Auteur

Image

Simone Gayed a déclaré

Ingénieur en apprentissage automatique, Artefact Benelux

Lisez notre article sur

.

En tant que Artefact, nous avons à cœur d'avoir un impact positif sur les personnes, l'environnement et la communauté. C'est pourquoi nous nous engageons à travailler en partenariat avec des organisations à but non lucratif qui font de ces valeurs les fondements de leur vision.
C'est pourquoi nous avons collaboré avec Smart Parks, une entreprise néerlandaise qui fournit des solutions de capteurs avancées pour préserver les espèces sauvages menacées et gérer efficacement les zones de parcs grâce à une technologie de pointe.

Dans cette série d'articles, nous décrivons notre parcours dans la conception et la construction d'un système de ML pour utiliser les médias des pièges photographiques de Smart Parks. En particulier, l'objectif du projet est d'utiliser une approche de ML pour ingérer les data provenant des pièges à caméra et fournir ensuite des informations, telles que la présence de personnes ou de types spécifiques d'animaux dans les images ou les vidéos capturées par les caméras. Ces informations sont ensuite utilisées par les gardes du parc pour mieux protéger la faune et détecter plus rapidement d'éventuels dangers tels que les braconniers.

Introduction

Parcs intelligents avait besoin d'un système de surveillance de la faune capable d'accomplir les tâches suivantes :

  • Intégrez les médias (images et/ou vidéos) provenant des pièges photographiques en un seul endroit.

  • Détecter automatiquement la présence d'êtres humains et d'animaux dans les médias

  • Accédez aux prévisions dans Earth Rangers, une application utilisée pour gérer les parcs et leur faune.

  • Surveillez les médias provenant des pièges à caméra

Notre principe directeur était de privilégier la rapidité. Ainsi, lorsque nous avons démarré, notre priorité absolue était de déployer le plus rapidement possible un produit de bout en bout, à l'état brut mais pleinement opérationnel.

Cet article sera le premier d'une longue série et il se concentrera sur le contexte du projet, la vue d'ensemble du système conçu et les avantages de notre solution basée sur le cloud. Dans les prochains articles, nous étudierons plus en détail la manière de connecter les pièges à caméra au système cloud. Google Cloud Platform et des points d'extrémité externes à l'aide d'un outil appelé Node-RED et comment concevoir une application web simple à l'aide de Éclairé par la lumière du jour pour gérer les pièges photographiques placés dans les parcs.

Commençons !

Caméras piégées

Avant d'entrer dans le vif du sujet, examinons rapidement ce que sont les pièges photographiques et comment ils peuvent être utilisés pour soutenir la protection et la conservation des animaux.

Les pièges photographiques sont des dispositifs dotés de capteurs intégrés qui permettent de prendre immédiatement une photo ou une vidéo lorsqu'une activité est détectée devant eux. Ils permettent aux gardes forestiers et aux biologistes de la faune de voir nos congénères sans interférer avec leur comportement normal.

Parcourir les parcs et recueillir des informations est une technique valable, mais il s'agit d'un processus coûteux, à forte intensité de main-d'œuvre et de personnel. En outre, il existe un risque de rencontrer des animaux sauvages dangereux ou, pire encore, des braconniers.

Bien que les différentes techniques de collecte de la data s'accompagnent de différents compromis, les pièges photographiques constituent une excellente source. Le grand avantage des pièges photographiques est qu'ils fonctionnent continuellement et silencieusement et qu'ils peuvent enregistrer des data très précises sans déranger le sujet photographié. Ils peuvent être utiles à la fois pour surveiller subrepticement d'éventuelles activités illicites et pour quantifier le nombre d'espèces différentes dans une zone et déterminer leur comportement et leurs schémas d'activité.

Google Cloud Platform

Pour le stockage et la gestion des médias des caméras piégées, nous avons choisi d'utiliser une solution basée sur cloud, plus particulièrement Google Cloud Platform.

Google propose des solutions de stockage telles que Stockage dans le nuage de Google, Le stockage d'objets avec mise en cache intégrée pour le stockage de données non structurées data, les solutions de calcul telles que Fonctions en nuage, Il offre également des API utiles en matière d'intelligence artificielle, par exemple :

Le fait d'avoir tous ces composants dans un seul environnement unifié était la solution idéale pour nous et nous a permis de fournir une solution opérationnelle en peu de temps.

Le déroulement des opérations

Tout d'abord, les médias sont téléchargés dans une base de données Google Cloud Storage. Nous verrons comment cela se passe exactement dans le deuxième article de cette série. Le panier est organisé en dossiers, un pour chaque caméra. Une fois qu'un fichier est téléchargé, une fonction Google Cloud est immédiatement déclenchée, cette fonction s'occupe des tâches suivantes :

  • Lire les médias téléchargés

  • Appelez l'API Cloud Vision ou Cloud Video Intelligence pour récupérer les prédictions.

  • Archivez les réponses de l'API dans un autre Cloud Storage Bucket.

  • Envoyer les prédictions à un point de terminaison en dehors du GCP

Cette architecture présente de multiples avantages :

  • Scalabilité: Grâce à l'utilisation de fonctions cloud, la solution est capable d'évoluer automatiquement en fonction du nombre de demandes (c'est-à-dire le nombre de médias téléchargés simultanément dans le panier de stockage cloud d'entrée).

  • Bon marché et durable Stockage: Le stockage d'objets non structurés dans Google Cloud Storage est assez peu coûteux (seulement $0,026 par Go-mois pour le niveau de stockage standard) et offre en outre la meilleure durabilité d'objets de sa catégorie sur une année donnée.

  • Automatisation: L'utilisation conjointe de tous ces services nous permet d'avoir un pipeline entièrement automatisé, sans aucune intervention humaine. De l'ingestion de data à la récupération des prédictions, tout s'exécute automatiquement dès qu'un nouveau média est téléchargé.

API de vision dans le nuage et d'intelligence vidéo dans le nuage

L'utilisation de l'apprentissage automatique, et plus précisément de la vision par ordinateur, pour identifier automatiquement des personnes et des animaux dans des images ou des vidéos a connu des avancées significatives au cours des dernières années et est aujourd'hui largement considérée comme un “changement de jeu” par les chercheurs en faune et flore. Concentrons-nous sur les API utilisées.

Vision API et API d'intelligence vidéo offrent de puissants modèles d'apprentissage automatique pré-entraînés par le biais d'API REST et RPC. La première est destinée à travailler avec des images, tandis que la seconde, comme son nom l'indique, travaille avec des vidéos. Tous deux sont capables de reconnaître automatiquement un grand nombre d'objets, de lieux et d'actions.

Pour ce projet, nous nous sommes principalement concentrés sur ces trois fonctionnalités fournies par les API :

  • Détection des étiquettes: Avoir une idée des entités (par exemple, les animaux, les personnes, les véhicules) présentes dans les médias. Sur cette base, il serait possible de créer des règles qui déclenchent une alarme en présence d'un ensemble spécifique d'entités.

  • Détection/suivi d'objets: Pour avoir une idée plus précise de l'emplacement des animaux/personnes détectés dans les médias. Contrairement au cas de la détection d'étiquettes, nous obtenons également les annotations des cases des détections.

  • Détection des visages/personnes: Avoir plus d'informations sur les personnes détectées, par exemple, comprendre leurs émotions ou extraire leurs vêtements. Ces informations supplémentaires pourraient ensuite être utilisées pour distinguer les braconniers des personnes normales.

Vous pouvez jouer avec l'API Vision en téléchargeant simplement votre image sur ici.

Le chemin à suivre

Le chemin parcouru jusqu'à présent est une base pour le chemin passionnant et plein d'impact qui nous attend. Grâce aux outils de base mis en place dans un avenir proche, nous serons en mesure de créer beaucoup de valeur, non seulement pour les parcs intelligents, mais aussi pour la conservation de la faune et de la flore, et au-delà !

Les prochaines étapes porteront sur ces grands domaines de travail :

  • Expérimentation de modèles: Jusqu'à présent, nous n'avons expérimenté que des API ou des modèles pré-entraînés, mais à l'avenir, il serait intéressant de constituer un ensemble d'images/vidéos collectées par les pièges photographiques. Étiquetez-les, manuellement ou en utilisant le système que nous venons de présenter, puis utilisez-les pour entraîner des modèles de vision par ordinateur personnalisés afin d'obtenir une meilleure précision.

  • Cas d'utilisation mise en œuvre: Le fait d'avoir déjà une solution entièrement automatisée nous permettra de nous concentrer davantage sur le développement de cas d'utilisation ciblés, c'est-à-dire de réfléchir à la manière d'exploiter les informations récupérées pour avoir un impact et aider les gardes forestiers et tous les bénévoles à protéger la faune et la flore des parcs.

  • Edge AI: Pour l'instant, la vitesse d'exécution de notre boucle de prédiction est satisfaisante pour notre cas d'utilisation (quelques minutes). Nous avons encore des points à améliorer pour nous rapprocher d'une solution en temps réel. L'Edge AI, avec un modèle déployé et fonctionnant plus près du matériel du piège à caméra, est une option qui permettrait d'éviter les allers-retours vers le cloud.

Dans ce premier article, nous avons expliqué comment nous avons construit notre pipeline évolutif entièrement automatisé dans Google Cloud, qui nous permet d'ingérer des médias et d'utiliser des API d'apprentissage automatique pour en extraire des informations. Il s'agit d'une base solide, facile et rapide à mettre en œuvre pour tout type de projet impliquant la consommation de médias et l'utilisation de l'apprentissage automatique pour en extraire des informations.

Merci de votre lecture et à bientôt dans le articles suivants de la série où nous expliquerons plus en détail comment l'architecture présentée est effectivement connectée aux pièges à caméra, et où nous passerons en revue l'application web conçue pour les gérer, alors restez à l'écoute !

Un grand merci à Maël Deschamps pour son aide dans la révision du contenu de ce billet, et à Tim van Dam de Smart Parks pour son soutien tout au long du projet. Vous êtes géniaux !

Moyen Blog par Artefact.

Cet article a été initialement publié sur Medium.com.
Suivez-nous sur notre Medium Blog !