Projets

Démonstrations détaillées de mes projets en ingénierie, IA, IoT, robotique et logiciel.

Industrie 5.0 & Robotique

REFUSE : Démonstrateur 3D

DESPlant SimulationImmersion VRFabrication

Un démonstrateur 3D de pointe conçu pour donner vie aux concepts de systèmes de fabrication reconfigurables à l'ASSAR Industrial Innovation Arena. Focalisé sur le passage des modèles Plant Simulation aux environnements de réalité virtuelle immersive, permettant aux parties prenantes de visiter virtuellement une usine numériquement reconfigurable. Partenaires industriels : Scania, Volvo, AFRY, AC Floby, LEAX Group.

Plant Sim

Meta Quest

Unity

REFUSE case study

Simulateur de Surf

INGENIUMJumeaux NumériquesVR/AR

Développement d'un simulateur de surf intégrant la Réalité Virtuelle (VR) et la Robotique en temps réel pour reproduire la sensation physique de surfer sur des vagues océaniques. En exploitant le moteur Unity 3D et les casques Meta Quest, le projet crée un environnement visuel immersif piloté par des données réelles.

Unity 3D

Meta Quest

SDSurf Data

Surfing Simulator credential

X-RAPT : Formation en Programmation de Robots par XR

Tests d'UtilisabilitéJumeaux NumériquesVR/ARArchitecture Logicielle

Architecture en cinq couches de X-RAPT : enseignants et étudiants dans la couche utilisateur, un éditeur web et une simulation VR des robots UR3 et ABB IRB120 dans la couche applicative, le moteur multijoueur VIROO assurant la synchronisation temps réel, et un backend Java Spring Boot sur AWS et Azure dans les couches données et infrastructure

En collaboration avec l'Université de Skövde, j'ai participé au développement et à l'évaluation de X-RAPT, une plateforme XR multi-utilisateurs conçue pour combler le fossé entre simulation virtuelle et programmation de robots industriels. Ce projet exploite une architecture à 5 couches, intégrant des jumeaux numériques Unity de robots UR3 et ABB IRB120 avec un backend Java Spring Boot et AWS, pour faciliter la formation collaborative. Mon rôle a porté sur la faisabilité technique de la synchronisation VR/PC multiplateforme et les tests d'utilisabilité.

Unity

Meta Quest

ABB

Spring Boot

AWS

Read Publication

Embarqué & IoT

Système de Sécurité Intelligent et Résilient pour Consignation Industrielle

Architecture Cyber-PhysiqueJournalisation AvancéeBackend RESTful

Écran tactile de la station de consignation en mode local : les 26 boîtiers électroniques affichés verrouillés ou déverrouillés, un clavier demandant le code de libération, et un journal local enregistrant en direct les événements de batterie, de réseau et de serveur

Développement d'une station de consignation (LOTO) intelligente et connectée, conçue pour gérer 26 verrous électroniques pour la sécurité industrielle. Le système garantit que les opérations de maintenance sont effectuées en toute sécurité via un contrôle d'accès centralisé. Construit sur une architecture Raspberry Pi 4/5 et conçu pour une résilience extrême : en cas de panne réseau, la station bascule automatiquement en mode local avec base de données CSV locale et IHM Tkinter pour que les protocoles de sécurité ne soient jamais interrompus.

Raspberry Pi

Flask

Tkinter HMI

IGIoT / GPIO

NGNetwork / GSM

projects@alaebelaich.com

Compression de Modèle Deep Learning par Quantification TFLite

Quantification Post-EntraînementArchitecture de ModèleStratégies d'Optimisation

Banc d'essai de quantification TensorFlow Lite : le modèle original face aux variantes float16, int16 et int8, la précision se maintenant près de 0,98 tandis que la taille passe de 434 Ko à 55 Ko et que la latence chute de trois ordres de grandeur

Développé dans le cadre du module Architectures Spécialisées à l'Université de Rouen Normandie, ce projet se concentre sur le pipeline complet de création, entraînement et optimisation d'un réseau de neurones pour déploiement embarqué. Il résout le défi du déploiement d'un modèle de classification à 1 024 caractéristiques sur des dispositifs à ressources limitées, en implémentant la Quantification Post-Entraînement (PTQ) via TensorFlow Lite, compressant les poids de 32 bits flottants à 8 bits entiers.

Post-training INT8 quantization

1conv = tf.lite.TFLiteConverter.from_keras_model(model)
2conv.optimizations = [tf.lite.Optimize.DEFAULT]
3conv.target_spec.supported_types = [tf.int8]
4tflite_model = conv.convert()   # 32-bit → 8-bit

Python

TensorFlow

TF Lite

Scikit-Learn

Keras

Web & Mobile

Plateforme Interactive de Présentation & Analytique d'Engagement en Temps Réel

Réactions en DirectSondages & QuestionsDessin en DirectAnalytique d'Engagement

Vue présentateur de Diaposi : une diapositive en direct entourée de la barre d'outils de dessin et des panneaux questions, sondages, historique et réactions alimentés en temps réel par l'audience

Diaposi transforme n'importe quelle présentation en une conversation bidirectionnelle en temps réel. Réactions, questions, sondages et dessin en direct vous montrent exactement ce que votre audience comprend : chaque présentation devient centrée sur l'audience, plus jamais à sens unique.

React

Vite

TypeScript

Node.js

MongoDB

Socket.io

SESEO

STStartup

Book a demo

Application Mobile de Gestion de Données

AndroidJetpack ComposeRoomRetrofit

Architecture MVVM de l'application Android : Activity et Fragment dans la couche vue, un ViewModel exposant des LiveData, et un repository distribuant vers Room sur SQLite pour le stockage local et vers Retrofit pour le service web distant

Application Android native conçue pour gérer et visualiser efficacement les données mobiles. Construite avec Jetpack Compose, elle intègre le stockage local et la récupération de données distantes pour offrir une expérience utilisateur fluide.

Compose + Retrofit data flow

1@Composable
2fun DataScreen(vm: DataViewModel = hiltViewModel()) {
3    val items by vm.items.collectAsState()
4    LazyColumn { items(items) { ItemRow(it) } }
5}

Kotlin

Jetpack Compose

Hilt

Coroutines

RERetrofit

Mobile app on GitHub

IA, ML & Vision par Ordinateur

Planification de Chemin Stochastique par Processus de Décision de Markov

Intelligence ArtificielleApprentissage par RenforcementProcessus de Décision de Markov

Carte des villes de Roumanie servant d'espace d'états au MDP de planification de trajet stochastique, avec les distances routières entre Arad, Sibiu, Pitesti et Bucarest

Politique optimale dépendante du temps calculée par programmation dynamique rétrograde : la meilleure ville suivante depuis chaque ville, pour chacun des six jours restants

Ce projet modélise un problème de planification de chemin stochastique via un Processus de Décision de Markov à horizon fini. Un agent doit atteindre une ville cible dans un nombre limité de jours en tenant compte de résultats d'actions incertains. La politique optimale dépendant du temps est calculée par programmation dynamique à rebours.

Python

MDMDP

Suivi de Billes de Billard en Temps Réel & Analytique

Détection d'ObjetsSuivi de BallesAnalytique SportiveVision par Ordinateur

Tableau de bord d'analyse vidéo du billard : trajectoires de chaque bille, profils de vitesse, carte de chaleur des positions et chronologie des coups

Planche de vignettes de la bille blanche détectée image par image par le modèle YOLOv8 entraîné sur mesure

Planche de vignettes de la bille noire (numéro 8) suivie tout au long du match par le pipeline de vision par ordinateur YOLOv8

Système de vision par ordinateur qui détecte et suit les billes de billard en temps réel dans des séquences de match via un modèle YOLOv8 entraîné sur mesure. Entraîné sur un dataset annoté manuellement de billes queue, jaune, rouge et noire, il produit des trajectoires, profils de vitesse, cartes de chaleur et une timeline des coups, le tout dans un tableau de bord analytique.

Python

YOLOv8

OpenCV

PyTorch

Agent d'Apprentissage par Renforcement YAMS

Apprentissage par RenforcementThéorie des JeuxModélisation Stochastique

Scores des agents de Yams comparés entre l'agent aléatoire, trois niveaux gloutons et le Q-learning par perceptron, au-dessus de la courbe de score moyen du Q-learning sur 10 000 épisodes d'entraînement

Distribution des scores de l'agent de niveau 2 sur 1 000 parties simulées : moyenne de 126,6, entre 93 et 182

Distribution des scores de l'agent de niveau 1 sur 1 000 parties simulées : moyenne de 63,9, entre 44 et 102

Distribution des scores de l'agent de niveau 3 sur 1 000 parties simulées : moyenne de 188,7, entre 143 et 260

Développement d'un agent IA autonome entraîné à jouer au Yams de manière optimale. Le projet compare plusieurs stratégies d'apprentissage par renforcement (SARSA, Q-Learning et approximation de fonction par perceptron) pour naviguer dans un espace d'états de plus de 1 200 possibilités et maximiser le score à long terme sur des épisodes multi-tours.

Core Q-Learning update

1def update_q(self, s, a, r, s_next, alpha, gamma):
2    best_next = np.argmax(self.q[s_next])
3    td_target = r + gamma * self.q[s_next][best_next]
4    td_error  = td_target - self.q[s][a]
5    self.q[s][a] += alpha * td_error

Python

NumPy

Scikit-Learn

STStochastic

Research & Results

Reconnaissance des Maladies Végétales & IA Explicable

Vision par OrdinateurApprentissage ProfondIA Explicable

Pipeline de détection de la pourriture noire du pommier : une feuille malade sous seuillage global puis adaptatif, suivie des cartes de chaleur d'analyse de sensibilité mettant en évidence les pixels sur lesquels le modèle VGG-16 fonde son diagnostic

Pipeline de diagnostic pour identifier la pourriture noire des pommes via l'extraction de caractéristiques profondes VGG-16. Le projet compare l'Analyse Discriminante de Fisher et la Différence des Moyennes, et utilise l'Analyse de Sensibilité pour générer des cartes de chaleur pixel par pixel, validant le focus du modèle sur les régions pathologiques.

Sensitivity analysis: pixel importance via backprop

1def sensitivity_analysis(model, image, device):
2    image.requires_grad = True
3    output = model(image)
4    output = torch.flatten(output, 1)
5    output.backward()
6    gradient = image.grad.data.squeeze().pow(2).sum(0).sqrt()
7    return gradient.cpu().numpy()

Python

PyTorch

OpenCV

Scikit-Learn

XAXAI

Optimisation des Arbres de Décision & Benchmarking Comparatif

Apprentissage SuperviséSélection de ModèleOptimisation des Hyperparamètres

Frontières de décision d'un arbre de décision, d'un classifieur bayésien naïf gaussien et des k plus proches voisins comparées sur le même jeu de données en deux croissants

Arbre de décision entraîné avec le critère de Gini, montrant sa frontière de décision alignée sur les axes

Arbre de décision entraîné avec le critère d'entropie, montrant comment la géométrie des coupes change par rapport à la version Gini

Exploration approfondie des arbres de décision, évaluant leurs performances face à Gaussian Naive Bayes et KNN. L'étude utilise les datasets Iris et Make_Moons pour visualiser des frontières de décision complexes, et conduit une analyse exhaustive des hyperparamètres pour limiter le surapprentissage via des contraintes de profondeur et de taille de feuilles.

Python

Scikit-Learn

KFK-Fold CV

GRGraphviz

Matplotlib

Benchmarking Multi-Classifieurs ML Statistique

Apprentissage StatistiqueReconnaissance de FormesThéorie de la Décision

Distributions des échantillons d'apprentissage et de test pour les trois problèmes de référence, six graphiques montrant la séparabilité de chaque jeu de classes

Frontière de décision multi-classes sur le problème 1, cinq groupes gaussiens bien séparés occupant chacun sa propre région colorée

Frontière de décision multi-classes sur le problème 3, où le chevauchement des groupes produit des régions bien plus enchevêtrées

Classifieur de Parzen à noyau uniforme sur le problème 3, ses régions pilotées par la densité se fragmentant dans le plan des caractéristiques

Frontière de décision du perceptron séparant une classe des quatre autres par une seule droite

Frontière de décision du perceptron pour une seconde séparation un-contre-tous, la coupe linéaire isolant le groupe en bas à droite

Région de décision un-contre-tous pour la classe 1 du jeu de référence multi-classes

Région de décision un-contre-tous pour la classe 3 du jeu de référence multi-classes

Région de décision un-contre-tous pour la classe 4 du jeu de référence multi-classes

Frontière de décision linéaire séparant la classe 1 de la classe 2

Frontière de décision linéaire séparant la classe 1 de la classe 4

Frontière de décision linéaire séparant la classe 2 de la classe 3

Frontière de décision linéaire séparant la classe 2 de la classe 4

SVC à noyau linéaire comparé à LinearSVC sur le jeu de données Iris, tracé selon la longueur et la largeur des sépales

Régions de décision de LinearSVC sur le problème 1, les points d'apprentissage en cercles et les points de test en étoiles

Régions de décision de LinearSVC sur le problème 2, où les classes commencent à se chevaucher

Régions de décision de LinearSVC sur le problème 3, le plus difficile des trois problèmes

Étude comparative de cinq algorithmes de classification fondamentaux : Distance Euclidienne Minimale, Distance de Mahalanobis, k-NN (Majorité/Unanimité) et Fenêtres de Parzen. Le projet comprend la modélisation mathématique des frontières de décision et l'optimisation des performances par validation croisée 5-Fold pour déterminer les hyperparamètres.

Mahalanobis distance

1# Distance relative to class covariance
2def mahalanobis_distance(self, x, class_label):
3    mu = self.mean_vectors[class_label]
4    inv_cov = np.linalg.inv(self.covariance_matrices[class_label])
5    delta = x - mu
6    return np.sqrt(delta @ inv_cov @ delta.T)

Python

NumPy

Scikit-Learn

Seaborn

Matplotlib

Importance des Variables en Matrice Industrielle & Aide à la Décision

IA Explicable (XAI)Industrie 5.0Systèmes d'Aide à la Décision

Carte d'influence de la matrice de décision industrielle, regroupant plus de 40 variables sous Risque, Reconfigurabilité, Extensibilité, Standardisation globale et Temps & Coût, avec les variables d'influence, d'impact et d'action distinguées par couleur

Tableau de bord d'aide à la décision en Tkinter où la Durabilité, l'Empreinte et la Reconfigurabilité sont pondérées face à chaque critère par des curseurs de 0,00 à 1,00, avec une colonne de poids global

Système d'aide à la décision de haut niveau développé pour l'ASSAR Industrial Innovation Arena. Ce projet utilise des régresseurs Random Forest et l'interprétabilité SHAP pour décoder les relations complexes entre plus de 40 variables industrielles, identifiant les principaux facteurs de Durabilité, Reconfigurabilité et Empreinte.

SHAP variable importance

1model = RandomForestRegressor(n_estimators=400).fit(X, y)
2explainer = shap.TreeExplainer(model)
3shap_values = explainer.shap_values(X)    # 40+ industrial vars
4shap.summary_plot(shap_values, X)         # top drivers

Python

SHSHAP

RFRFR

Tkinter

Seaborn