Intelligence artificielle d'analyse d'image

Introduction

L’analyse d’image peut s’avérer utile pour en extraire les informations suivantes :

  • Qu’est-ce qui s’y trouve ;
  • En quelle quantité ;
  • Ou cela se situe ;

Cependant, répondre aux trois critères ci-dessus peut s’avérer être une tache ardue. L’analyse appliquée sur des images RGB de grandes résolutions (2592 × 1944) implique souvent des calculs gourmands en ressources matérielles.

Cette tache est d’autant plus ardue lorsque l’on souhaite faire fonctionner notre solution d’analyse d’image dans un contexte complètement embarquée (sans déporter la puissance de calcul sur un cloud).

Technologie d’IA récente

Une bonne architecture de réseau de neurones combiné avec des méthodes d’apprentissage avancées peut faire une énorme différence sur les performances finale.

Il est donc logique d’opter pour les architectures les plus récentes prenants en compte les dernières avancées majeurs effectuées dans le domaine du machine learning.

Les récentes avancées dans le domaine de l’analyse d’image nous ont permis de rendre possible une analyse d’image répondant aux critères précédents dans un contexte embarqués.

L’architecture d’IA que nous avons mise en place a une consommation de ressource moindre. On s’approche de l’état de l’art en terme de précision/rappel ce qui nous donne de bonne performance en pratique.

Par exemple, cela nous permet de localiser et dénombrer les fruits sur une plante à partir de la prise d’image d’une camera RGB.

Dans l’image ci-dessus, une image RGB est passée au réseau de neurones. Ce dernier renvoi une carte complète des objets qu’il a détecté (position et type).

Concrètement, la Brain Board peut exécuter notre IA. Dans ces conditions, effectuer une analyse prend ~20 secondes sur une image RGB de 2592 × 1944 sans pré-traitements.

Bien sûr, sur d’autres systèmes plus puissants, on peut atteindre le temps réel avec notre architecture d’IA.