Intelligence embarque IMA5 2022/2023 G3

Projet intelligence embarquée

Installations

St Cube IDE :

• Extraire le fichier
• Exécuter la commande :

sudo ./nom_du_fichier.sh

NanoEdgeAIStudio :

• Extraire les dossier control et data.
• Executer la commande :

apt -get update -qy && apt-get -y install procps libnss3

• Exectuer nanoedgeiastudio dans le le dossier datz/opt/NanoEdge AI Studio
• Ajouter le proxy de Polytech
• AJouter la license reçu par mail

Choix du projet

Au départ, nous avions plusieurs idées :

• Détection de place de parking et si la voiture rentre dans celle-ci
• Analyse de la posture assise afin d'éviter les maux de dos
• Détection d'une personne qui s'endort au volant
• Détection de personne au bord de la route
• ...

Après entretien avec les encandrants de l'entreprise, nous avons décider de retenir l'analyse de la posture d'une personne assise.

Description du projet

Posture assise idéale

Le but de ce projet est d'entraîner un IA à détecter si une personne assise adopte une bonne posture afin d'éviter d'éventuels douleurs au dos. Pour cela, il faut d'abord déterminer la posture idéale (voir photo ci-contre).

• Déterminer si une posture est bonne ou non
• Déterminer les éventuels erreurs dans la posture
• Indiquer les changements à adopter

Début du projet

Compréhension de STM32CubeIDE à l'aide d'un exemple de code qui permet :

• De calculer les 64 distances du TOF lorsque q'un obstacle se trouve entre 200 et 600 mm de celui-ci.
• D'afficher par communication série sur l'odinateur un tableau de ses valeurs calculées.

Après modification de l'affichage de ce dernier on obtiens quelque chose comme ça :

Ce tableau s'actualise à 100 ms d'après le code fourni.

Lorsque qu'aucun n'obstacle n'est detecté on clear l'affichage.

Maquette

Le Capteur nous donne les positions avec un angle de 61°. Par calcul on trouve donc qu'il faut se placer à 85cm du capteur pour avoir notre corps de la chaise jusqu'à la tête dans le champs du capteur.

1/Tan (30,5°)*50 = 85 cm ici on prend 50 cm en considérant que la hauteur de la chaise à la tête est de 1 m 

Collecte de données

Lors des premières collectes de données, les résultats étaients peu probants. Après réflexion, on a remarqué que la distance entraînait une trop faible résolution. Ainsi nous vous donc relancé le machine learning en se plaçant plus proche du capteur.

On obtient donc les résultats suivants :

Le modèle fonctionnement parfaitement pour des positions exagérées.

Dernière séance

Réalisation d'une maquette au préalable avant la séance :

Attache sous le dessous de la chaise

Bras partant de la chaise et soutenant le capteur

Après avoir installé la maquette on s'est occupé de prendre une grosse collecte de données afin d'avoir un modèle le plus précis possible :

On a pu ensuite préparer notre petite présentation avec une démonstration en direct du bon fonctionnement du modèle.