Retourner au portfolio complet
Applications Métiers & Systèmes // ID : edge-ai-video-surveillanceDÉPLOYÉ // OPÉRATIONNEL

Système Edge AI d'Analyse Vidéo Intelligente & Détection d'Anomalies

Traitement vidéo local par réseaux de neurones légers, qualification d'événements et forensics sans dépendance cloud.

STACK TECHNIQUE :Edge AI & VisionPasserelle Linux DurcieFastAPI / PythonDocker
RÉSULTATS TECHNIQUES OBSERVÉS SUR BANC DE TEST
LATENCE D'INFÉRENCE PAR FLUX
< 45 ms / frame
Statut : verified
CAPACITÉ DE TRAITEMENT SIMULTANÉ
Jusqu'à 8 flux HD temps réel
Statut : verified
SOUVERAINETÉ DES DONNÉES
100% local / Zéro fuite cloud
Statut : verified
RÉDUCTION DES FAUSSES ALERTES
> 92% par rapport aux détecteurs PIR
Statut : verified
PROBLÉMATIQUE INITIALE & CONTRAINTES

La vidéosurveillance traditionnelle génère des volumes massifs d'enregistrements passifs impossibles à exploiter en temps réel, ou dépend de plateformes cloud onéreuses posant des risques majeurs de confidentialité et de dépendance réseau.

SOLUTION D'INGÉNIERIE DÉPLOYÉE

Conception d'un moteur d'analyse vidéo Edge AI autonome sur passerelle locale : inférence locale de réseaux de neurones légers pour la détection d'objets et de trajectoires, filtrage contextuel haute performance et indexation locale des métadonnées pour des recherches médico-légales instantanées.

ARCHITECTURE SYSTÈME & TOPOLOGIE MATÉRIELLE
[Flux Caméras IP RTSP] -> [Décodage Matériel] -> [Moteur Inférence Edge AI Local] -> [Indexation Métadonnées & NVR Événementiel] -> [API FastAPI / Tableau de Bord Web]
COMPOSANTS MATÉRIELS (HARDWARE)

Passerelles Edge Linux, Accélérateurs d'inférence neuronale embarqués, Caméras IP industrielles RTSP, Stockage haute endurance

FIRMWARE, LOGICIEL & PROTOCOLES

Python 3, OpenCV, Frameworks d'inférence ONNX/TensorRT, FastAPI, SQLite / PostgreSQL, Docker, Nginx

DIFFICULTÉS TECHNIQUES RENCONTRÉES & SOLUTIONS APPORTÉES
Décodage matériel sur images clés pour optimiser les ressources CPU ; zéro dépendance cloud garantissant une souveraineté totale ; réduction de 92% des fausses alertes par filtrage géométrique et validation temporelle sur trames consécutives.
PERSPECTIVES D'ÉVOLUTION & PROCHAINES ÉTAPES
Quantification INT8 des modèles pour exécution sur micro-accélérateurs NPU à ultra-faible consommation.
LAB // DÉMONSTRATEUR WEBSERIAL
Flashez et testez les firmwares LoRa Mesh directement en USB depuis votre navigateur.
Lancer l'Atelier WebSerial