L'apprentissage automatique (Machine Learning) peut changer fondamentalement notre façon de vivre et de fonctionner dans le monde. À la base, l'apprentissage automatique n'est qu'un moyen mathématique de prévoir des événements futurs à partir de données antérieures. Cependant, lorsqu'il est utilisé pour faire face aux grands défis, il peut ouvrir la voie à un avenir plus sûr et meilleur pour l'humanité.

L'apprentissage automatique est très prometteur dans le domaine de la préparation aux situations d'urgence. Ainsi, les chercheurs commencent à étudier des moyens de tirer parti de cette technologie pour prévoir les phénomènes d'urgence, tels que les situations météorologiques extrêmes, avec un délai suffisant pour les éviter complètement ou au moins en réduire l'impact.

Le Machine Learning offre une opportunité unique de détecter les feux de forêt, en particulier lorsqu'il est mis en œuvre à la périphérie (edge). Dans ce blog, nous discuterons des promesses offertes par cette technologie en matière de détection des incendies de forêt, des raisons pour lesquelles elle doit être déployée à la périphérie et de la façon dont nous avons pu utiliser Edge Impulse pour effectuer une validation de principe de cette technologie.

Feux de forêt et apprentissage automatique

Jusqu'à présent, l'un des problèmes les plus urgents auxquels l'humanité a été confrontée était de savoir comment s'adapter et réagir à des événements naturels apparemment spontanés tels que les ouragans, les tremblements de terre et les feux de forêt. En général, nous n'avons pas encore trouvé le moyen d'anticiper ces événements. Même si nous y parvenons, nous ne nous en rendons souvent compte qu'une fois qu'il est trop tard pour nous protéger.

Cela est particulièrement vrai pour les incendies de forêt : si nous en connaissons les conditions propices, leur déclenchement est souvent considéré comme un événement aléatoire. Nous sommes donc incapables de nous protéger contre la propagation et les dégâts des feux de forêt, entraînant la perte de vies humaines et animales ainsi que la destruction de forêts. Aujourd'hui, avec l'accélération du réchauffement de la planète et du changement climatique, la prévision des incendies de forêt et les mesures pour y faire face n'ont jamais été aussi importantes.

Les chercheurs ont commencé à étudier des moyens d'utiliser la technologie d'apprentissage automatique pour résoudre ce problème.

Les scientifiques savent depuis longtemps que certaines variables, comme la température et l'humidité de l'air et du sol, sont des indicateurs clés de la vulnérabilité d'une zone aux incendies de forêt. Cependant, il est difficile de mettre au point des modèles mathématiques capables de tenir compte de ces variables et de prévoir avec précision l'apparition d'incendies de forêt.

L'apprentissage automatique change la donne. En recueillant les données d'indicateurs clés et en les introduisant dans un modèle d'apprentissage automatique, il est possible de prévoir les incendies de forêt avec une grande précision. Grâce à ces connaissances, nous pouvons nous préparer aux incendies en évacuant les animaux et en retirant la biomasse inflammable d'une zone, ce qui réduit les dommages et la gravité des feux de forêt.

Informatique en périphérie (Edge Computing) et détection des feux de forêt

Dans la plupart des cas, les applications d'apprentissage automatique sont censées fonctionner dans le cloud, où de gros serveurs fournissent la puissance de traitement nécessaire pour effectuer les calculs. Cependant, dans le cas de la détection des feux de forêt, ces calculs doivent être déplacés à la périphérie pour plusieurs raisons clés.

Une application de détection des feux de forêt implique le déploiement d'un dispositif composé d'un certain nombre de capteurs environnementaux, par exemple pour l'humidité et la température. Des algorithmes d'apprentissage automatique sont ensuite exécutés à partir de ces données collectées. Dans ce schéma, nous avons deux options : envoyer les données au cloud pour qu'elles soient traitées ou les traiter en périphérie.

Dans ce contexte, le déploiement à distance de ces dispositifs constitue l'un des principaux défis du traitement dans le cloud. Ces dispositifs sont généralement déployés dans des endroits éloignés, par exemple au milieu d'une forêt, où des incendies peuvent se produire. Dans ces lieux isolés, la connectivité réseau est très limitée, ce qui rend difficile, voire impossible, la communication de toutes les données des capteurs vers le cloud pour leur traitement. En revanche, avec l'apprentissage automatique en périphérie, toutes les données et le traitement peuvent être conservés sur l'appareil local. La seule chose à communiquer au monde extérieur serait un avertissement dans les rares cas de probabilité d'un incendie.

La consommation d'énergie réduite constitue un autre avantage de l'informatique en périphérie. Dans la grande majorité des cas, un dispositif de détection déployé à distance sera alimenté par de petites batteries lithium-ion ou lithium-polymère. Dans ces cas-là, le remplacement de la batterie n'est pas une option réaliste. Ainsi, le dispositif n'est utile seulement lorsque sa batterie est active.

En général, l'un des plus gros consommateurs d'énergie d'un dispositif de l'Internet des objets est l'énergie dépensée pour la communication sans fil avec d'autres dispositifs dans un même réseau. Dans un système de cloud computing, le dispositif consommera beaucoup d'énergie simplement en communiquant le grand volume de données du capteur vers le cloud, ce qui réduira finalement la durée de vie de la batterie.

Au contraire, l'informatique en périphérie réduit les communications sans fil et donc la consommation d'énergie. L'Edge Computing permet aux capteurs de disposer d'une longue autonomie et offre donc davantage de possibilités de collecter des informations pour la préparation aux situations d'urgence.

Edge Impulse rend cela possible

Au cours du développement de notre dispositif de démonstration de détection des incendies de forêt, nous avons été confrontés à une série de défis importants que nous avons résolus grâce à Edge Impulse.

L'un de ces défis majeurs concernait la fusion de capteurs. Dans notre dispositif, nous recueillons des données provenant d'un certain nombre de capteurs différents, notamment des capteurs de température et d'humidité de l'air et du sol, et nous essayons de comprendre ces différents flux de données. Pour ce faire, il faut fusionner les capteurs, c'est-à-dire fusionner les données de plusieurs capteurs pour obtenir une vue plus globale de l'environnement.

En général, la mise en œuvre de la fusion de capteurs est une tâche difficile, remplie de nombreux algorithmes et complexités uniques. Heureusement, Edge Impulse offre une suite intégrée d'outils spécialement conçus pour faciliter et mettre en œuvre la fusion de capteurs sur les dispositifs de périphérie. Grâce à cet outil, nous avons été en mesure de concevoir avec succès, et plutôt facilement, un système qui capture, agrège et formate nos données afin qu'elles puissent être intégrées à notre modèle d'apprentissage automatique.

De plus, Edge Impulse nous a permis de sélectionner et d'entraîner facilement notre modèle, ainsi que de le déployer sur notre microprocesseur. Dans notre cas, notre microprocesseur était un cœur basé sur ATSAMD51 sur une borne Wio de Seeed Studio.

Il va sans dire que notre projet n'aurait pas été possible sans les outils et les ressources fournis par Edge Impulse.

Conclusion

Tout au long de l'histoire, l'humanité a été contrainte de réagir aux événements naturels et aux situations d'urgence lorsqu'ils se produisaient. Aujourd'hui, avec l'avènement de l'apprentissage automatique, nous avons enfin la possibilité de prévoir et de nous préparer aux urgences d'une manière qui était jusqu'alors inimaginable.

La détection des feux de forêt est un enjeu de plus en plus important. Cependant, en raison des restrictions uniques de l'application, elle nécessite l'informatique en périphérie. Grâce à la solution Edge Impulse et aux outils et ressources qu'il fournit, nous avons été en mesure de développer un dispositif de détection capable d'alerter avec précision les gardes forestiers et d'autres responsables si un incendie est imminent.

En fin de compte, cette technologie a le pouvoir de sauver la vie de personnes et d'animaux et d'empêcher la destruction de nos fragiles forêts.