Vulture est une solution de Détection Précoce d’Incendies développée par Seitech grâce à la vision artificielle.
En quoi consiste Vulture ?
Vulture est une solution de Détection Précoce d’Incendies développée par Seitech au moyen de la vision artificielle.
Elle a pour objectif d’aider à détecter rapidement tout début de feu ou de fumée dans un environnement naturel, en utilisant pour cela un algorithme de vision artificielle spécifiquement entraîné.
Fonctionnement
Contrairement aux systèmes traditionnels de détection de fumée, ce système de détection d’incendies basé sur la vision artificielle utilise des caméras de surveillance et des algorithmes de traitement d’images pour détecter des variations de lumière pouvant indiquer la présence d’un incendie.
Installation stratégique de caméras
Placement de caméras à des points clés pour une meilleure surveillance
Réseau neuronal pour la détection d’incendies
Configuration de l’IA sur les caméras pour un suivi constant des incendies
Configuration d’alarmes personnalisées
Ajustement des alarmes et des méthodes de notification via une interface
Détection immédiate d’incendies
L’IA identifie rapidement fumée et feu
Envoi d’alertes et d’évidences
Lorsqu’un incendie est détecté, des alarmes et des captures sont envoyées à un centre de contrôle
Gestion des alertes depuis le centre
Révision et réponse aux alertes depuis le centre de contrôle
COMPOSANTS DE LA SOLUTION
01
Le réseau neuronal
Le réseau neuronal de la solution est constitué d’un algorithme propriétaire spécifiquement développé et entraîné pour la détection de fumée et de feu, avec pour objectif d’identifier les incendies dès leurs premières phases.
La sensibilité de l’algorithme est paramétrable en fonction de la saison, des conditions météorologiques et du risque d’incendie.
Le modèle a été spécialement conçu pour détecter les premières étapes d’un incendie.
02
Alertes et notifications
La combinaison de l’algorithme avec un système d’alertes et de notifications permet d’agir rapidement et de réagir immédiatement à tout signal.
Le système d’alertes est entièrement paramétrable, aussi bien en termes de communication (appel, SMS, WhatsApp, Telegram) que de notification (confiance de l’algorithme, images détectées, etc.) et de destinataires.
- Sensibilité de l’algorithme
- Destinataires des alertes
- Type d’alerte (SMS, e-mail…)
- Contenu de l’alerte (Nom de la caméra, localisation, lien vers la webcam…)
- État de la notification
- Désactivation temporaire de l’alerte
03
Plateforme de gestion
Avec différents niveaux d’utilisateurs et d’autorisations, la plateforme offre une vision globale de la solution en fonctionnement, ainsi qu’un accès direct à chacune des caméras, aux historiques de détections et à l’état de gestion des alertes envoyées.
- Accès en direct à chacune des caméras
- Historique des détections
- État de gestion des alertes
- Différents niveaux d’utilisateurs et d’autorisations
CARACTÉRISTIQUES PRINCIPALES
Avec différents niveaux d’utilisateurs et d’autorisations, la plateforme offre une vision globale de la solution en fonctionnement, ainsi qu’un accès direct à chacune des caméras, aux historiques de détections et à l’état de gestion des alertes envoyées.
Facilité d’utilisation
L’agent forestier est un agent forestier, pas un informaticien. Partant de ce principe, nous comprenons que la préoccupation de l’utilisateur ne doit jamais être l’usage d’un outil.
Intégrabilité
Bien que nos capacités permettent le déploiement d’une solution complète, la solution prévoit la réutilisation et l’intégration avec des caméras, outils et systèmes existants.
Scalabilité
La solution est conçue pour être évolutive, tant en volume de caméras qu’en portée fonctionnelle.
Les principaux avantages de cette solution sont les suivants
- Elle peut détecter les incendies en temps réel, même lorsqu’aucune personne n’est présente dans la zone à protéger.
- Le système est moins sujet aux erreurs ou fausses alertes, ce qui peut réduire les coûts liés aux temps d’inactivité et aux évacuations inutiles de la zone.
- Il peut détecter des incendies dans des zones difficiles d’accès ou très étendues, où il serait compliqué pour un être humain d’identifier le feu à temps.
- Il réduit le risque de dommages matériels et personnels grâce à une réponse rapide et efficace dès la détection du feu.
- Il représente un engagement clair en faveur de l’innovation technologique pour les administrations publiques.
De plus, la solution est non intrusive:
Discrétion Maximale
Seitech privilégie la discrétion en utilisant des caméras non intrusives, visibles uniquement par la signalétique installée.
Aucune Image Stockée
Les images ne sont généralement pas enregistrées, sauf dans certains cas spécifiques où elles sont conservées dans les dépôts du client.
Sécurité des Données
Les données sont traitées sur des serveurs AWS, garantissant la conformité aux lois sur la confidentialité et offrant un chiffrement et une gestion sécurisée des données.
Filtre d’Anonymisation
Des filtres sont appliqués pour flouter ou distordre les visages, assurant l’anonymat et la sécurité lors du traitement des images.
Foire aux questions
Oui, bien sûr. La solution est conçue pour tirer parti de n’importe quelle caméra, à condition qu’elle dispose d’une adresse IP ou du protocole RTSP.
Cela dépendra de la visibilité à chaque moment, mais généralement la couverture varie entre 1 000 et 3 000 hectares.
La solution est évolutive aussi bien en nombre de caméras (nous sommes préparés au niveau logistique et computationnel) qu’en capacités de détection, en intégrant d’autres algorithmes si nécessaire.
Le traitement et la configuration des alertes peuvent être prêts en quelques jours (selon les caméras).
La mise en place de la plateforme, avec guide de style et paramétrages, prend environ un mois.
L’outil complet, incluant les formations, est opérationnel en moins de trois mois.
Notre solution peut s’intégrer à différentes sources de données (AEMET, Xeocode…), ainsi qu’à des outils et systèmes internes de l’administration.
La seule exigence est de disposer de la documentation API appropriée.
Oui, il peut y en avoir. Nous préférons toujours une fausse alerte plutôt qu’une non-détection. Cependant, l’entraînement spécifique du modèle permet de les minimiser.
De plus, les paramètres de confiance du réseau neuronal permettent d’ajuster sa sensibilité en fonction des conditions météorologiques et du niveau de risque d’incendie.