Singapour a amélioré l'IA qu'elle utilise pour détecter les fumeurs qui s'allument dans les nombreux endroits où cette pratique est interdite dans toute la nation insulaire, afin d'aider les forces de l'ordre locales à réprimer plus efficacement les contrevenants.

L'IA s'appelle Balefire, et comme récemment expliqué par Pye Sone Kyaw – ingénieur en IA à l'agence de transformation numérique GovTech de Singapour – il a déjà atteint la version 3.0.

« L'objectif principal de Balefire… est d'aider la NEA [l'Agence nationale pour l'environnement] à détecter les fumeurs dans les lieux interdits de fumer », a-t-il écrit. La NEA a aidé listes ces endroits interdits : la plupart des zones intérieures, les parcs, les établissements d'enseignement, les piscines et même les ponts piétonniers. Des amendes de 200 dollars singapouriens (148 dollars) peuvent être imposées pour avoir fumé au mauvais endroit, et une condamnation peut entraîner une amende cinq fois supérieure à cette somme.

Les versions précédentes de Balefire étaient considérées comme des démonstrations de validation de principe. La version 3.0 est considérée comme un « pilote étendu » qui fonctionne sur 20 sites.

Kyaw se plaint du fait qu'il n'est pas facile de repérer les cigarettes : elles sont petites et faciles à confondre avec d'autres objets. Il a mentionné « les pailles, les bords brillants des téléphones, les doigts positionnés d'une certaine manière et même certains types d'aliments » comme des objets que les systèmes de vision par ordinateur s'appuyant sur des caméras extérieures peuvent identifier à tort comme un bâton de cancer.

Il a essayé de détecter de la fumée ou le bout lumineux d'une cigarette, mais ses efforts ont échoué car ils produisaient trop d'erreurs. Il en a été de même pour « regarder la personne dans son ensemble, par exemple à travers l’estimation de la pose ».

Ces échecs ont amené Kyaw à conclure « qu’un modèle de détection de bout en bout n’est pas réalisable, en particulier dans un contexte d’IA de pointe avec ses limites de calcul inhérentes et ses tailles de modèle relativement petites, associées à la nécessité d’une détection quasi instantanée ».

Il a recherché des systèmes disponibles dans le commerce qui pourraient améliorer Balefire, mais n'en a trouvé aucun qui réponde au besoin de la NEA d'un système capable d'identifier autant de fumeurs que possible sur toute la durée du champ de vision d'une caméra et ce, presque. instantanément.

GovTech a donc construit son propre pipeline de traitement personnalisé, écrit par Kyaw. Il comprend les cinq étapes suivantes :

1. Détection et traitement des têtes : Le pipeline démarre avec les images de caméra introduites dans un détecteur de tête, qui identifie les coordonnées de toutes les têtes dans l'image.
2. Filtrage heuristique : Après détection, ces têtes sont soumises à une série de filtres heuristiques conçus pour éliminer les têtes erronées potentielles. Ces filtres sont le produit d’apprentissages accumulés et d’analyses détaillées des données de déploiement.
3. Suivi de la tête : Un outil de suivi d'objets suit ensuite les têtes détectées à travers des images successives, les reliant autant que possible aux têtes détectées précédemment. Cela garantit que, pour les fumeurs identifiés, des alertes répétées ne soient pas déclenchées à chaque fois qu'ils sont reconnus dans une nouvelle trame.
4. Classification fumée/non-fumée : Les têtes non classées auparavant comme appartenant à des fumeurs sont ensuite traitées via un classificateur de têtes binaire. Ce classificateur détermine si l'individu fume ou non.
5. Module de réidentification : Si le classificateur indique une activité tabagique, un module de réidentification tente de comparer le fumeur détecté à une liste de surveillance de fumeurs récents. S’il n’y a pas de réidentification, une alerte est déclenchée. La liste de surveillance est mise à jour avec la dernière apparition du fumeur et d'autres informations pertinentes.

La version 3.0 utilise plusieurs modèles qui s'appuient sur des images capturées à partir des itérations actuelles et passées de Balefire.

"En termes simples, nous avons utilisé nos modèles existants pour annoter les nouvelles données pour nous et corriger toutes les erreurs de ce processus", a écrit Kyaw. « Nous avons ajouté de manière itérative des profils spécifiques d'images dans lesquels les modèles existants étaient sujets aux erreurs, comme les personnes portant des casques ou les personnes qui mangent ou boivent. Cela a contribué à améliorer considérablement les performances des modèles au cours du projet.

Le nouveau système devrait non seulement détecter davantage de fumeurs, mais également éviter les faux positifs – pour « aider la NEA à optimiser l’affectation des agents chargés de l’application de la loi à ces points chauds identifiés ».

En d’autres termes, Balefire vise à garantir que lorsque la NEA s’en prend aux fumeurs, ses efforts ne soient pas réduits à néant. ®

• Contenu propulsé par le référencement et distribution de relations publiques. Soyez amplifié aujourd'hui.
• PlatoData.Network Ai générative verticale. Autonomisez-vous. Accéder ici.
• PlatoAiStream. Intelligence Web3. Connaissance Amplifiée. Accéder ici.
• PlatonESG. Carbone, Technologie propre, Énergie, Environnement, Solaire, La gestion des déchets. Accéder ici.
• PlatoHealth. Veille biotechnologique et essais cliniques. Accéder ici.
• La source: https://go.theregister.com/feed/www.theregister.com/2024/03/28/singapore_balefire_smoking_detection_ai/