Soutenance de mémoire : Identification de fusibles électriques de puissance par apprentissage profond

Description :

Conférencier : Simon Giard-Leroux, étudiant à la maîtrise en informatique, Département d’informatique, Faculté des sciences, Université de Sherbrooke

Résumé : Dans l’industrie de l’énergie électrique, des études d’arcs électriques sont effectuées par des ingénieurs et ingénieures afin d’évaluer l’énergie incidente à laquelle une personne qui travaille sur un équipement serait exposée si un accident provoquait un court-circuit. Cette énergie peut varier selon plusieurs paramètres, dont l’un des principaux est la durée de l’arc, qui dépend de la rapidité de coupure de l’équipement de protection qui alimente l’équipement où le défaut survient. Il est ainsi important d’identifier correctement les équipements de protection dans un réseau électrique, dont les types de fusibles, qui peuvent être difficiles à identifier à l’œil nu à partir de photos d’installations électriques. Par contre, ces derniers peuvent être identifiés grâce à leurs caractéristiques physiques, telles que leur couleur ou leur forme. Cette tâche d’observation doit présentement être effectuée manuellement, ainsi une solution plus automatisée serait avantageuse.

En parallèle, le domaine de la détection d’objets utilisant l’apprentissage profond a connu un essor remarquable dans les dernières années afin de permettre de localiser et d’identifier le type de différents objets dans des images. En appliquant une stratégie d’apprentissage supervisé, il est possible d’entraîner et d’optimiser un modèle de détection d’objets basé sur les réseaux de neurones pouvant identifier les fusibles dans de nouvelles images jamais vues auparavant. Dans ce mémoire, nous aborderons l’utilisation de techniques de détection d’objets basées sur l’apprentissage profond afin d’automatiser l’identification de fusibles électriques, incluant les modèles Faster R-CNN, RetinaNet et DETR. Nous poserons le problème d’identification de fusibles dans le contexte des études d’arcs électriques, décrirons les principes derrière les techniques de détection d’objets utilisées en apprentissage profond et proposerons une méthodologie afin d’optimiser un modèle de détection final pouvant être utilisé en industrie avec une performance d’identification élevée, permettant d’accélérer significativement le travail des ingénieurs et ingénieures électriques dans cette tâche.

Un article détaillant notre méthodologie afin d’obtenir une performance finale AP50 de 91,06 %, a été soumis pour publication au journal IEEE Transactions on Industrial Informatics et est actuellement en cours de révision. Ce résultat démontre que les fusibles peuvent être adéquatement prédits dans des nouvelles photos de relevés d’installations électriques. Le code développé, l’ensemble de données de plus de 12 000 fusibles ainsi qu’une interface utilisateur permettant d’utiliser le modèle final en contexte industriel sont partagés ouvertement avec la communauté scientifique.

Membre du jury, président rapporteur : Pierre-Marc Jodoin, professeur, Département d’informatique, Faculté des sciences, Université de Sherbrooke

Membre du jury, directeur de recherche : Martin Vallières, professeur, Département d’informatique, Faculté des sciences, Université de Sherbrooke

Membre du jury, codirecteur de recherche : François Bouffard, professeur, Département de génie électrique et de génie informatique, Université McGill

Membre du jury, évaluateur externe à l’Université de Sherbrooke : Christian Gagné, professeur, Département de génie électrique et de génie informatique, Université Laval

Toutes les personnes intéressées sont cordialement invitées.

Lien Teams : https://bit.ly/3zSvNew

Contacter une personne responsable