Skip to content
Project for Hackatown 2019
Branch: master
Clone or download
Fetching latest commit…
Cannot retrieve the latest commit at this time.
Permalink
Type Name Latest commit message Commit time
Failed to load latest commit information.
CRecognition
.DS_Store
ArduinoPart.ino
LICENSE
README.md
main.py
presentation.pdf
yolo.py

README.md

Usage

This project uses the darkflow project that translate the darknet neural network framework to tensorflow. So you need to install the darkflow module by visiting this github page : https://github.com/thtrieu/darkflow . We are using Yolov2 to detect objects.

You need python 3.6, an arduino board, and the pyserial python module.

Problématique et Thème

La pollution lumineuse change le rythme circadien et selon les docteurs chez WHO et AMA, ce changement est classifié comme étant un fort cancérogène, augmente le risque de dépression et d'obésité. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC4593354/

La plus grosse source de pollution lumineuse sont les lampadaires et les feux de circulations qui sont ouvert toute la nuit et produise 50% de cette pollution. Non seulement ils sont une énorme source de consommation d'électricité, il sont également endommageant pour la santé et cache les étoiles.

Solution

Notre projet varie la luminosité des lampadaires et des feux de circulation la nuit selon le besoin. (Rue vide -> moins de lumière, plus d'usagers -> plus de lumière). Cela permet de réduire la pollution lumineuse durant la nuit et de réduire la consommation d'électricité.

Technologie

On a premièrement utilisé une recherche internet pour créer notre propre dataset (28 photos de bus, 40 autres). On a réduit la résolution a 40 x 70 px et mis en noir et blanc. On a feed le dataset dans notre Multi-Layered Convolution Network écrit avec Python, TensorFlow, tfLearn et opencv pour 15 epoch ce qui nous donne un accuracy de 52% avec notre dataset.

On a ensuite utilisé le modèle de detection d'objet YOLOv2 pour détecter et compter le nombre de voitures et de piétons. Avec un algorithme, on décide de la luminosité du lampadaire qu'on a simulé avec un Arduino et un LED.

Difficulté

On a pas eu assez de temps pour obtenir un plus gros sample size pour notre CNN. Le GPU de nos ordis est également trops faible pour pouvoir utiliser ip-webcam avec un frame-rate raisonnable.

Commercialisation/Marketing

Non seulement notre projet réduit la pollution lumineuse (population plus en santé), cela réduit la consommation électrique de la ville.

Ce qu'on a apprit : Darknet avec YOLOv2, obtenir nos propre données avec Google, CNN avec TensorFlow et le travail d'équipe. L'analyse d'objet est une tâche qui requière une grande puissance numérique.

À suivre

On veux accroître notre algorithme pour gérer les feux de circulations selon le traffic.

You can’t perform that action at this time.