.
De plus, le système facilitera la mesure de la capacité de ces espaces publics et privés pendant la pandémie de Covid-19.
Développement et entraînement du système :
pour développer cette technologie, le centre a suivi une méthodologie débutant par la génération d'un nouvel ensemble de données d'images haute résolution. Afin d'accroître sa variabilité, une recherche d'ensembles de données similaires a été menée pour généraliser et renforcer la réponse du réseau neuronal convolutif entraîné.
« Nous n'avons pas trouvé beaucoup de jeux de données publics concernant les personnes dans les piscines, mais le plus proche du problème d'Ecopool est celui fourni par Lifeguard-io, un projet de détection de noyades utilisant la vision par ordinateur et l'apprentissage automatique », explique Aitor Gutiérrez, chercheur chez Tekniker. « Nous avons donc dû créer notre propre jeu de données adapté à notre problématique. »
Pour générer le modèle de comptage de personnes et calculer la durée de chaque nageur dans la piscine, nous avons étiqueté les images. Cela consiste à indiquer la présence d'un objet sur une image – ici, des personnes – et à lui attribuer une étiquette.
« Nous avons utilisé le logiciel libre LabelImg, qui permet un étiquetage d'images rapide et intuitif », ajoute le chercheur de Tekniker.
Étant donné la faible variabilité du jeu de données d'images disponible, l'équipe d'experts s'est concentrée sur l'augmentation de données, une technique qui génère de nouvelles données pour améliorer l'entraînement du réseau neuronal du modèle d'apprentissage profond en introduisant certaines perturbations et variations dans les images originales, telles que des changements d'échelle et des rotations. Des techniques d'augmentation classiques et des techniques plus avancées basées sur les réseaux neuronaux antagonistes génératifs (GAN) ont été appliquées.
Une fois l'architecture de base pour l'entraînement du modèle d'apprentissage profond de détection d'objets sélectionnée, l'une des étapes les plus importantes de la création de cette technologie a consisté à définir précisément ses différentes couches et à sélectionner et ajuster ses paramètres d'entraînement, appelés hyperparamètres.
Dans le cadre de la solution développée pour Ecopool, les modèles ont été entraînés sur deux systèmes aux capacités de calcul différentes. D'une part, un PC doté d'une carte graphique dédiée, situé dans les locaux de Tekniker, a été utilisé pour l'entraînement local du modèle. D'autre part, une machine hébergée dans le cloud a été mise en service pour l'entraînement du modèle sur un serveur aux capacités de calcul supérieures.
Grâce à ce système, Tekniker propose une solution inédite, basée sur une technologie ayant déjà fait ses preuves dans d'autres contextes.
Le projet Ecopool réunit Tekniker, le bureau d'études Dinycon Systems, le centre technologique Gaiker et la société Giroa.
