💻 computer science

Dot-Flik: A Scalable Edge AI Architecture for Distributed Insect Monitoring

Cet article présente Dot-Flik, une architecture d'IA en périphérie (edge AI) évolutive pour la surveillance distribuée des insectes qui utilise un filtrage de trames informé par le mouvement afin de réduire la transmission de données et la consommation d'énergie, permettant ainsi un suivi de la biodiversité rentable et en temps réel sur du matériel à bas coût sans dépendre d'un traitement centralisé.

Auteurs originaux : Mattia Consani, Denisa-Andreea Constantinescu, Åse Håtveit, Titus Venverloo, Fabio Duarte, Carlo Ratti, David Atienza

Publié 2026-06-26

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Mattia Consani, Denisa-Andreea Constantinescu, Åse Håtveit, Titus Venverloo, Fabio Duarte, Carlo Ratti, David Atienza

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous essayiez de compter chaque abeille, papillon et scarabée d'un parc urbain pour comprendre la santé de l'écosystème local. Le problème ? Il y a trop d'insectes, et ils bougent trop vite pour un comptage manuel par des humains. Si vous utilisez des caméras, vous rencontrez un nouveau problème : les caméras génèrent une quantité massive de données vidéo. La majeure partie de cette vidéo n'est que du ciel vide ou des feuilles qui bougent sous le vent. Envoyer toutes ces images inutiles vers un ordinateur central coûte cher, épuise les batteries et encombre le réseau.

Ce document présente Dot-Flik, un système intelligent en deux parties conçu pour résoudre ce problème de « l'inondation de données » afin que nous puissions surveiller les insectes à grande échelle sans se ruiner.

Voici comment cela fonctionne, en utilisant des analogies simples :

Le Problème : Le piège photographique « toujours actif »

Pensez à la surveillance des insectes traditionnelle comme à un garde de sécurité posté devant chaque porte d'un immense hôtel. Chaque garde (la caméra) crie constamment : « Je vois quelque chose ! Je vois quelque chose ! », même s'il ne s'agit que d'une feuille qui tombe ou d'une ombre qui bouge.

Le Coût : Vous avez besoin d'une équipe énorme de gardes (des ordinateurs coûteux) pour écouter tous ces cris.
Le Gaspillage : 90 % des cris ne concernent rien d'important. Les gardes se fatiguent (les batteries meurent) et les lignes téléphoniques sont saturées (surcharge du réseau).

La Solution : L'équipe Dot-Flik

Les auteurs proposent de diviser le travail en deux rôles spécialisés, créant ainsi une équipe « hiérarchique ».

1. Les nœuds « Dot » (Les videurs intelligents)

Ce sont les caméras à bas coût placées partout dans le parc. Au lieu d'être des caméras « stupides » qui enregistrent tout, elles agissent comme des videurs intelligents à l'entrée d'un club.

Comment elles fonctionnent : Elles surveillent le flux vidéo mais ne cherchent que le mouvement.
L'Astuce : Elles utilisent une astuce mathématique ingénieuse (appelée « filtrage informé par le mouvement ») pour ignorer le vent qui souffle dans les arbres. Elles savent que le vent fait bouger tout le monde de manière lente et uniforme, tandis qu'un insecte se déplace rapidement en un point précis.
Le Résultat : Si le videur voit une feuille qui vole, il dit : « Ignore ça ». S'il voit une abeille bourdonner, il dit : « Stop ! Envoyez ça au patron ! ».
Efficacité : Dans des conditions de calme ou de vent léger, ces videurs jettent 60 % à 80 % des images vidéo avant même qu'elles ne quittent la caméra. Ils n'envoient que les moments « intéressants ».

2. Le nœud « Flik » (L'analyste expert)

Il s'agit de l'ordinateur central (le « patron ») qui reçoit les messages filtrés des nombreux videurs « Dot ».

Comment il fonctionne : Comme les « Dots » ont déjà fait le travail difficile de filtrer le bruit, le nœud « Flik » n'a pas besoin d'écouter 100 caméras crier en même temps. Il n'écoute que les 20 % de caméras qui ont réellement vu quelque chose d'intéressant.
Le Bénéfice : Un seul ordinateur puissant peut désormais gérer les données de 5 à 6 emplacements de caméras différents simultanément, alors qu'avant, il pouvait à peine en gérer un seul. C'est comme si un expert pouvait interviewer 5 personnes à la fois parce que les 95 autres sont restées silencieuses.

Pourquoi cela compte (Les résultats réels)

Les chercheurs ont testé ce système dans un vrai jardin extérieur avec du vrai vent et de vrais insectes. Voici ce qu'ils ont découvert :

Réduction massive des données : Sous un vent léger, le système a réduit les données envoyées à l'ordinateur central de 60 à 80 %. C'est comme envoyer le résumé d'un livre plutôt que le livre entier.
Durée de vie de la batterie : Comme les caméras n'envoient pas constamment de vidéos inutiles, elles économisent de l'énergie. Le système a montré jusqu'à 22,6 % d'économies d'énergie, ce qui pourrait prolonger la vie d'une caméra sur batterie d'environ une journée entière.
Vitesse : Le système est assez rapide pour capturer les insectes en temps réel (30 images par seconde) sans se bloquer ou subir de latence.
Coût : En utilisant des caméras simples et bon marché pour le travail de « videur » et seulement quelques ordinateurs puissants pour le travail d'« expert », vous pouvez couvrir une zone beaucoup plus vaste pour beaucoup moins d'argent.

L'essentiel

L'article soutient que pour surveiller les insectes à travers toute une ville, nous ne pouvons pas simplement construire des caméras plus puissantes et plus chères. Au lieu de cela, nous devons construire des caméras plus intelligentes et plus simples qui savent ignorer le vent et ne rapporter que ce qui compte.

En déplaçant la « réflexion » sur ce qui est intéressant vers la périphole (la caméra elle-même) et en n'envoyant que le contenu pertinent au cerveau central, le système Dot-Flik rend possible la création d'un réseau dense de surveillance des insectes à l'échelle de la ville, qui soit abordable, économe en énergie et évolutif. Il transforme un flux chaotique de données en un flux gérable d'informations utiles.

Résumé Technique : Dot-Flik : Une architecture d'IA en périphique (Edge AI) évolutive pour la surveillance distribuée des insectes

Énoncé du problème
Les populations mondiales d'insectes font face à un déclin précipité, nécessitant des systèmes de surveillance continus et évolutifs pour suivre la biodiversité. Bien que des solutions de vision automatisées existent, elles se heurtent à des barrières fondamentales pour un déploiement à grande échelle. Les approches de pointe actuelles reposent généralement sur du matériel coûteux et gourmand en énergie ou sur une connectivité cloud continue. Ces dépendances créent un « fossé de surveillance » : les coûts matériels élevés limitent la densité des nœuds, la consommation d'énergie élevée restreint le placement aux zones connectées au réseau électrique, et les architectures centrées sur le cloud introduisent des contraintes de bande passante et de confidentialité. De plus, les systèmes d'IA en périphique existants (tels que la plateforme Flik) opèrent souvent près de la saturation computationnelle, où chaque zone de surveillance supplémentaire nécessite un déploiement proportionnellement dense de nœuds de traitement complet, entraînant une évolution défavorable des coûts, de l'énergie et des ressources de calcul.

Méthodologie
L'article propose Dot-Flik, une architecture IoT hiérarchique et distribuée qui découple l'acquisition de données de la classification par IA grâce à une réduction des données côté périphérie (edge). Le système se compose de deux couches distinctes :

Nœuds Dot (Sensation en périphérie) : Des unités de détection à faible coût (implémentées sur Raspberry Pi Zero 2 W) équipées de modules caméras standards. Ces nœuds effectuent un filtrage de trames léger, informé par le mouvement, directement à la source. Au lieu de transmettre une vidéo continue, ils rejettent localement le contenu dominé par l'arrière-plan.
Nœuds Flik 2.0 (Classification par IA en périphérie) : Des unités de traitement centralisées (implémentées sur Raspberry Pi 5 avec NPU Hailo-8) qui reçoivent uniquement les trames candidates filtrées provenant de plusieurs nœuds Dot. Ces nœuds effectuent l'inférence par apprentissage profond, la plus exigeante en ressources, pour la classification des espèces d'insectes.

Principales contributions
Les auteurs présentent trois contributions principales :

Algorithme de filtrage de trames informé par le mouvement : Un algorithme léger exécuté sur les nœuds Dot qui rejette les trames non pertinentes sans nécessiter d'inférence par apprentissage profond sur le dispositif de détection. L'algorithme utilise un flux de travail en trois étapes :
- Prétraitement : Conversion en niveaux de gris, sous-échantillonnage à 320x320 et flou gaussien 5x5 pour supprimer le bruit à haute fréquence.
- Différenciation temporelle et amplification : Calcul de la probabilité de mouvement à l'aide d'un tampon glissant de trois trames. Le signal de mouvement est normalisé et corrigé par gamma ( $\gamma=3.0$ ) pour accentuer le mouvement concentré (insectes) tout en supprimant le bruit environnemental dispersé (ex. : végétation agitée par le vent).
- Analyse de densité par blocs : La trame est partitionnée en blocs non chevauchants de 20x20 pixels. En utilisant des images intégrales pour une complexité de $O(1)$ , le système calcule l'intensité du mouvement par bloc. Une trame n'est conservée que si au moins un bloc dépasse un seuil de mouvement ( $\tau=2000$ ), distinguant ainsi l'activité localisée des insectes du mouvement uniforme de l'arrière-plan.
Architecture hiérarchique distribuée : La topologie Dot-Flik sépare la détection de la classification, permettant un modèle de mise à l'échelle « de nombreux vers peu » ( $N$ nœuds Dot vers $M$ nœuds Flik, où $M \ll N$ ). Cette architecture réduit le volume de communication et permet à la demande de traitement en arrière-plan de croître de manière fractionnaire par rapport à la zone surveillée plutôt que de manière linéaire avec le nombre de nœuds. Elle supporte un fonctionnement asynchrone, où les nœuds Dot diffusent en temps réel (30 FPS) tandis que les nœuds Flik traitent les données en mode batch pour optimiser l'utilisation de la puissance de calcul.
Validation en conditions réelles : Le système a été déployé en extérieur dans un jardin urbain sous diverses conditions de vent (d'absence de vent à vent extrême). L'évaluation a couvert quatre axes : performance en temps réel, évolutivité du réseau, coût matériel et efficacité énergétique.

Résultats

Réduction de données : Le filtrage informé par le mouvement a permis d'atteindre des taux de réduction de trames de 60 à 80 % dans des conditions de vent léger (5–15 km/h) et de 20 à 40 % sous des vents forts. Une inspection manuelle a confirmé que l'activité des insectes visible dans les flux non filtrés était systématiquement préservée.
Performance en temps réel : Les nœuds Dot ont maintenu un fonctionnement à 30 FPS avec un temps de traitement total de 33,32 ms par trame, laissant une marge de manœuvre de 12,8 ms. La capture de la caméra a représenté 76,8 % du temps de traitement.
Évolutivité : Sur la base du taux de filtrage en vent léger ( $r \approx 0,72$ ) et des capacités de traitement par lots du nœud Flik 2.0, les auteurs projettent une concurrence durable de 5 à 6 flux Dot simultanés par nœud Flik 2.0. La bande passante réseau a été identifiée comme non contraignante ; la capacité de calcul du nœud central est la principale contrainte d'évolutivité.
Efficacité énergétique : La consommation d'énergie était corrélée aux taux de transmission des trames. Le système a réalisé des économies d'énergie allant jusqu'à 22,6 % avec un taux de rejet de trames de 100 % (inactif). Sous des vents modérés (taux de rejet de 70 %), le système a démontré une réduction d'énergie de 15,6 %, ce qui se traduit par environ 9,2 heures de fonctionnement supplémentaires sur une batterie externe de 20 000 mAh.

Signification et affirmations
L'article affirme que Dot-Flik établit une base pratique pour des réseaux de surveillance de la biodiversité denses et à faible coût dans les environnements urbains. En déplaçant le filtrage informé par le mouvement vers une étape de détection peu coûteuse en amont de l'inférence, l'architecture répond aux limites d'évolutivité des modèles centralisés. Les auteurs soulignent que le modèle « filtrer en périphérie puis inférer » est un principe de conception nécessaire pour le déploiement à l'échelle d'un réseau sur du matériel courant, particulièrement pour les charges de travail IoT basées sur la vision où les événements d'intérêt surviennent peu fréquemment par rapport à la capture totale de données.

Les auteurs maintiennent une portée modeste concernant leurs affirmations :

Ils ne prétendent pas avoir résolu le taux de détection pour toutes les espèces d'insectes ; l'évaluation de la précision de la détection repose sur le pipeline amont de Flik (un projet distinct) et a été validée qualitativement dans cette étude.
Les projections d'évolutivité (5–6 flux) sont dérivées de mesures sur un nœud unique ; la validation avec plusieurs nœuds physiques simultanés est notée comme un travail futur.
L'efficacité du système est actuellement limitée par la sensibilité au vent ; les conditions de vent élevé réduisent l'efficacité du filtrage en raison du mouvement de la végétation, bien que cela coïncide avec une activité d'insectes naturellement supprimée.
L'étude se concentre sur les variations de vent ; d'autres facteurs environnementaux tels que les précipitations, le brouillard et les changements saisonniers de luminosité n'ont pas été évalués systématiquement.

Ce travail se positionne comme une étape vers la résolution du « fossé de surveillance » en permettant une surveillance des insectes à l'échelle d'une ville, économiquement et techniquement réalisable grâce à l'optimisation de l'architecture plutôt qu'uniquement par l'amélioration algorithmique de la classification.