Détails du sujet
Conception d’un Système Intelligent basé sur la Vision par Ordinateur pour la Détection et la Gestion en Temps Réel des Places de Stationnement Urbain avec Guidage et Tarification Dynamique
Résumé
Auteur : KIKANDI ELISHA
Niveau: G3
Département: Genie Informatique
Année Ac: 2025-2026 , | 2026-04-02 22:16:24
Mots clés
Vision par ordinateur, Edge AI (intelligence artificielle embarquée), stationnement intelligent, YOLOv8 (détection d’objets), tarification dynamique, ville intelligente (Smart City), traitement en temps réel, respect de la vie privée (Privacy by Design)
Intérêt
Notre projet porte sur 3 Intérêt :
1.Intérêt Sociétal : Réduire la congestion urbaine, la pollution de l'air et le stress des conducteurs en diminuant drastiquement le temps de recherche de stationnement.
2.Intérêt Économique : Optimiser l'usage de l'infrastructure existante et générer des revenus équitables pour la collectivité grâce à une tarification adaptative.
3.Intérêt Scientifique : Explorer les synergies entre l'Edge AI, la vision par ordinateur et les modèles économiques innovants pour créer une solution de ville intelligente durable et éthique.
Problématique
Les solutions actuelles de gestion du stationnement sont soit coûteuses et rigides (capteurs physiques), soit inefficaces et indiscrètes (vision par ordinateur centralisée). Ces dernières saturent les réseaux, engendrent des coûts opérationnels élevés et posent des risques majeurs pour la vie privée en transmettant continuellement des flux vidéo.
Problématique Centrale: Comment concevoir et implémenter un système intelligent de gestion du stationnement urbain qui soit à la fois précis, réactif, économe en ressources réseau, respectueux de la vie privée et capable de s’adapter aux dynamiques urbaines, en évitant la transmission continue de flux vidéo vers un système centralisé ? Plan provisoire
Plan Provisoire du Mémoire
•Introduction Générale
•0.1. Contexte et Généralités
•0.2. Problématique
•0.3. Questions de recherche
•0.4. Hypothèses
•0.5. Intérêts et Motivations
•0.6. Objectifs de recherche
•0.7. Méthodologie et Délimitation
•0.8. Structure du mémoire
•Chapitre 1 : Fondements Théoriques et État de l’Art
•1.1. Introduction partielle
•1.2. État de l’art (Détection, Guidage, Tarification)
•1.3. Concepts de la Vision par Ordinateur (CNN, YOLO)
•1.4. Le paradigme de l’Edge Computing
•1.5. L’économie du stationnement (Donald Shoup)
•1.6. Problématiques éthiques et sociétales
•1.7. Conclusion partielle
•Chapitre 2 : Analyse et Conception du Système
•2.1. Introduction partielle
•2.2. Architecture globale du système (Edge, Cloud, Mobile)
•2.3. Modélisation des données (Base de données géospatiale)
•2.4. Conception du module de détection (Edge AI)
•2.5. Conception du backend (API Django)
•2.6. Conception des interfaces utilisateur (Web et Mobile)
•2.7. Conclusion partielle
•Chapitre 3 : Implémentation et Développement
•3.1. Introduction partielle
•3.2. Outils et environnement de développement
•3.3. Implémentation du modèle de détection YOLOv8
•3.4. Développement du backend et des API REST
•3.5. Développement de l'application mobile (React Native)
•3.6. Développement de la plateforme web d'administration
•3.7. Conclusion partielle
•Chapitre 4 : Expérimentation, Résultats et Discussion
•4.1. Introduction partielle
•4.2. Protocole expérimental
•4.3. Présentation et analyse des résultats (Précision, Latence, Bande passante)
•4.4. Évaluation de l'impact de la tarification dynamique
•4.5. Discussion des résultats et validation des hypothèses
•4.6. Limites et perspectives
•4.7. Conclusion partielle
•Conclusion Générale Hypothèses
Nous avons 4 hypothèse:
1.Une architecture Edge AI « à la demande » réduira drastiquement la consommation de bande passante et les coûts de calcul tout en améliorant la réactivité de la détection.
2.Un modèle de tarification dynamique régulera efficacement le flux de véhicules, optimisera l'occupation des places et générera des revenus équitables.
3.La combinaison de l'algorithme YOLOv8 et de l'Edge AI assurera une détection de véhicules robuste, précise et en temps quasi réel, même dans des conditions variables.
4.Une plateforme intégrée (web et mobile) offrira une expérience utilisateur complète et fluide, réduisant significativement le temps de recherche de stationnement.
Méthodes
Notre démarche suivra un processus structuré en cinq étapes clés :
1.Recherche Documentaire : Analyse approfondie de la littérature scientifique pour consolider les bases théoriques.
2.Conception du Système : Élaboration de l'architecture détaillée, des modèles de données et des interfaces.
3.Développement du Prototype : Implémentation itérative de la solution (modèle IA, backend, application mobile).
4.Expérimentation et Évaluation : Tests de performance du prototype pour valider sa précision, sa latence et son efficacité.
5.Rédaction Finale : Analyse des résultats, discussion des implications et conclusion du mémoire. Bibliographie
1.Shoup, D. C. (2011). The High Cost of Free Parking (Updated Edition). American Planning Association.
2.Redmon, J., Divvala, S., Girshick, R., & Farhadi, A. (2016). You Only Look Once: Unified, Real-Time Object Detection. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition.
3.Shi, W., & Dustdar, S. (2016). Edge computing: Vision and challenges. IEEE Internet of Things Journal, 3(5), 637-646.
4.LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436-444.
5.Gonzalez, R. C., & Woods, R. E. (2018). Digital Image Processing. Pearson.
6.Satyanarayanan, M. (2017). The emergence of edge computing. Computer, 50(1), 30-39.
7.Bochkovskiy, A., Wang, C. Y., & Liao, H. Y. M. (2020). YOLOv4: Optimal Speed and Accuracy of Object Detection. arXiv preprint arXiv:2004.10934.
8.Litman, T. (2006). Parking Management: Strategies, Evaluation and Planning. Victoria Transport Policy Institute.
9.Townsend, A. M. (2013). Smart Cities: Big Data, Civic Hackers, and the Quest for a New Utopia. W. W. Norton & Company.
10.Voigt, P., & Von dem Bussche, A. (2017). The EU General Data Protection Regulation (GDPR): A Practical Guide. Springer.
11.Ren, S., He, K., Girshick, R., & Sun, J. (2015). Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks. Advances in Neural Information Processing Systems, 28.
12.Kitchin, R. (2014). The Data Revolution: Big Data, Open Data, Data Infrastructures and Their Consequences. Sage Publications.
13.Crawford, K. (2021). Atlas of AI: Power, Politics, and the Planetary Costs of Artificial Intelligence. Yale University Press
Directeur & Encadreur
Directeur: MOLO Joaquim MBASA
Encadreur: Johnson KISAMBA
Status
Décision ou observation:
Feu vert:
Déposé : NON
Défendu: NON
Finalisé: NON
Conception d’un Système Intelligent basé sur la Vision par Ordinateur pour la Détection et la Gestion en Temps Réel des Places de Stationnement Urbain avec Guidage et Tarification Dynamique
Résumé
Auteur : KIKANDI ELISHA
Niveau: G3
Département: Genie Informatique
Année Ac: 2025-2026 , | 2026-04-02 22:16:24
Mots clés
Vision par ordinateur, Edge AI (intelligence artificielle embarquée), stationnement intelligent, YOLOv8 (détection d’objets), tarification dynamique, ville intelligente (Smart City), traitement en temps réel, respect de la vie privée (Privacy by Design)Intérêt
Notre projet porte sur 3 Intérêt :1.Intérêt Sociétal : Réduire la congestion urbaine, la pollution de l'air et le stress des conducteurs en diminuant drastiquement le temps de recherche de stationnement.
2.Intérêt Économique : Optimiser l'usage de l'infrastructure existante et générer des revenus équitables pour la collectivité grâce à une tarification adaptative.
3.Intérêt Scientifique : Explorer les synergies entre l'Edge AI, la vision par ordinateur et les modèles économiques innovants pour créer une solution de ville intelligente durable et éthique.
Problématique
Les solutions actuelles de gestion du stationnement sont soit coûteuses et rigides (capteurs physiques), soit inefficaces et indiscrètes (vision par ordinateur centralisée). Ces dernières saturent les réseaux, engendrent des coûts opérationnels élevés et posent des risques majeurs pour la vie privée en transmettant continuellement des flux vidéo.Problématique Centrale: Comment concevoir et implémenter un système intelligent de gestion du stationnement urbain qui soit à la fois précis, réactif, économe en ressources réseau, respectueux de la vie privée et capable de s’adapter aux dynamiques urbaines, en évitant la transmission continue de flux vidéo vers un système centralisé ?
Plan provisoire
Plan Provisoire du Mémoire•Introduction Générale
•0.1. Contexte et Généralités
•0.2. Problématique
•0.3. Questions de recherche
•0.4. Hypothèses
•0.5. Intérêts et Motivations
•0.6. Objectifs de recherche
•0.7. Méthodologie et Délimitation
•0.8. Structure du mémoire
•Chapitre 1 : Fondements Théoriques et État de l’Art
•1.1. Introduction partielle
•1.2. État de l’art (Détection, Guidage, Tarification)
•1.3. Concepts de la Vision par Ordinateur (CNN, YOLO)
•1.4. Le paradigme de l’Edge Computing
•1.5. L’économie du stationnement (Donald Shoup)
•1.6. Problématiques éthiques et sociétales
•1.7. Conclusion partielle
•Chapitre 2 : Analyse et Conception du Système
•2.1. Introduction partielle
•2.2. Architecture globale du système (Edge, Cloud, Mobile)
•2.3. Modélisation des données (Base de données géospatiale)
•2.4. Conception du module de détection (Edge AI)
•2.5. Conception du backend (API Django)
•2.6. Conception des interfaces utilisateur (Web et Mobile)
•2.7. Conclusion partielle
•Chapitre 3 : Implémentation et Développement
•3.1. Introduction partielle
•3.2. Outils et environnement de développement
•3.3. Implémentation du modèle de détection YOLOv8
•3.4. Développement du backend et des API REST
•3.5. Développement de l'application mobile (React Native)
•3.6. Développement de la plateforme web d'administration
•3.7. Conclusion partielle
•Chapitre 4 : Expérimentation, Résultats et Discussion
•4.1. Introduction partielle
•4.2. Protocole expérimental
•4.3. Présentation et analyse des résultats (Précision, Latence, Bande passante)
•4.4. Évaluation de l'impact de la tarification dynamique
•4.5. Discussion des résultats et validation des hypothèses
•4.6. Limites et perspectives
•4.7. Conclusion partielle
•Conclusion Générale
Hypothèses
Nous avons 4 hypothèse:1.Une architecture Edge AI « à la demande » réduira drastiquement la consommation de bande passante et les coûts de calcul tout en améliorant la réactivité de la détection.
2.Un modèle de tarification dynamique régulera efficacement le flux de véhicules, optimisera l'occupation des places et générera des revenus équitables.
3.La combinaison de l'algorithme YOLOv8 et de l'Edge AI assurera une détection de véhicules robuste, précise et en temps quasi réel, même dans des conditions variables.
4.Une plateforme intégrée (web et mobile) offrira une expérience utilisateur complète et fluide, réduisant significativement le temps de recherche de stationnement.
Méthodes
Notre démarche suivra un processus structuré en cinq étapes clés :1.Recherche Documentaire : Analyse approfondie de la littérature scientifique pour consolider les bases théoriques.
2.Conception du Système : Élaboration de l'architecture détaillée, des modèles de données et des interfaces.
3.Développement du Prototype : Implémentation itérative de la solution (modèle IA, backend, application mobile).
4.Expérimentation et Évaluation : Tests de performance du prototype pour valider sa précision, sa latence et son efficacité.
5.Rédaction Finale : Analyse des résultats, discussion des implications et conclusion du mémoire.
Bibliographie
1.Shoup, D. C. (2011). The High Cost of Free Parking (Updated Edition). American Planning Association.2.Redmon, J., Divvala, S., Girshick, R., & Farhadi, A. (2016). You Only Look Once: Unified, Real-Time Object Detection. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition.
3.Shi, W., & Dustdar, S. (2016). Edge computing: Vision and challenges. IEEE Internet of Things Journal, 3(5), 637-646.
4.LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436-444.
5.Gonzalez, R. C., & Woods, R. E. (2018). Digital Image Processing. Pearson.
6.Satyanarayanan, M. (2017). The emergence of edge computing. Computer, 50(1), 30-39.
7.Bochkovskiy, A., Wang, C. Y., & Liao, H. Y. M. (2020). YOLOv4: Optimal Speed and Accuracy of Object Detection. arXiv preprint arXiv:2004.10934.
8.Litman, T. (2006). Parking Management: Strategies, Evaluation and Planning. Victoria Transport Policy Institute.
9.Townsend, A. M. (2013). Smart Cities: Big Data, Civic Hackers, and the Quest for a New Utopia. W. W. Norton & Company.
10.Voigt, P., & Von dem Bussche, A. (2017). The EU General Data Protection Regulation (GDPR): A Practical Guide. Springer.
11.Ren, S., He, K., Girshick, R., & Sun, J. (2015). Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks. Advances in Neural Information Processing Systems, 28.
12.Kitchin, R. (2014). The Data Revolution: Big Data, Open Data, Data Infrastructures and Their Consequences. Sage Publications.
13.Crawford, K. (2021). Atlas of AI: Power, Politics, and the Planetary Costs of Artificial Intelligence. Yale University Press
Directeur & Encadreur
Directeur: MOLO Joaquim MBASAEncadreur: Johnson KISAMBA
Status
Décision ou observation:Feu vert:
Déposé : NON
Défendu: NON
Finalisé: NON