Industrie Mag - Le journal de l'industrie.

Toutefois, les ressources supplémentaires nécessaires pour surveiller les clients peuvent imposer des contraintes additionnelles aux entreprises qui ont déjà des difficultés à respecter d’autres directives en matière d’assainissement et de distanciation sociale. Les solutions d’apprentissage en profondeur permettent de détecter automatiquement toute personne qui enfreint les directives relatives aux masques, ce qui fait gagner du temps aux employés et garantit un environnement plus sûr.

Mise en œuvre de l’apprentissage en profondeur

L’apprentissage en profondeur est une forme d’apprentissage automatique qui utilise des réseaux neuronaux avec de nombreuses couches « de profondeur » entre les nœuds d’entrée et de sortie. En formant un réseau sur un ensemble de données volumineux, un modèle est créé, pouvant être utilisé pour effectuer des prévisions précises en fonction des données d’entrée. Dans ce cas, le réseau peut être formé pour détecter non seulement les masques, mais aussi si une personne porte convenablement un masque sur son visage.

Un système d’apprentissage en profondeur entièrement fonctionnel peut être élaboré et mis en œuvre en quelques jours. En utilisant une caméra Firefly DL de FLIR, les ingénieurs de FLIR ont élaboré un système permettant de détecter la conformité et de signaler les utilisateurs qui pourraient violer les directives obligatoires en matière d’EPI (équipement de protection individuelle). L’ensemble de données de détection des masques a utilisé deux bibliothèques accessibles au public contenant plus de 1 000 images pour fournir des exemples de personnes avec, sans, et portant incorrectement des masques dans des environnements différents. Parmi les autres caméras adaptées à cette utilisation, on trouve la Blackfly S GigE pour plus d’informations sur les solutions de vision artificielle FLIR, contactez le service Ventes.

Une solution adaptable

Chaque image de l’ensemble de données sur les masques a été annotée avec des cases englobantes montrant l’emplacement des objets et des étiquettes de classe indiquant sur quels visages se trouvait le masque, lesquels n’en portaient pas et s’ils étaient portés de manière appropriée. Les développeurs d’apprentissage en profondeur et les intégrateurs de solutions peuvent facilement améliorer cette solution pour couvrir des cas d’utilisation plus complexes et plus difficiles pour le déploiement dans le monde réel. Par exemple, le réseau neuronal peut être formé pour détecter les écrans faciaux, les blouses, les gants et autres EPI dans des environnements à haut risque ou à forte circulation comme les hôpitaux et les aéroports.

http://www.flir.com/