{"id":{"repo_id":"ets-quebec","oai_identifier":"oai:espace.etsmtl.ca:2571"},"canonical_url":"https://search.ndltd.org/etd/ets-quebec/oai:espace.etsmtl.ca:2571","repository":{"repo_id":"ets-quebec","name":"ETS (Quebec)","base_url":"https://espace.etsmtl.ca/cgi/oai2"},"display":{"title":"Système de réalité augmentée pour la détection et l’analyse temps-réel d’équipement de réseau électrique","abstract":"Le réseau de distribution d’électricité d’Hydro-Québec vieillit et requiert de plus en plus de maintenance. À la suite d’une opération de grande envergure d’inspection des poteaux et transformateurs de son réseau, Hydro Québec a établi une banque d’images semi-annotées contenant des exemples de poteaux et transformateurs en bon et en mauvais état. Dans le but d’automatiser l’inspection visuelle des équipements de son réseau, un modèle intelligent sera construit à l’aide de réseaux neuronaux. Ce modèle a pour tâche de reconnaître certains éléments du réseau (poteau, transformateur) et de donner une cote d’état à ceux-ci. De plus, le modèle doit également lire les plaques signalétiques LCLCL afin d’effectuer la correction d’une autre base de données. Ce modèle peut être exécuté localement sur un appareil mobile Android ou à distance, sans impact sur sa performance. L’appareil mobile Android fournit les données GPS et données de l’accéléromètre pour augmenter la qualité des détections du modèle. Les segmentations extraites sont analysées afin de déduire une cote d’état selon le type d’équipement. Les poteaux sont cotés primairement selon l’angle et les transformateurs selon la présence ou non d’une fuite d’huile. Si l’un de ces deux indicateurs est détecté par l’application, le technicien effectue une inspection détaillée pour potentiellement déceler d’autres problématiques. La base de données géo-référencées des utilitaires d’Hydro-Québec contient des erreurs de positionnement, de type d’équipements et d’inscription. L’application mobile effectue la lecture de la plaque LCLCL apposée au poteau et utilise les données GPS de l’appareil pour effectuer une recherche dans la base de données actuelle. Dans un cas où les coordonnées GPS ou la séquence de lettres et chiffres diffèrent de ce que la base de données contient, le technicien a la possibilité d’émettre une correction. L’utilisation de données synthétiques a permis de faire certaines avancées dans la recherche mais s’avère problématique pour les scénarios plus complexes. Le manque de données étiquetées pousse vers l’utilisation de réseaux adversaires pour améliorer la génération des données synthétiques, automatiser l’étiquetage et plus encore.","abstract_html":"Le réseau de distribution d’électricité d’Hydro-Québec vieillit et requiert de plus en plus de maintenance. À la suite d’une opération de grande envergure d’inspection des poteaux et transformateurs de son réseau, Hydro Québec a établi une banque d’images semi-annotées contenant des exemples de poteaux et transformateurs en bon et en mauvais état. Dans le but d’automatiser l’inspection visuelle des équipements de son réseau, un modèle intelligent sera construit à l’aide de réseaux neuronaux. Ce modèle a pour tâche de reconnaître certains éléments du réseau (poteau, transformateur) et de donner une cote d’état à ceux-ci. De plus, le modèle doit également lire les plaques signalétiques LCLCL afin d’effectuer la correction d’une autre base de données. Ce modèle peut être exécuté localement sur un appareil mobile Android ou à distance, sans impact sur sa performance. L’appareil mobile Android fournit les données GPS et données de l’accéléromètre pour augmenter la qualité des détections du modèle. Les segmentations extraites sont analysées afin de déduire une cote d’état selon le type d’équipement. Les poteaux sont cotés primairement selon l’angle et les transformateurs selon la présence ou non d’une fuite d’huile. Si l’un de ces deux indicateurs est détecté par l’application, le technicien effectue une inspection détaillée pour potentiellement déceler d’autres problématiques. La base de données géo-référencées des utilitaires d’Hydro-Québec contient des erreurs de positionnement, de type d’équipements et d’inscription. L’application mobile effectue la lecture de la plaque LCLCL apposée au poteau et utilise les données GPS de l’appareil pour effectuer une recherche dans la base de données actuelle. Dans un cas où les coordonnées GPS ou la séquence de lettres et chiffres diffèrent de ce que la base de données contient, le technicien a la possibilité d’émettre une correction. L’utilisation de données synthétiques a permis de faire certaines avancées dans la recherche mais s’avère problématique pour les scénarios plus complexes. Le manque de données étiquetées pousse vers l’utilisation de réseaux adversaires pour améliorer la génération des données synthétiques, automatiser l’étiquetage et plus encore.","abstract_has_math":false,"creators":["Beaudoin, Olivier"],"institution":"École de technologie supérieure","degree_name":"Mémoire de maîtrise électronique","degree_level":"masters","degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2020,"date_issued":"2020-06-25","date_published":"2020-06-25","updated_at":"2026-11-18T22:08:38Z","subjects":["apprentissage-machine, réseau de neurones, données synthétiques, android"],"languages":["fr"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["INSERT-YOUR-LIBRARY-ID-HERE2571"],"render_values":[{"text":"INSERT-YOUR-LIBRARY-ID-HERE2571","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":null,"outbound_label":null,"outbound_source":null,"record_url":null,"record_label":null,"record_kind":null,"record_source":null,"download_url":"https://espace.etsmtl.ca/id/eprint/2571/2/BEAUDOIN_Olivier.pdf","download_label":"Download PDF","download_source":"dc:identifier","access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://espace.etsmtl.ca/cgi/oai2?verb=GetRecord&metadataPrefix=oai_etdms&identifier=oai%3Aespace.etsmtl.ca%3A2571","prefix":"oai_etdms"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Beaudoin, Olivier"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2020-06-25"]},{"key":"dc:publisher","label":"Institution","values":["École de technologie supérieure"]},{"key":"dc:type","label":"Dc Type","values":["Electronic Thesis or Dissertation"]},{"key":"thesis:degree_level","label":"Degree Level","values":["masters"]},{"key":"thesis:degree_name","label":"Degree Name","values":["Mémoire de maîtrise électronique"]},{"key":"thesis:institution_name","label":"Thesis Institution Name","values":["École de technologie supérieure"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["apprentissage-machine, réseau de neurones, données synthétiques, android"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["fr"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["INSERT-YOUR-LIBRARY-ID-HERE2571","https://espace.etsmtl.ca/id/eprint/2571/2/BEAUDOIN_Olivier.pdf","https://espace.etsmtl.ca/id/eprint/2571/1/BEAUDOIN_Olivier-web.pdf"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Le réseau de distribution d’électricité d’Hydro-Québec vieillit et requiert de plus en plus de maintenance. À la suite d’une opération de grande envergure d’inspection des poteaux et transformateurs de son réseau, Hydro Québec a établi une banque d’images semi-annotées contenant des exemples de poteaux et transformateurs en bon et en mauvais état. Dans le but d’automatiser l’inspection visuelle des équipements de son réseau, un modèle intelligent sera construit à l’aide de réseaux neuronaux. Ce modèle a pour tâche de reconnaître certains éléments du réseau (poteau, transformateur) et de donner une cote d’état à ceux-ci. De plus, le modèle doit également lire les plaques signalétiques LCLCL afin d’effectuer la correction d’une autre base de données. Ce modèle peut être exécuté localement sur un appareil mobile Android ou à distance, sans impact sur sa performance. L’appareil mobile Android fournit les données GPS et données de l’accéléromètre pour augmenter la qualité des détections du modèle. Les segmentations extraites sont analysées afin de déduire une cote d’état selon le type d’équipement. Les poteaux sont cotés primairement selon l’angle et les transformateurs selon la présence ou non d’une fuite d’huile. Si l’un de ces deux indicateurs est détecté par l’application, le technicien effectue une inspection détaillée pour potentiellement déceler d’autres problématiques. La base de données géo-référencées des utilitaires d’Hydro-Québec contient des erreurs de positionnement, de type d’équipements et d’inscription. L’application mobile effectue la lecture de la plaque LCLCL apposée au poteau et utilise les données GPS de l’appareil pour effectuer une recherche dans la base de données actuelle. Dans un cas où les coordonnées GPS ou la séquence de lettres et chiffres diffèrent de ce que la base de données contient, le technicien a la possibilité d’émettre une correction. L’utilisation de données synthétiques a permis de faire certaines avancées dans la recherche mais s’avère problématique pour les scénarios plus complexes. Le manque de données étiquetées pousse vers l’utilisation de réseaux adversaires pour améliorer la génération des données synthétiques, automatiser l’étiquetage et plus encore."]},{"key":"dc:format","label":"Dc Format","values":["application/pdf"]},{"key":"dc:title","label":"Title","values":["Système de réalité augmentée pour la détection et l’analyse temps-réel d’équipement de réseau électrique"]}]}],"canonical_facts":{"dc:creator":["Beaudoin, Olivier"],"dc:date":["2020-06-25"],"dc:description":["Le réseau de distribution d’électricité d’Hydro-Québec vieillit et requiert de plus en plus de maintenance. À la suite d’une opération de grande envergure d’inspection des poteaux et transformateurs de son réseau, Hydro Québec a établi une banque d’images semi-annotées contenant des exemples de poteaux et transformateurs en bon et en mauvais état. Dans le but d’automatiser l’inspection visuelle des équipements de son réseau, un modèle intelligent sera construit à l’aide de réseaux neuronaux. Ce modèle a pour tâche de reconnaître certains éléments du réseau (poteau, transformateur) et de donner une cote d’état à ceux-ci. De plus, le modèle doit également lire les plaques signalétiques LCLCL afin d’effectuer la correction d’une autre base de données. Ce modèle peut être exécuté localement sur un appareil mobile Android ou à distance, sans impact sur sa performance. L’appareil mobile Android fournit les données GPS et données de l’accéléromètre pour augmenter la qualité des détections du modèle. Les segmentations extraites sont analysées afin de déduire une cote d’état selon le type d’équipement. Les poteaux sont cotés primairement selon l’angle et les transformateurs selon la présence ou non d’une fuite d’huile. Si l’un de ces deux indicateurs est détecté par l’application, le technicien effectue une inspection détaillée pour potentiellement déceler d’autres problématiques. La base de données géo-référencées des utilitaires d’Hydro-Québec contient des erreurs de positionnement, de type d’équipements et d’inscription. L’application mobile effectue la lecture de la plaque LCLCL apposée au poteau et utilise les données GPS de l’appareil pour effectuer une recherche dans la base de données actuelle. Dans un cas où les coordonnées GPS ou la séquence de lettres et chiffres diffèrent de ce que la base de données contient, le technicien a la possibilité d’émettre une correction. L’utilisation de données synthétiques a permis de faire certaines avancées dans la recherche mais s’avère problématique pour les scénarios plus complexes. Le manque de données étiquetées pousse vers l’utilisation de réseaux adversaires pour améliorer la génération des données synthétiques, automatiser l’étiquetage et plus encore."],"dc:format":["application/pdf"],"dc:identifier":["INSERT-YOUR-LIBRARY-ID-HERE2571","https://espace.etsmtl.ca/id/eprint/2571/2/BEAUDOIN_Olivier.pdf","https://espace.etsmtl.ca/id/eprint/2571/1/BEAUDOIN_Olivier-web.pdf"],"dc:language":["fr"],"dc:publisher":["École de technologie supérieure"],"dc:subject":["apprentissage-machine, réseau de neurones, données synthétiques, android"],"dc:title":["Système de réalité augmentée pour la détection et l’analyse temps-réel d’équipement de réseau électrique"],"dc:type":["Electronic Thesis or Dissertation"],"thesis:degree_level":["masters"],"thesis:degree_name":["Mémoire de maîtrise électronique"],"thesis:institution_name":["École de technologie supérieure"]},"updated_at":"2026-11-18T22:08:38Z"}