Recherche
Publications évaluées par les pairs
Des systèmes de détection pour des données non fiables dès la source.
-
Secure and transparent energy management using blockchain and machine learning anomaly detection: A case study of the Ausgrid dataset
Architecture de données énergétiques décentralisée, associant l'immuabilité de la blockchain pour les pistes d'audit des compteurs communicants à des pipelines d'apprentissage non supervisé pour détecter les anomalies de consommation.
- Pipeline de données et auditabilité : ingère des séries temporelles de compteurs communicants à haute fréquence dans un registre décentralisé, garantissant des relevés de consommation infalsifiables.
- Moteur d'anomalies non supervisé : compare des modèles de restauration de données et d'annotation non supervisée d'anomalies sur les flux de compteurs, pour détecter les vols d'électricité et les anomalies de capteurs.
- Validation empirique : évalué sur 300 flux résidentiels de consommation solaire et réseau issus du jeu de données de compteurs communicants Ausgrid, en Australie.
-
Dual verification-based multimodal approach for reliable pothole and speed bump detection on embedded system
à jour en août 2026
Pipeline de données en edge computing combinant télémétrie accélérométrique et flux vidéo par consensus à double vérification, empêchant qu'un seul canal de capteur bruité déclenche de fausses alertes de danger.
- Fusion de flux de capteurs multimodaux : synchronise la télémétrie de mouvement IMU avec des modèles de détection visuelle sur des cibles embarquées à ressources contraintes.
- Consensus à double vérification : exige l'accord des canaux inertiel et visuel avant d'enregistrer une anomalie de chaussée, éliminant les faux positifs dus au bruit d'un capteur isolé.
Articles techniques
L'explication que j'aurais voulu trouver au moment de le construire.
-
Simplify Your Log Management: Configuring DataDog Integration with Log4j2 In Mulesoft
- Un appender HTTP Log4j2 poste les événements JSONLayout directement vers l'API Send Logs de Datadog.
- Aucun agent sur l'hôte, et aucun collecteur intermédiaire.
- L'appender est asynchrone, donc la journalisation ne bloque jamais un thread d'exécution Mule.
-
Developing a Custom YOLOv8 Model for Number Detection on Meters Using FastAPI and Gradio
- Annote le jeu de données de compteurs sur Roboflow et y entraîne YOLOv8.
- Entraîne sur les deux TPU de Kaggle avec DataParallel.
- Sert les poids deux fois : un point de terminaison FastAPI conteneurisé, et une application Gradio sur Hugging Face.