IA pour compter les passagers : système technique pour bus indiens

IA pour le comptage des passagers : mise en œuvre technique d'un système pour les bus indiens

Solution IA pour les systèmes de transport : comment ça marche

Les technologies modernes d'intelligence artificielle (IA) ouvrent de nouvelles possibilités pour relever les défis du secteur des transports. L'un de ces défis est le comptage précis des passagers dans les bus indiens, où les fraudes systémiques du personnel entraînent des pertes financières importantes. Cet article explore l'aspect technique du projet, couvrant l'architecture du système, le développement d'un réseau neuronal personnalisé et la conformité à la législation indienne sur la protection des données.

De l'idée à la mise en œuvre : collecte et préparation des données

Le projet a débuté par une analyse détaillée des conditions d'exploitation des bus en Inde. Une visite sur le terrain a été organisée pour étudier la conception des véhicules, déterminer les angles optimaux de montage des caméras et collecter un jeu de données primaire. Sur cinq jours, environ une heure de vidéo 4K a été enregistrée, formant le jeu de données IndiaBus-v1.0. Ce matériel a permis d'identifier les principaux défis de détection comme les occlusions, les reflets et les variations d'éclairage, et de définir les exigences matérielles.

Les résultats ont servi de base aux directives d'installation des caméras et aux protocoles de transfert de données. Les données des bus sont téléchargées via WiFi ou GSM aux terminus, minimisant les coûts d'infrastructure. Les vitesses de transfert atteignent 400 Mbps, avec des temps de téléchargement par trajet de 5 à 10 minutes. Cette approche permet le traitement rapide de gros volumes de données sans délai.

Architecture du système : une approche à trois niveaux

Le système de comptage des passagers repose sur trois niveaux, chacun ayant des tâches spécifiques :

• Niveau embarqué : Inclut des caméras pour enregistrer l'entrée et la sortie des passagers, un module GPS pour le suivi de la localisation et un SSD pour le stockage des données pendant le trajet (environ 15 Go par trajet).
• Niveau de téléchargement : Les données sont transférées vers un serveur aux terminus via un WiFi ou GSM haut débit.
• Niveau serveur : Le traitement par IA s'effectue ici. D'abord, un modèle YOLO détecte les visages, puis les images sont recadrées, suivies de l'extraction d'embeddings via le réseau neuronal personnalisé Adaptive Face Extractor. Enfin, les embeddings sont comparés pour l'identification des passagers, et les données sont liées aux arrêts via GPS et les horodatages.

Cette approche permet non seulement de compter les passagers avec précision, mais aussi de calculer les tarifs individuels en fonction de la distance parcourue. La formule tarifaire est simple : la somme des tarifs pour tous les arrêts entre les points d'entrée et de sortie.

Pourquoi un réseau neuronal personnalisé : avantages de l'Adaptive Face Extractor

Une architecture propriétaire Adaptive Face Extractor a été développée au lieu d'utiliser des solutions toutes faites comme FaceNet ou ArcFace. Les raisons sont liées à la spécificité de la tâche et aux données :

• Adaptation aux conditions indiennes : Les modèles pré-entraînés sur des jeux de données occidentaux montraient une faible précision (~90 %) avec des images présentant des saris, des turbans et un éclairage non standard. Le réseau personnalisé a atteint 96,3 % de précision sur les données indiennes.
• Optimisation des ressources : La taille du modèle est de seulement 4,7 Mo contre 98 Mo pour les solutions commerciales, avec un temps d'inférence sur CPU de 42 ms contre 280 ms.
• Taille d'entrée variable : L'architecture prend en charge le traitement d'images à différentes échelles (de 80×80 à 180×160 pixels), crucial étant donné les tailles variables des passagers et les distances par rapport à la caméra.
• Contrôle des données : L'utilisation d'un modèle interne élimine l'envoi de données biométriques à des API externes, conformément aux exigences légales.
• Économies de coûts : Aucun frais de licence, qui pourraient atteindre des millions de roupies par mois lors du passage à l'échelle pour 180 000 passagers par jour.

L'architecture Adaptive Face Extractor comprend des blocs clés : un bloc initial avec Conv2D et BatchNorm, un bloc multi-échelle avec des branches parallèles, un mécanisme d'attention Squeeze-and-Excitation et des couches finales pour des embeddings de 512D ou 1024D. L'entraînement a utilisé le jeu de données IndiaBus-v1.0 avec la perte ArcFace et l'augmentation de données pour la robustesse.

Synchronisation des données et calcul du tarif

Le comptage précis des passagers et la détermination des trajets individuels reposent sur la synchronisation des données des caméras et du GPS. Le récepteur prend en charge NavIC L1 et GPS L1/L5, offrant une précision allant jusqu'à 10 mètres. Les horodatages sont synchronisés via un serveur NTP à Mumbai avec une erreur inférieure à 100 ms. Les coordonnées sont enregistrées toutes les 15 secondes, et chaque image vidéo est étiquetée avec des données de localisation et d'heure.

Les embeddings d'entrée et de sortie sont comparés en utilisant la similarité cosinus. Le seuil de similarité est actuellement affiné pour équilibrer la précision et le rappel de la reconnaissance. Le code de comparaison ressemble à ceci :

def compare_faces(embedding1, embedding2, threshold):
    similarity = np.dot(embedding1, embedding2)
    if similarity > threshold:
        return True  # Même personne
    else:
        return False  # Personnes différentes

Conformité légale : protection des données selon la DPDPA 2023

Un aspect clé du projet est la conformité à la loi indienne sur la protection des données personnelles numériques (DPDPA 2023). Cette loi est moins stricte que le RGPD ou le CCPA mais impose tout de même des exigences sérieuses. Les pénalités maximales pour violation peuvent atteindre 250 crore de roupies (environ 2,7 milliards de roupies), bien qu'appliquées uniquement pour des manquements graves comme des fuites de données ou un manque de mesures de sécurité.

Pour répondre aux exigences de la loi, les mesures suivantes ont été mises en œuvre :

• Les données sont stockées exclusivement sur des serveurs en Inde (région de Mumbai).
• Les images faciales ne sont conservées que 90 jours pour le débogage, puis supprimées, tandis que les embeddings (qui ne peuvent pas reconstruire les images originales) sont stockés plus longtemps.
• Des panneaux d'information en marathi, hindi et anglais sont placés à l'intérieur des bus pour le consentement éclairé.
• Le chiffrement TLS 1.3 et AES-256-GCM est utilisé.
• Des audits tiers trimestriels sont réalisés.

La conformité à la DPDPA 2023 minimise non seulement les risques, mais offre aussi un avantage concurrentiel, permettant d'opérer là où d'autres entreprises pourraient faire face à des restrictions.

Points clés à retenir

• Mise en œuvre technique : L'architecture à trois niveaux assure la collecte, le transfert et le traitement des données pour un comptage précis des passagers.
• Modèle personnalisé : L'Adaptive Face Extractor surpasse les solutions toutes faites en précision sur les données indiennes (96,3 %) et en optimisation des ressources (4,7 Mo, 42 ms sur CPU).
• Conformité légale : Le respect de la DPDPA 2023 minimise les risques de pénalités et offre un avantage sur le marché.
• Synchronisation des données : Le GPS et les horodatages permettent un calcul précis du trajet et du tarif pour chaque passager.

— Editorial Team