Production · Vision par ordinateur
Détection d’incidents en temps réel sur flux vidéo
Des flux caméra à ~30 fps classés en 5 types d’incidents, avec une logique de confirmation pour qu’une image ambiguë ne déclenche jamais d’alarme.
- ~30 fpsflux en direct
- 5types d’incidents
- 3 sfenêtre de confirmation
Architecture
- 01Cameradirect ~30 fps
- 02OpenCVtraitement d’images
- 03Classifiermodèle fine-tuné
- 04Confirm3 s + score
- 05Alertopérateur notifié
Contexte
Nextronic conçoit des systèmes de vidéosurveillance intelligente. Les opérateurs ne peuvent pas surveiller chaque caméra : le système doit le faire pour eux — et ne les alerter que quand c’est utile.
Le défi
Classer des incidents comme un incendie ou une intrusion sur des flux en direct assez vite pour être utile, sans noyer les opérateurs sous les fausses alertes causées par une seule image ambiguë.
Ce que j’ai construit
- Un pipeline temps réel qui lit des flux caméra en direct à ~30 fps avec OpenCV.
- Un jeu de données d’entraînement constitué à partir de Kaggle et d’un scraping ciblé par type d’incident.
- Un modèle pré-entraîné Hugging Face fine-tuné pour classer 5 types d’incidents.
- Une logique de confirmation : l’alerte ne part que si la détection persiste 3 secondes et dépasse un score de confiance.
Résultats
- 01Classification en direct de 5 types d’incidents.
- 02Des alertes uniquement sur détection confirmée, pas sur le bruit d’une image.
- 03Un pipeline de données extensible à de nouveaux types d’incidents.
Stack
- Python
- OpenCV
- TensorFlow
- Hugging Face
- NumPy
Un problème similaire ?
Parlons-en — que vous recrutiez ou que vous cherchiez un freelance.