Détection des fuites de masques N95 par IA et imagerie infrarouge

Contexte

Les fuites au niveau du joint des masques N95 constituent une cause majeure de diminution de leur efficacité de protection. Les méthodes actuelles, comme les tests de type PortaCount, fournissent une mesure globale sans localisation précise des fuites et nécessitent un équipement spécialisé et une personne formée. L’imagerie infrarouge (IR) offre une alternative prometteuse en permettant de visualiser les variations thermiques liées aux flux d’air expiré.

Objectif

L’objectif de ce projet est de développer une approche basée sur l’intelligence artificielle et l’imagerie infrarouge pour détecter et localiser automatiquement les fuites de masques N95, en exploitant les dynamiques temporelles du cycle respiratoire.

Méthodologie

Le système proposé repose sur une approche spatio-temporelle à l’échelle de patches. Les données utilisées proviennent d’une base de vidéos infrarouges collectée par notre équipe de recherche à l’aide d’un banc d’essai respiratoire reproduisant des cycles de respiration et des scénarios de fuite contrôlés sur un modèle plan et un mannequin .

Cette base de données constitue une contribution majeure du projet : elle est de grande ampleur, composée de vidéos infrarouges haute résolution et de scénarios de fuite précisément contrôlés, ce qui la rend unique. À notre connaissance, il n’existe pas de base publique équivalente combinant un tel niveau de résolution, de volume de données et de contrôle expérimental .

À partir de ces données :

• Des patches thermographiques localisés sont extraits le long du joint du masque.
• Des séquences temporelles sont construites pour capturer les variations liées à la respiration.
• Une stratégie d’équilibrage bi-niveau (BLCB) est appliquée pour gérer le déséquilibre des classes.
• Des modèles profonds (CNN-LSTM et CNN avec attention) sont entraînés pour la détection des fuites.

Résultats

Les résultats montrent que le modèle avec attention temporelle atteint les meilleures performances, avec une exactitude supérieure à 96 % et une AUC proche de 99% . Le système démontre également une bonne capacité de généralisation entre différents dispositifs.

Conclusion

Ce travail met en évidence le potentiel d’une approche combinant imagerie infrarouge et apprentissage profond pour une détection précise et localisée des fuites. La richesse et l’unicité de la base de données développée constituent un atout majeur pour ce domaine de recherche.

Cette approche ouvre la voie au développement d’outils plus visuels, automatisés et accessibles pour l’évaluation de l’étanchéité des masques en conditions réelles.

Mots-clés: Intelligence artificielle, Imagerie infrarouge, Masques N95, Détection de fuites, Deep learning, Vision par ordinateur.