Questions fréquemment posées

Oui, les systèmes SEA.AI sont équipés de caméras thermiques, ce qui leur confère des capacités de vision nocturne. Même dans des conditions météorologiques défavorables, leurs caméras thermiques sont plus performantes que l’œil humain. Compte tenu des tâches habituelles de l’équipage – qu’il s’agisse de la barre, de la navigation ou d’autres fonctions – les systèmes SEA.AI restent résolument vigilants, tels des « barrelmen » attentifs en haut du mât. Leur vigilance constante garantit des alertes en temps réel en cas de danger potentiel.

Jusqu’à deux utilisateurs peuvent utiliser l’application en même temps sur leurs appareils. Il est également possible de prendre le contrôle de l’application à partir d’autres appareils. Par exemple, une station de navigation ou une tablette à l’intérieur du bateau.

Oui, SEA.AI, avec ses caméras thermiques, peut détecter des objets à la même température grâce aux différences d’émissivité et de réflectivité des matériaux, et à la capacité de la caméra à détecter les variations du rayonnement infrarouge provenant de différentes surfaces.

Chaque matériau a sa propre émissivité, qui détermine l’efficacité avec laquelle il émet de la chaleur, de sorte que des objets de température similaire apparaissent différemment.

La réflectivité influence également l’image thermique, car certains matériaux réfléchissent davantage le rayonnement environnant.

Enfin, les variations infrarouges sur les surfaces peuvent être détectées, ce qui permet de distinguer des objets de même température. Par exemple, un récipient et de l’eau, bien qu’à la même température, émettent un rayonnement infrarouge différent, ce qui rend le récipient visible.

Grâce à une technologie de caméra de pointe combinée à l’intelligence artificielle, SEA.AI détecte et classe les objets afin d’alerter rapidement et de manière fiable les équipes sur la présence d’objets à la surface de l’eau, de jour comme de nuit.

Un réseau neuronal convolutif (CNN) est une classe de réseau neuronal artificiel qui effectue la segmentation, la classification et la détection pour une myriade d’applications telles que la sécurité maritime. La vision par ordinateur analyse les images, puis crée des représentations numériques de ce qu’elle « voit » à l’aide d’un CNN.

Les caméras thermiques, également appelées caméras infrarouges, fonctionnent en détectant et en capturant le rayonnement infrarouge (chaleur) émis par les objets. Contrairement à la lumière visible, que l’œil humain peut percevoir, le rayonnement infrarouge n’est pas visible à l’œil nu. Les caméras thermiques utilisent des capteurs et des optiques spéciaux pour capturer ce rayonnement infrarouge et le convertir en une image visible qui représente les différences de température dans une scène.

Pour entraîner nos modèles, nous créons des ensembles de données d’entraînement et de test représentatifs à partir de notre grande base de données maritime annotée, qui s’enrichit continuellement de nouvelles images capturant un large éventail de scénarios. Il s’agit d’une méthode qui, par le biais d’une optimisation mathématique, conduit le modèle à détecter correctement des objets dans une image. Nous appliquons diverses stratégies d’augmentation des données au cours du processus de formation afin de maximiser les capacités de généralisation des modèles. Ces stratégies consistent à modifier les images d’entraînement de différentes manières pour aider les modèles à apprendre des caractéristiques plus robustes. Nous procédons également à l’ajustement des hyperparamètres pour trouver les valeurs optimales des différentes variables qui contrôlent le processus d’apprentissage. Enfin, l’ensemble de test est utilisé pour évaluer les performances des modèles en comparant les annotations aux prédictions des modèles. Cette évaluation continue nous aide à déterminer dans quelle mesure les modèles formés détectent des objets dans des données inédites, ce qui garantit qu’ils sont performants dans les scénarios du monde réel.