LABO · 2026
FireGuard AI
Une caméra thermique assistée par IA pour détecter les retours de flamme avant qu'ils ne se produisent.
Classer des images thermiques en cinq situations, dont les deux phénomènes qui tuent les pompiers : l'embrasement généralisé et le retour de flamme, chacun avec son état précurseur.
La difficulté n'est pas le modèle — un réseau pré-entraîné affiné en deux phases suffit — mais les données. Il n'existe pas de jeu public d'images thermiques de backdraft. Il a fallu en constituer un, par extraction depuis des vidéos et génération, puis compenser le déséquilibre entre classes par une fonction de perte pondérée : sans ça, le modèle apprend à toujours répondre « normal », ce qui lui donne un bon score et le rend inutile.
Livré avec son évaluation et une démonstration web.
Ce qu'il sait faire
Cinq situations, dont deux qui tuent
Le modèle classe des images thermiques en cinq états, parmi lesquels l'embrasement généralisé et le retour de flamme, chacun avec son état précurseur. C'est le précurseur qui a de la valeur : l'autre arrive trop tard.
Le jeu de données n'existait pas
Il n'y a pas de corpus public d'images thermiques de retour de flamme. Il a fallu le constituer, par extraction depuis des vidéos et par génération.
Un bon score qui ne vaut rien
Les classes dangereuses sont rares. Sans correction, le modèle apprend à toujours répondre « situation normale » : il obtient un excellent score et ne sert à rien. Une fonction de perte pondérée rend l'erreur grave plus coûteuse que l'erreur banale.
Livré avec son évaluation
Le projet rend ses mesures et une démonstration utilisable, pas seulement un carnet de code. Un modèle sans protocole d'évaluation n'est pas un résultat.
Ce qui était difficile
- Constituer un jeu de données sur un phénomène dont il n'existe presque pas d'images exploitables.
- Rendre un modèle utile sur les classes rares, qui sont précisément les seules qui comptent ici.