Le projet DAFI présente le développement et l’évaluation d’un outil de détection de départ de feu sur les sites industriels, en utilisant la modalité sonore. Cette proposition apporte une réponse d’ordre opérationnelle et technologique au contrôle des risques sur les sites industriels.

L'objectif est de développer une solution innovante, en utilisant les informations sonores liées à un environnement industriel, une solution opérationnelle, en employant une infrastructure déjà éprouvée sur des sites industriels, et enfin une solution complète en associant capteurs connectés et fondamentaux de l’intelligence artificielle que sont les concepts du Machine Learning et plus récemment du Deep Learning.

Basé sur l’état de l’art de la reconnaissance automatique de motifs sonore, les développements algorithmiques auront pour but de modéliser statistiquement l’environnement sonore industriel dit « normale », de modéliser des motifs pertinents liés des situations à risques et plus particulièrement de modéliser des motifs sonores relatifs à des départs de feu. Pour cela, un réseau de capteurs sera placé judicieusement dans un espace industriel dans le but d’enregistrer des données de l’environnement sonore et dans un second temps d’effectuer en toute sécurité des acquisitions sonores de départ de feu.

L’objectif final sera de disposer d’un système de détection de départ de feu pouvant être déployé sur un vaste ensemble de sites industriels, en particulier les grands sites type SEVESO, suivant d’éventuelles procédures d’adaptation en fonction des spécificités et des variabilités des environnements sonores.

Reconnaissance intelligente de comportements à risques dans un milieu ferroviaire embarqué. Fusion de données audio et vidéo.

A la SNCF, en 2017, plus de 56 000 faits sûreté ont été recensés dans les matériels roulants. Pour assurer la sûreté à bord de ses trains et gérer les incidents d’exploitation, la SNCF dispose d’un parc de 22 000 caméras de vidéo protection embarquées dans les matériels roulants. Ce grand nombre de caméras pose une question sur l’efficacité des opérateurs de supervision à surveiller ces trains en temps réel et de manière aléatoire. Il apparaît donc qu’une aide décisionnelle sur les rames à visualiser est primordiale dans leur mission. Ce travail a pour but d’appliquer des approches d’apprentissage profond, de traitement d’image et du son pour la détection fiable et en temps réel d’incidents et d’évènements anormaux. Il vise le développement d’une approche combinant deux flux, un audio et l’autre vidéo. L'objectif operationnel est de détecter de manière fiable un incident (acte de violence, acte d’incivilité ou d’agression, etc) en utilisant les techniques les plus fiables en deep learning, et surtout les plus adaptées à l’environnement ferroviaire embarqué. La validation de cette démarche sera réalisée à travers sa capacité à assurer la sûreté des voyageurs (détection d’événements violents à l'intérieur d’une rame en exploitation)

Contacts Université Gustave Eiffel

SODOYERDavid