Explorer différents types de données pour les applications de Vision AI

Les technologies comme les drones étaient autrefois limitées et réservées aux chercheurs et aux spécialistes, mais aujourd’hui, le matériel de pointe devient plus accessible à un public plus large. Cette évolution change notre façon de collecter des données visuelles. Grâce à des technologies plus accessibles, nous pouvons désormais capturer des images et des vidéos provenant de diverses sources, au-delà des appareils photo traditionnels.

Parallèlement, l’analyse d’images, rendue possible par la vision par ordinateur, une branche de l’intelligence artificielle (IA), évolue rapidement et permet aux machines d’interpréter et de traiter les données visuelles plus efficacement. Cette avancée a ouvert de nouvelles possibilités en matière d’automatisation, de détection d’objets et d’analyse en temps réel. Les machines peuvent désormais reconnaître des motifs, suivre des mouvements et interpréter des entrées visuelles complexes.

Parmi les principaux types de données visuelles, on trouve les images RVB (rouge, vert, bleu), couramment utilisées pour la reconnaissance d’objets, l’imagerie thermique, qui aide à détecter les signatures thermiques dans des conditions de faible luminosité, et les données de profondeur, qui permettent aux machines de comprendre les environnements 3D. Chacun de ces types de données joue un rôle essentiel dans de nombreuses applications de la vision par IA, de la surveillance à l’imagerie médicale.

Dans cet article, nous allons explorer les principaux types de données visuelles utilisés en vision par IA et voir comment chacun contribue à améliorer la précision, l’efficacité et les performances dans différents secteurs. C’est parti !

Les types les plus courants de jeux de données d’images et de vidéos pour l’IA#

En général, lorsque tu prends une photo avec un smartphone ou que tu regardes des images de vidéosurveillance, tu utilises des images RVB. RVB signifie rouge, vert et bleu : ce sont les trois canaux de couleur qui représentent les informations visuelles dans les images numériques.

Les images et les vidéos RVB sont des types de données visuelles étroitement liés, utilisés en vision par ordinateur et capturés avec des caméras standard. La principale différence est que les images capturent un instant unique, tandis que les vidéos sont une séquence d’images qui montrent les changements au fil du temps.

Les images RVB sont généralement utilisées pour des tâches de vision par ordinateur comme la détection d’objets, la segmentation d’instances et l’estimation de pose, prises en charge par des modèles comme Ultralytics YOLO11. Ces applications reposent sur l’identification de motifs, de formes ou de caractéristiques spécifiques dans une seule image.

Les vidéos, en revanche, sont indispensables lorsque le mouvement ou le temps entre en jeu, par exemple pour la reconnaissance gestuelle, la surveillance ou le suivi d’actions. Comme les vidéos peuvent être considérées comme une série d’images, les modèles de vision par ordinateur comme Ultralytics YOLO11 les traitent image par image pour comprendre les mouvements et les comportements au fil du temps.

Par exemple, Ultralytics YOLO11 peut servir à analyser des images ou des vidéos RVB pour détecter les mauvaises herbes et compter les plantes dans les champs agricoles. Cela améliore le suivi des cultures et aide à suivre les changements au fil des cycles de croissance afin de gérer les exploitations plus efficacement.

Fig 1. YOLO11 peut détecter et compter les plantes pour améliorer le suivi des cultures.

Les données de profondeur en vision par IA : LiDAR et perception 3D#

Les données de profondeur ajoutent une troisième dimension aux informations visuelles en indiquant à quelle distance les objets se trouvent de la caméra ou du capteur. Contrairement aux images RVB, qui ne capturent que les couleurs et les textures, les données de profondeur fournissent un contexte spatial. Elles montrent la distance entre les objets et la caméra, ce qui permet d’interpréter l’agencement 3D d’une scène.

Ce type de données est capturé au moyen de technologies comme le LiDAR, la vision stéréoscopique (qui utilise deux caméras pour imiter la perception humaine de la profondeur) et les caméras à temps de vol (qui mesurent le temps nécessaire à la lumière pour atteindre un objet et revenir).

Parmi ces technologies, le LiDAR (détection et télémétrie par la lumière) est souvent la méthode la plus fiable pour mesurer la profondeur. Il fonctionne en émettant rapidement des impulsions laser et en mesurant le temps qu’elles mettent à revenir. On obtient ainsi une carte 3D très précise, appelée nuage de points, qui met en évidence la forme, la position et la distance des objets en temps réel.

Le rôle croissant du LiDAR dans les systèmes de vision par IA#

La technologie LiDAR se divise en deux grands types, chacun étant conçu pour des applications et des environnements spécifiques. Examinons-les de plus près :

• LiDAR aéroporté : Généralement utilisés pour cartographier de grandes zones, les scanners LiDAR aéroportés sont montés sur des drones ou des aéronefs afin de capturer des données à haute résolution pour la cartographie topographique à grande échelle. Cette technologie est idéale pour l’étude des terrains, des forêts et des paysages.
• LiDAR terrestre : Ce type de données LiDAR est collecté à l’aide de capteurs montés sur des véhicules ou des plateformes fixes, pour des applications comme la surveillance des infrastructures, la construction et la cartographie intérieure. Il fournit des données très détaillées sur des zones plus petites et localisées, ce qui le rend utile pour des tâches comme l’urbanisme et l’étude de structures spécifiques.

Une application particulièrement marquante des données LiDAR concerne les véhicules autonomes, pour lesquels cette technologie joue un rôle essentiel dans des tâches comme la détection des voies, l’évitement des collisions et l’identification des objets à proximité. Le LiDAR génère des cartes 3D détaillées de l’environnement en temps réel, ce qui permet au véhicule de voir les objets, de calculer leur distance et de se déplacer en toute sécurité.

Fig 2. La technologie LiDAR permet aux véhicules autonomes de cartographier la profondeur et de détecter les objets.

Utilisation des données thermiques et infrarouges dans les applications d’IA#

Les images RVB capturent ce que nous voyons dans le spectre de la lumière visible ; d’autres technologies d’imagerie, comme l’imagerie thermique et infrarouge, vont toutefois au-delà. L’imagerie infrarouge capture la lumière infrarouge émise ou réfléchie par les objets, ce qui la rend utile dans des conditions de faible luminosité.

L’imagerie thermique, quant à elle, détecte la chaleur émise par les objets et révèle les différences de température, ce qui lui permet de fonctionner dans l’obscurité totale ou à travers la fumée, le brouillard et d’autres obstacles. Ce type de données est particulièrement utile pour la surveillance et la détection de problèmes, surtout dans les secteurs où les variations de température peuvent signaler des risques potentiels.

Un exemple intéressant est l’utilisation de l’imagerie thermique pour surveiller les composants électriques et repérer les signes de surchauffe. En détectant les différences de température, les caméras thermiques peuvent identifier les problèmes avant qu’ils n’entraînent des pannes d’équipement, des incendies ou des dégâts coûteux.

Fig 3. Exemple d’utilisation de l’imagerie thermique pour surveiller des composants électriques.

De même, les images infrarouges peuvent aider à détecter les fuites dans les canalisations ou les défauts d’isolation en repérant les différences de température qui signalent une fuite de gaz ou de liquide, ce qui est essentiel pour prévenir les situations dangereuses et améliorer l’efficacité énergétique.

Imagerie multispectrale et hyperspectrale en IA#

Alors que l’imagerie infrarouge et thermique capture des aspects précis du spectre électromagnétique, l’imagerie multispectrale recueille la lumière dans quelques plages de longueurs d’onde sélectionnées, chacune étant choisie pour un objectif précis, comme détecter une végétation saine ou identifier des matériaux de surface.

L’imagerie hyperspectrale va encore plus loin en capturant la lumière dans des centaines de plages de longueurs d’onde très étroites et continues. Elle fournit ainsi une signature lumineuse détaillée pour chaque pixel de l’image, offrant une compréhension beaucoup plus approfondie des matériaux observés.

Fig 4. Comparaison de l’imagerie multispectrale et hyperspectrale.

L’imagerie multispectrale et l’imagerie hyperspectrale utilisent toutes deux des capteurs et des filtres spéciaux pour capturer la lumière à différentes longueurs d’onde. Les données sont ensuite organisées en une structure 3D appelée cube spectral, dont chaque couche représente une longueur d’onde différente.

Les modèles d’IA peuvent analyser ces données pour détecter des caractéristiques invisibles aux caméras classiques ou à l’œil humain. Par exemple, en phénotypage végétal, l’imagerie hyperspectrale peut servir à surveiller la santé et la croissance des plantes en repérant de subtiles variations dans leurs feuilles ou leurs tiges, comme des carences en nutriments ou du stress. Cela aide les chercheurs à évaluer la santé des plantes et à optimiser les pratiques agricoles sans recourir à des méthodes invasives.

Analyse des images radar et sonar à l’aide de l’IA#

L’imagerie radar et sonar permet de détecter et de cartographier des objets en émettant des signaux et en analysant leurs réflexions, comme le LiDAR. Contrairement à l’imagerie RVB, qui s’appuie sur les ondes lumineuses pour capturer des informations visuelles, le radar utilise des ondes électromagnétiques, généralement des ondes radio, tandis que le sonar utilise des ondes sonores. Les systèmes radar et sonar émettent des impulsions et mesurent le temps nécessaire au signal pour revenir après avoir rebondi sur un objet, ce qui fournit des informations sur sa distance, sa taille et sa vitesse.

L’imagerie radar est particulièrement utile lorsque la visibilité est mauvaise, par exemple dans le brouillard, sous la pluie ou la nuit. Comme elle ne dépend pas de la lumière, elle peut détecter des aéronefs, des véhicules ou le relief dans l’obscurité totale. Le radar est donc une solution fiable pour l’aviation, la surveillance météorologique et la navigation autonome.

En comparaison, l’imagerie sonar est couramment utilisée dans les environnements sous-marins où la lumière ne peut pas pénétrer. Elle utilise des ondes sonores qui se propagent dans l’eau et rebondissent sur les objets immergés, ce qui permet de détecter des sous-marins, de cartographier les fonds marins et de mener des opérations de sauvetage sous-marines. Les progrès de la vision par ordinateur permettent désormais d’améliorer encore la détection sous-marine en combinant les données sonar à une analyse intelligente, pour améliorer la détection et la prise de décision.

Fig 5. Comment un système SONAR utilise des impulsions ultrasonores pour mesurer la profondeur de la mer. (Source : bbc.co.uk)

Données visuelles synthétiques et simulées pour l’entraînement des modèles d’IA#

Jusqu’ici, les différents types de données dont nous avons parlé pouvaient être recueillis dans le monde réel. Cependant, les données visuelles synthétiques et simulées sont deux types de contenus artificiels. Les données synthétiques sont générées de toutes pièces à l’aide de la modélisation 3D ou de l’IA générative afin de produire des images ou des vidéos d’apparence réaliste.

Fig. 6. Aperçu d’images générées de manière synthétique.

Les données simulées sont similaires, mais elles impliquent la création d’environnements virtuels qui reproduisent le comportement du monde physique, notamment la réflexion de la lumière, la formation des ombres et le déplacement des objets. Si toutes les données visuelles simulées sont synthétiques, toutes les données synthétiques ne sont pas simulées. La principale différence est que les données simulées reproduisent des comportements réalistes, et pas seulement des apparences.

Ces types de données sont utiles pour entraîner des modèles de vision par ordinateur, en particulier lorsque les données du monde réel sont difficiles à collecter ou qu’il faut simuler des situations spécifiques et rares. Les développeurs peuvent créer des scènes entières, choisir les types et les positions des objets ainsi que l’éclairage, puis ajouter automatiquement des annotations comme des boîtes englobantes pour l’entraînement. Cela permet de constituer rapidement des jeux de données volumineux et diversifiés, sans avoir besoin de photos réelles ni d’annotations manuelles, qui peuvent être coûteuses et chronophages.

Par exemple, dans le secteur de la santé, les données synthétiques peuvent servir à entraîner des modèles à segmenter des cellules cancéreuses du sein, car il est difficile de collecter et d’annoter de grands jeux de données d’images réelles. Les données synthétiques et simulées offrent souplesse et contrôle, et comblent les lacunes lorsque les données visuelles du monde réel sont limitées.

Choisir le bon type de données visuelles pour ton application d’IA#

Maintenant que nous avons vu comment fonctionnent les différents types de données visuelles et ce qu’ils permettent de faire, examinons de plus près ceux qui conviennent le mieux à certaines tâches :

• Images RGB : elles conviennent parfaitement aux tâches générales de vision par ordinateur, comme la classification d’images et la détection d’objets. Elles capturent les couleurs et les textures, mais leurs capacités sont limitées dans des conditions difficiles, comme une faible luminosité ou une mauvaise visibilité.
• Imagerie LiDAR : ce type d’imagerie fournit une cartographie 3D de haute précision au moyen d’impulsions laser. Elle est idéale pour les applications qui nécessitent des mesures de distance précises, comme la robotique, les véhicules autonomes et l’inspection des infrastructures.
• Imagerie thermique : puisqu’elle détecte les différences de température, elle est utile lorsque la visibilité est faible, par exemple pour la surveillance nocturne, la lutte contre les incendies ou la détection des fuites de chaleur dans les machines et les bâtiments.
• Imagerie multispectrale et hyperspectrale : elle est utile pour les tâches qui nécessitent une analyse détaillée des matériaux, comme la surveillance agricole, le contrôle qualité pharmaceutique ou la télédétection. Ces méthodes offrent des informations plus approfondies en capturant des données sur une large gamme de longueurs d’onde au-delà de la lumière visible.
• Imagerie radar et sonar : ces technologies sont privilégiées dans les environnements où la visibilité est faible. Le radar utilise des ondes radio et est utile dans l’aviation et la navigation, tandis que le sonar utilise des ondes sonores pour détecter des objets sous l’eau.
• Données visuelles synthétiques et simulées : elles sont idéales pour entraîner des modèles d’IA lorsque les données du monde réel sont limitées, indisponibles ou difficiles à annoter. Ces données visuelles artificielles aident à constituer des jeux de données diversifiés pour des scénarios complexes, comme des événements rares ou des situations critiques pour la sécurité.

Parfois, un seul type de données ne fournit pas suffisamment de précision ou de contexte dans des situations réelles. C’est là que la fusion multimodale des capteurs devient essentielle. En combinant les données RGB avec d’autres types de données, comme les données thermiques, de profondeur ou LiDAR, les systèmes peuvent dépasser les limites propres à chaque modalité et gagner en fiabilité et en adaptabilité.

Par exemple, dans l’automatisation des entrepôts, l’utilisation des données RGB pour reconnaître les objets, des données de profondeur pour mesurer les distances et des données thermiques pour détecter la surchauffe des équipements rend les opérations plus efficaces et plus sûres. En définitive, les meilleurs résultats s’obtiennent en sélectionnant ou en combinant les types de données selon les besoins spécifiques de ton application.

Points clés à retenir#

Lors de la création de modèles d’IA pour la vision, il est essentiel de choisir le bon type de données visuelles. Les tâches comme la détection d’objets, la segmentation et le suivi des mouvements reposent non seulement sur les algorithmes, mais aussi sur la qualité des données d’entrée. Des jeux de données propres, diversifiés et précis contribuent à réduire le bruit et à améliorer les performances.

En combinant des types de données comme RGB, la profondeur, les données thermiques et le LiDAR, les systèmes d’IA obtiennent une vision plus complète de leur environnement et deviennent plus fiables dans diverses conditions. À mesure que la technologie progresse, elle devrait permettre à l’IA pour la vision de gagner en rapidité, en adaptabilité et en impact dans de nombreux secteurs.

Rejoins notre communauté et consulte notre dépôt GitHub pour en savoir plus sur la vision par ordinateur. Découvre diverses applications liées à l’IA dans le secteur de la santé et à la vision par ordinateur dans le commerce de détail sur nos pages de solutions. Consulte nos options de licence pour te lancer dans l’IA pour la vision.