Conception et réalisation d’un objet connecté

Conception d'un objet connecté

Ce document traite de la conception et de la réalisation d'objets connectés, en présentant plusieurs exemples concrets et les méthodes de détection utilisées. Les étudiants découvriront des projets variés, allant de l'analyse de la satisfaction client à des systèmes de sécurité, ainsi que les étapes de développement d'applications web pour ces objets.

Architecture d'un objet connecté

L'architecture d'un objet connecté comprend plusieurs composants essentiels :

• Base de données : Firebase, MongoDB, MySQL, etc.
• Broker MQTT : HiveMQ, Mosquitto, etc.
• Client MQTT pour la communication avec le broker.
• Lecture de flux caméra et détection d'objets.
• Terminal pour les commandes et l'affichage.

Cette architecture permet une communication efficace entre les différents composants de l'objet connecté.

Exemples d'objets connectés

Objet connecté pour analyser la satisfaction des clients

Ce projet vise à détecter l'âge et les émotions faciales des clients face à un nouveau produit. Les informations sont envoyées à un broker MQTT, puis à une application web pour analyse. L'utilisation de techniques de deep learning est essentielle pour la détection précise des émotions.

Objet connecté Anti-Covid

Ce système contrôle l'accès à des bâtiments en vérifiant si les personnes portent un masque. Si un masque est détecté, un moteur peut ouvrir la porte. Les données sur le nombre de personnes accédant au bâtiment sont envoyées via MQTT et affichées sur une application web.

Smart Locks

Ce projet consiste à créer un système de verrouillage intelligent qui autorise l'accès à un bâtiment uniquement aux personnes prédéfinies par reconnaissance faciale. Les informations sur les accès sont envoyées à une application web via un broker MQTT, permettant à l'utilisateur de valider ou non l'accès des personnes non autorisées.

Détection d'accidents

Ce système assiste les conducteurs en cas d'accident. Il détecte des vibrations anormales et la rotation anormale de la voiture, ainsi que la détection du visage du conducteur. Les informations personnelles et la localisation de l'accident sont envoyées à un serveur pour faciliter l'intervention des secours.

Système anti-chute dans une piscine

Ce projet vise à détecter la présence d'une personne dans une piscine supposée hors service. En cas de détection, une notification est envoyée à une application web et un buzzer est déclenché. L'utilisation de TensorFlow et de la méthode SSD MobileNet V2 est recommandée pour cette détection.

Étude théorique sur la détection d'objets

La détection d'objets et la reconnaissance par deep learning nécessitent plusieurs étapes :

• Préparation d'un dataset.
• Entraînement du modèle.
• Test du modèle.

Des outils comme Tiny YOLO, TensorFlow et SSD MobileNet V2 sont utilisés pour construire un modèle CNN de détection d'objets.

Phase 1 : Préparation du dataset

Cette phase inclut la collecte de données, la labellisation des images et la génération de fichiers XML, TFRecord et CSV. Les images doivent être collectées sous différents angles et conditions pour garantir une bonne performance du modèle. L'outil LabelImg est utilisé pour annoter les images et générer les fichiers nécessaires.

Phase 2 et 3 : Entraînement et test

Les fichiers TFRecord sont générés pour optimiser le temps d'entraînement. L'entraînement du modèle se fait via l'API de détection d'objets de TensorFlow, avec des hyperparamètres à configurer. Une fois le modèle entraîné, il doit être testé sur un dataset spécifique.

Création d'un broker MQTT

Pour la communication entre les objets connectés et les applications, un broker MQTT doit être créé sur le cloud. Les bibliothèques nécessaires, comme paho.mqtt.client, doivent être importées. Les informations collectées (identité du conducteur, état, etc.) sont sauvegardées dans une base de données telle que Firebase ou MongoDB.

Développement d'application web/mobile

Le développement d'une application mobile ou web ergonomique est crucial pour l'interaction avec l'objet connecté. Il est nécessaire de choisir un langage de programmation adapté, comme JavaScript ou Python, et de mettre en place un serveur web pour gérer les données collectées.

Points clés à retenir

• Compréhension de l'architecture des objets connectés.
• Exemples variés d'objets connectés et leurs applications.
• Étapes de préparation, d'entraînement et de test des modèles de détection d'objets.
• Importance de la création d'un broker MQTT pour la communication.
• Développement d'applications web et mobiles pour une interaction efficace.

Questions fréquentes

Qu'est-ce qu'un objet connecté ?

Un objet connecté est un dispositif qui peut communiquer avec d'autres appareils via Internet, permettant la collecte et l'échange de données.

Comment fonctionne la détection d'objets ?

La détection d'objets utilise des modèles de deep learning pour identifier et localiser des objets dans des images. Cela nécessite un entraînement sur un dataset annoté.

Quels sont les outils utilisés pour la détection d'objets ?

Des outils comme TensorFlow, Tiny YOLO et SSD MobileNet V2 sont couramment utilisés pour développer des modèles de détection d'objets.

Comment créer un broker MQTT ?

Un broker MQTT peut être créé sur le cloud en utilisant des bibliothèques comme paho.mqtt.client. Il est essentiel pour gérer la communication entre les objets connectés et les applications.

Quel langage de programmation choisir pour le développement d'applications ?

Le choix du langage dépend des besoins du projet. JavaScript et Python sont populaires pour le développement d'applications web et mobiles.