Browsing by Author "loudjine, Bousbia salah"

Filter results by typing the first few letters
Now showing 1 - 2 of 2
  • No Thumbnail Available
    Item
    Io T Edge deployment for an automatic recognition of face masks
    (2022) mouna, Mennana; loudjine, Bousbia salah
    Edge Al is a combination of Edge Computing and Artificial Intelligence. Edge computing consists of multiple techniques, wich are: data collection, analysis, and processing to the network’s edge. This means that the computing power and data storage are located where the actual data collection happens.Due to, sending all that device-generated data to a centralized data center or to the cloud it can caused issues bandwidth, storage, processing and latency. So,the challenge is how to adapt the existing model to the edge environment? In this study, a system are being created to meet the various needs of industrial applications. The main contribution of this research is the development of a robust real-time face mask detection system using a deep learning SSD MobileNetV2 model in order to, design and implement a Proof Of Concept (PoC) of an IoT Edge deployment to address the use case of automatic recognition of face masks. For the performance evaluation of this deep learning system, we used the device Raspberry Pi to deploy in edge.Edge Al est une combinaison d’Edge Computing et d’intelligence artificielle. L’Edge Computing se compose de plusieurs techniques, à savoir: la collecte, l’analyse et le traitement des données jusqu’à la périphérie du réseau. Cela signifie que la puissance de calcul et le stockage des données sont situés là où la collecte de données réelle a lieu. En raison de l’envoi de toutes ces données générées par l’appareil vers un centre de données centralisé ou vers le cloud, cela peut entraîner des problèmes de bande passante, de stockage, de traitement et de latence. Alors, le défi est de savoir comment adapter le modèle existant à l’environnement de pointe ? Dans cette étude, un système est en cours de création pour répondre aux différents besoins des applications industrielles. La principale contribution de cette recherche est le développement d’un système robuste de détection de masque facial en temps réel utilisant un modèle d’apprentissage en profondeur SSD MobileNetV2 afin de concevoir et de mettre en œuvre une preuve de concept (PoC) d’un déploiement IoT Edge pour répondre au cas d’utilisation. de reconnaissance automatique des masques faciaux. Pour l’évaluation des performances de ce système de deep learning, nous avons utilisé l’appareil Raspberry Pi à déployer en périphérie.
  • Thumbnail Image
    Item
    Io T Edge deployment for an automatic recognition of face masks
    (2022) mouna, Mennana; loudjine, Bousbia salah
    Edge Al is a combination of Edge Computing and Artificial Intelligence. Edge computing consists of multiple techniques, wich are: data collection, analysis, and processing to the network’s edge. This means that the computing power and data storage are located where the actual data collection happens.Due to, sending all that device-generated data to a centralized data center or to the cloud it can caused issues bandwidth, storage, processing and latency. So,the challenge is how to adapt the existing model to the edge environment? In this study, a system are being created to meet the various needs of industrial applications. The main contribution of this research is the development of a robust real-time face mask detection system using a deep learning SSD MobileNetV2 model in order to, design and implement a Proof Of Concept (PoC) of an IoT Edge deployment to address the use case of automatic recognition of face masks. For the performance evaluation of this deep learningEdge Al est une combinaison d’Edge Computing et d’intelligence artificielle. L’Edge Computing se compose de plusieurs techniques, à savoir: la collecte, l’analyse et le traitement des données jusqu’à la périphérie du réseau. Cela signifie que la puissance de calcul et le stockage des données sont situés là où la collecte de données réelle a lieu. En raison de l’envoi de toutes ces données générées par l’appareil vers un centre de données centralisé ou vers le cloud, cela peut entraîner des problèmes de bande passante, de stockage, de traitement et de latence. Alors, le défi est de savoir comment adapter le modèle existant à l’environnement de pointe ? Dans cette étude, un système est en cours de création pour répondre aux différents besoins des applications industrielles. La principale contribution de cette recherche est le développement d’un système robuste de détection de masque facial en temps réel utilisant un modèle d’apprentissage en profondeur SSD MobileNetV2 afin de concevoir et de mettre en œuvre une preuve de concept (PoC) d’un déploiement IoT Edge pour répondre au cas d’utilisation. de reconnaissance automatique des masques faciaux. Pour l’évaluation des performances de ce système de deep learning, nous avons utilisé l’appareil Raspberry Pi à déployer en périphérie.