Soutenance mémoire
Télécharger le fichier pdf d’un mémoire de fin d’études
Le réseau de capteurs et équipements existant
La plateforme est essentiellement constituée d’un réseau (figure 2.1) de capteurs permettant de collecter des données (pH, température, pluie, radiation solaire, conductivité électrique, pouvoir oxydant-réducteur …), d’un dispositif qui sert de passerelle pour les données brutes et d’une base de données MySQL qui permet de les enregistrer sous plusieurs formats (excel, csv…).
➢ Le réseau de capteurs
➢ la passerelle des données, montré par la figure 1.3 s’appelle Meshlium. C’est une passerelle qui reçoit les données envoyées par le kit de mesure qui se trouve au niveau du jardin botanique de l’UCAD. Le dispositif de réception est placé au-dessus du centre de calcul de l’UCAD représenté par la figure 2.2 [15].
➢ Le système d’acquisition est composé d’un microcontrôleur arduino ATméga, des capteurs et le module de communication. Tous les éléments du système sont rassemblés dans un boitier. Ce dernier présente des interfaces de type BNC et RJ11 où sont branchés les capteurs. L’ensemble du système est représenté par les figures2.3 et figure 2.4.
La collecte de données dépend de la manière dont les capteurs sont implémentés. Par exemple pour récupérer les valeurs de la température, du pH, de la conductivité électrique et le pouvoir oxydant réducteur nous avons besoin de les mettre en contact direct avec l’eau. Par contre pour les autres variables telles que vent radiation solaire ou humidité, les capteurs sont placés à l’air libre et sont renfermés dans le boitier.
La fusion de données multi capteurs
On suppose disposer d’un ensemble de sources d’informations éventuellement de types différents, fournissant un renseignement sur la valeur d’un paramètre permettant de faire la description d’une situation. L’objectif est de trouver les valeurs les plus plausibles du paramètre, ou la description la plus crédible de la situation, en tentant d’éliminer les informations erronées, et en restant fidèle à l’information disponible. A titre d’exemple, il nous est possible de fusionner des nombres, des intervalles, des formules logiques, des distributions d’incertitudes, des informations linguistiques,… C’est une technique permettant de regrouper des informations homogènes ou hétérogène et issues de plusieurs sources (capteurs ou autres sources d’informations). Elle vise à établir l’association, la combinaison, l’intégration et le mélange de données et repose sur 4 étapes [2].
➢ La modélisation c’est la première étape de la fusion. Elle consiste à définir un formalisme de fusion puis présenter les informations à traiter comme dans notre contexte nous avons des capteurs qui fournissent des données erronées (PH, Température, radiation solaire…). Cette étape est déterminante pour la suite.
➢ L’estimation cette phase est très délicate et a impact majeur sur le résultat de la fusion. Sa finalité est la représentation de chaque élément d’information par un nombre. Il s’agit par exemple de déterminer les jeux de masses dans la théorie des croyances.
➢ La combinaison cette tâche présente la fusion proprement dit. Elle consiste à choisir un opérateur pour combiner et regrouper les informations données. Des informations supplémentaires peuvent entrer en jeu pour guider le choix de l’opérateur de combinaison. En effet le choix de l’opérateur est une tâche assez délicate dans certains problèmes.
➢ La décision c’est la dernière phase du processus de fusion. Elle consiste à choisir une décision parmi les décisions possibles sur les attributs combinées.
Les avis d’experts constituent une source d’information indispensable dans plusieurs problèmes de fusion [22, 27]. Ainsi, la fusion multi-sources exploite cette diversité et la complémentarité entre les différentes sources afin d’améliorer le résultat final. Il faut mentionner que les informations acquises des différentes sources utilisées dans la fusion doivent être prises dans des intervalles de temps relativement étroits pour considérer seulement les informations indépendamment du facteur temps.
Une nécessité
La fusion de données est aussi importante d’un point de vu fondamental que d’un point de vu applicatif. La figure 2.5 est une illustration de la fusion de donnée multi capteurs dans le sens où elle met en relief ses différents champs d’applications (fusion d’images satellites ou médicales), le contrôle et le monitoring de processus, l’extraction de connaissances dans de grandes banques de données, etc… Les approches ont une large considération grâce à l’utilisation de nombreux capteurs destinés à la contextualisation des données à travers un raisonnement symbolique [2]. L’utilisation optimale selon [5] en est un but précis dans la mesure où elle permet de prendre une décision qui permet de faire: un diagnostic, une interprétation d’un signal ou d’une scène, une planification d’actions etc… Ainsi, les systèmes en question souhaiteraient toujours aboutir à une prise de décision en se basant sur un mécanisme capable de modéliser, de fusionner et d’interpréter les informations disponibles. Les données fusionnées reflètent non seulement l’information générée par chaque source de données, mais encore l’information qui n’aurait pu être inférée par aucune des sources prises séparément.
Champs d’applications
La fusion de données multi capteurs chez l’être humain
La figure 2.6 montre les différentes perceptions de l’information par du cerveau à travers son réseau de capteurs inné ou naturels et qui ne sont que les organes sensoriels [4]. Par exemple, les êtres humains peuvent combiner les perceptions des différents sens pour construire une image mentale unifiée de l’environnement [4].
Dans le domaine militaire
Historiquement, les premières techniques de fusion de données ont été développées dans le cadre d’applications militaires [5]. Dans ce domaine, nous pouvons citer des cas pratiques illustrés par la figure 2.7 tels que la détection et le suivi d’intrus, la surveillance de champs de bataille, le guidage des tirs de missile ou la détection de mines. Différents niveaux d’échelle physique et, plus important encore, des niveaux de conflits sont mis en évidence dans la plupart du temps. Ces applications vont de combat air-air sur quelques miles à la défense stratégique mondiale contre missiles balistiques nucléaires [19].
Ces applications relèvent toutes du titre général de commandement, contrôle, communication et renseignement. L’étendue des demandes de guerre tactique et stratégique peut être illustrée par la liste suivante :
➢ armement autonome utilisant plusieurs capteurs,
➢ systèmes de surveillance à grande échelle utilisant des plates-formes d’armes uniques ou des réseaux de capteurs distribués.
Applications de la fusion de données dans le domaine trafic
Depuis que l’usage de la fusion de données multi capteurs s’est largement répandu dans de nombreux domaines, elle a facilité l’avènement du trafic intelligent d’après ce qui permit de réduire les risques de perte en vie humaine [6].
La figure 2.8 est une illustration d’une combinaison de système de positionnement global différentiel et de capteurs inertiels est utilisée pour déterminer la position globale, la vitesse et l’accélération du véhicule dans directions. Le capteur de vision stéréo reconnaît et suit les marques de voie. Il calcule simultanément la géométrie dimensionnelle de la voie et position du véhicule par rapport à la voie. Les capteurs du véhicule mesurent la vitesse de l’axe arrière du véhicule ainsi que l’angle de braquage. De plus, les capteurs de détection d’objets décrits ci-dessus fournissent également indirectement des informations sur l’état du véhicule, car la majorité des objets détectés sont en général statiques. Informations sur le mouvement de ces objets par rapport à le véhicule contient donc indirectement des informations sur mouvement du véhicule lui-même. Cette fonction est utilisée par la méthode d’estimation des états du véhicule proposée à Section [20].
Détection d’incendie par fusion de données multi capteurs
Des activités de recherche antérieures sur la détection et la surveillance des incendies ont été menées. La plupart d’entre eux utilisent la température et capteurs d’humidité, détecteurs de fumée et caméras infrarouges [19].
Dans le cas de la détection d’incendie, il faut des mesures précises à partir des capteurs intérieurs qui sont déployés dans la zone comme l’indique la figure 2.6 ou de capteurs extérieurs qui surveillent la même zone à distance [24, 25]. Les catégories de capteurs peuvent être combinées selon leur densité et le niveau de fusion, l’amélioration de la fiabilité du système détection d’incendie. Dans le premier niveau de fusion (fusion de données multi capteurs), on adopte la somme des techniques cumulées pour fusionner les données des capteurs qui sont sur le terrain et attribuer une probabilité d’occurrence d’un incendie pour chacun d’eux [25]. Au deuxième niveau fusion (fusion d’informations), valeurs de probabilité d’événements d’incendie du premier niveau sont combinés par le biais de la théorie des preuves (Dempster – Shafer) avec des valeurs de probabilité d’événements de feu provenant du capteur de vision. L’adoption d’un tel régime présente l’avantage de détection précoce des incendies tout en réduisant le taux de fausses alarmes [24].
Fusion de données multi capteurs appliquée à la santé
Aujourd’hui, le diagnostic et classification des maladies se font à partir des capteurs implantés sur le patient. Cependant, les signaux remontés par les capteurs peuvent être vulnérables face aux bruits ou interférences incertains et en raison de les variations de sensibilité à différents capteurs [26].
L’approche proposée a été évaluée pour classer Personnes stressées ou détendues utilisant la fusion de données de capteurs. Signaux des capteurs physiologiques, c.-à-d. Fréquence cardiaque, température des doigts, fréquence respiratoire, dioxyde de carbone (CO2) et la saturation en dioxygène (O2) sont collectées pendant la phase de collecte des données. Ici, la fusion a été effectuée de deux manières différentes: fusion au niveau décisionnel à l’aide de fonctionnalités extraite par des approches traditionnelles; et fusion au niveau des données en utilisant des fonctionnalités extraites au moyen de l’entropie multivariée ou multi échelle. Le raisonnement basé sur les cas est appliqué pour la classification des signaux. Le résultat expérimental montre que le système proposé pourrait classer avec précision 87,5% des individus stressés ou détendus comparé à un expert du domaine. Ainsi, il montre un résultat prometteur dans le domaine psychophysiologique et pourrait être possible d’adapter cette approche à d’autres systèmes de santé pertinents.
Les opportunités de la fusion de données
La fusion de données a joué un rôle remarquable dans l’internet des objets connectés [10]:
➢ elle a favorisé l’obtention d’informations fiables venant de sources intelligentes,
➢ malgré le grand nombre de données généré par les capteurs nous n’avons pas de faire des interventions assez fréquentes concernant la consommation d’énergie des capteurs,
➢ la fusion de données dans sa globalité essaie d’enlever les données compliquant les vraies estimations.
Les défis de la fusion de données
La donnée est souvent représentée dans son contexte sous formes d’information que l’une des méthodes de fusion doit gérer. Ce contexte peut se présenter sous forme objective, subjective, symbolique ou numérique.
La figure 2.13 est une illustration de l’ensemble des imperfections qui font face à la fusion de données multi capteurs. Dans la plupart du temps, elles sont liées à l’architecture de fusion de données déployée. Le cas de la fusion de haut niveau demeure plus complexe car s’il existe dans une même zone d’étude des capteurs qui fournissent les mêmes types de données, alors les imperfections seront très denses. La connaissance des imperfections inhérentes aux données semble être nécessaire afin de détecter les données erronées et diminuer l’effet de celles-ci sur le résultat final lors de la fusion. Dans [6], plusieurs critères de qualité peuvent être appliqués à l’information comme la précision, la qualité et l’utilisabilité.
Incomplétude
L’incomplétude traduit le manque d’information. Parmi les méthodes existantes permettant de traiter le problème de l’incomplétude, on retrouve des approches élaborées à partir de la logique non classique telle que la logique des suppositions [35]. Lorsque des lois peuvent être exprimées mais pour lesquelles il existe des exceptions, on a alors recours à des logiques non monotones, comme la logique des défauts. On peut aussi avoir recours à la théorie des possibilités, ou aux ensembles flous, pour traiter des connaissances incertaines comme « rarement », « parfois », et pondérer les lois générales.
Ambiguïtés et incohérences
L’imprécision n’est pas le seul facteur responsable des incohérences. La plupart du temps l’environnement est responsable.
L’incertitude
Caractérise le degré de conformité à la réalité d’une information. Une information incertaine est décrite comme défaut qualitatif de l’information. L’ignorance correspond à une partielle incertitude ou totale de la connaissance.
Niveau de fusion
Différents niveaux de fusion ont été proposé dans la littérature. Ce qui est communément retenu, est une division en trois niveaux [33] celui des données (ou bas niveau), celui des caractéristiques (i.e. des paramètres extraits) (ou fusion de niveau intermédiaire) et celui des décisions (ou fusion de haut niveau).
➢ Fusion bas niveau : c’est la fusion des informations issues directement des capteurs. Donc les données sont proches des paramètres physiques mesurés, à titre d’exemple PH température dans le cas où la source est un bassin d’eau du jardin botanique. Les travaux suivants ont fait la fusion ponctuelle [30].
➢ Fusion moyen niveau : dans ce cas les informations à fusionner sont extraites des données provenant de la source. Elles peuvent être des attributs, des objets, des paramètres etc. Dans le cas où la source est une image on peut citer la fusion des segments, des paramètres de texture etc. [33]
➢ Fusion haut niveau : on parle de ce niveau de fusion lorsqu’on traite des attributs sémantiques extraits, genre des décisions. A titre d’exemple fusion des paramètres (température, radiation, PH etc.).
Modèles d’Architecture de fusion de données
L’architecture doit dépendre de l’application choisie et d’un point de vue performance, temps de calcul, tolérance aux fautes, évolutivité…
Une présentation de ces architectures est décrite dans ce paragraphe sur la base des définitions fournies par [9].
Architecture centralisée
Dans un système de fusion de données centralisé (figure 2.9), les capteurs sont directement reliés à une unité centrale qui les traites les données. Généralement, cette architecture est plus gourmande en bande passante mais elle profite de l’information globale du système [4]. A chaque instant, l’unité centrale doit disposer des informations globales, ce qui n’est pas toujours le cas. Les algorithmes de fusion centralisés nécessitent une grande bande passante d’un réseau pour envoyer les données brutes des capteurs ainsi qu’une puissance calculatoire importante. Le système est non évolutif et peu robuste du fait de la sensibilité aux défauts du processeur central. Conformément à notre plateforme qui ne dispose pas d’un grand nombre de capteurs, cette architecture pourra nous permettre de faire des traitements convenables au cas où nous souhaitions de l’implémenter car elle est moins couteuse.
Architecture hiérarchisée
L’augmentation de l’intelligence des noeuds de capteurs locaux se traduit naturellement par une structure hiérarchique de l’architecture de fusion. On peut distinguer les architectures hiérarchiques à un seul niveau (figure 2.10) où un seul processeur de fusion est mis en jeu.
Les éléments de niveau de traitement bas transmettent des informations vers le niveau haut, à travers les niveaux intermédiaires. Les informations sont combinées et raffinées, jusqu’à ce qu’au plus haut niveau une certaine vision globale de l’état du système soit mise à disposition. Cette architecture présente plusieurs avantages par rapport à l’architecture centralisée, surtout en ce qui concerne la réduction de charge au niveau de l’unité centrale et l’amélioration de la robustesse du système.
Architecture distribuée
Le passage à un système plus distribué est motivé par le désir de rendre le système plus modulaire et plus flexible, et par le fait que les architectures centralisée et hiérarchisées imposent parfois des coûts élevés en termes de communication et de calculs. Une architecture distribuée peut être considérée comme étant une architecture hiérarchisée à un seul niveau. Chaque capteur possède un processeur local qui permet d’extraire l’information utile. L’intérêt est à la fois de transmettre moins d’informations et de réduire la charge de calculs de l’unité centrale. Une technique qui porte le nom de « tableau noir » ou « blackboard » est constituée d’un nombre d’agents autonomes indépendants représentant une source de connaissance d’expert. Ces agents échangent de l’information à travers une ressource commune (le tableau noir). Chaque agent est capable d’écrire ou de lire une information de cette ressource. Bien que l’ajout ou l’exclusion d’un élément n’impose aucun changement sur l’architecture globale du système, l’utilisation d’une ressource commune n’implique la nécessité d’un certain type de contrôle central.
Architecture décentralisée
Un système décentralisé se compose d’un ensemble de capteurs dont chacun possède son propre processeur local et qui, ensemble, ne nécessitent aucune fusion centrale. La fusion se produit au niveau de chaque noeud sur la base d’observations locales et de l’information communiquée par les noeuds voisins. Aucune unité centrale n’est mise en place (figure 2.12). Cette architecture est proposée par Durrant-Whyte [16] et elle est basée sur le filtre informationnel.
Un système de fusion décentralisé est plus souple du fait que les données capteurs ne se véhiculent pas à un centre de fusion. De même, le système est évolutif. En effet, l’ajout d’un noeud ou l’élimination d’un capteur défaillant n’aura aucun impact sur la structure. De plus, ce système est robuste aux défauts et continue à fournir une estimation en présence des capteurs défaillants. Néanmoins, la mise en oeuvre de cette architecture est délicate : une coordination complexe et importante doit être assurée entre les différents noeuds.
Synthèse et précision de l’information
La fusion d’informations partiellement redondantes induit naturellement une synthèse dans la mesure où le traitement réduit la quantité de données. Idéalement, la fusion ambitionne de ne pas générer de pertes d’informations utiles selon [14]. Aussi, le terme synthèse a-t-il été préféré à celui de compression. L’objectif poursuivi par la synthèse est de produire un état plus précis que chacune des détections isolées. Il ne s’agit donc pas seulement d’une suppression des redondances mais aussi d’une optimisation par recoupement d’informations.
Nature de l’information
Selon la théorie de probabilité l’information se présente sous deux formes : univers continu et univers discret. Nous allons nous fixer nos idées sur notre cas d’étude au lieu de parler de probabilité dans sa globalité.
➢ Univers continu : si on parle de variable aléatoire continu c’est parce qu’il y a une incertitude sur la quantité d’information que nous devons traiter à tout instant. Par exemple connaitre les valeurs des différentes variables (pH, température, pouvoir oxydant réducteur, conductivité électrique…) à traiter reste un suspense.
➢ Univers discret : contrairement à l’univers continu, l’univers discret permet de dénombrer le nombre d’information que nous devons traiter à l’instant t avec une précision. Nous n’avons pas à notre disposition tous les éléments nécessaires pour notre implémentation, nous pouvons restreindre les informations de notre cas d’études sur un univers discret.
|
Table des matières
Liste de abréviations
Chapitre 1 : Introduction générale
Introduction
1.1 Contexte
1.2 Problématique
1.3 Objectifs
Conclusion
Chapitre 2 : Etat de l’art
Introduction
2.1 Le réseau de capteurs et équipements existant
2.2 La fusion de données multi capteurs
2.2.1 Une nécessité
2.2.1 Champs d’applications
2.2.1.1 La fusion de données multi capteurs chez l’être humain
2.2.1.2 Dans le domaine militaire
2.2.1.3 Applications de la fusion de données dans le domaine trafic
2.2.1.4 Application de la fusion de données multi capteurs dans le domaine aéronautique
2.2.1.5 Détection d’incendie par fusion de données multi capteurs
2.2.1.6 Fusion de données multi capteurs appliquée à la santé
2.2.2 Les opportunités de la fusion de données
2.2.3 Les défis de la fusion de données
2.2.3.1 Incertitude
2.2.3.2 Imprécision
2.2.3.3 Incomplétude
2.2.3.4 Ambiguïtés et incohérences
2.2.3.5 L’incertitude
2.2.4 Niveau de fusion
2.2.5 Modèles d’Architecture de fusion de données
2.2.5.1 Architecture centralisée
2.2.5.2 Architecture hiérarchisée
2.2.5.3 Architecture distribuée
2.2.5.4 Architecture décentralisée
2.2.6 Synthèse et précision de l’information
2.2.7 Nature de l’information
2.2.8 Motivations sur les techniques de fusions de données
2.2.9 Les approches de la fusion de données multi capteurs
2.2.10 Processus de fusion
2.2.11 Situation de notre problème face aux paramètres liés aux anomalies
2.2.12 Choix des techniques de fusion de données
Conclusion
Chapitre 3 : Mise en oeuvre
Introduction
3.1 Etapes de mise en oeuvre
3.1.1 Collecte de données
3.1.2 Outils de mise en oeuvre.
3.1.2.1 choix du langage de programmation
3.1.2.1 Présentation du langage python
3.1.2 Présentation des données
3.1.2.1 Modèles de données de références
3.1.2.2 Paramètres sur les données récupérées
3.2 Filtre de Kalman
3.2.1 Généralité
3.2.2 Etapes du filtre de Kalman
3.2.3 Modèle de traitement du filtre de kalman
3.2.4 Phase de traitement
Conclusion
Chapitre 4 : Evaluation
Introduction
4.1 Présentation des résultats
4.1.1 Résultats de la température
4.1.1.1 Température sur 1000 itérations
4.1.1.2 Température sur 2000 itérations
4.1.2 Résultats du Ph
4.1.2.1 pH sur 1000 itérations
4.1.2.2 pH sur 2000 itérations
4.1.3 Résultats du pouvoir oxydant réducteur
4.1.4 Résultats de la conductivité électrique
4.1.4.1 Résultats sur 1000 itérations
4.1.4.2 Résultats sur 2000 itérations
Conclusion
Chapitre 5 : Conclusion générale et perspectives
Bibliographie
Webographie
Télécharger le rapport complet
