Un système de sécurité complet qui relie détection visuelle, règles métier, stockage, diffusion instantanée et intervention humaine. Il analyse des images à la demande ou surveille en continu des dossiers d'images et de vidéos, transforme les résultats YOLOv5 en alertes et synchronise chaque changement sur le Web et HarmonyOS.
Il s’agit d’une plateforme de sécurité full-stack qui transforme la détection d’objets en alertes traitables, en fermant la boucle : reconnaissance IA, mapping par règles, persistance en base, diffusion WebSocket et traitement côté interface. La reconnaissance dispose de deux entrées : saisir une URL d’image à la main, ou déposer images et vidéos dans le dossier ai-watch, qu’un thread d’arrière-plan balaie toutes les 2 secondes en guise de caméra. Spring Boot, MySQL et WebSocket assurent l’état et la synchronisation temps réel, tandis que les clients web et HarmonyOS servent à la vérification et au traitement.
Si les résultats de détection en surveillance s’arrêtent aux cadres englobants, ils ne peuvent pas soutenir le traitement ultérieur. Ce projet transforme la sortie du modèle en alertes métier et associe à chacune une preuve sur site et un état de traitement, formant un registre traçable.
L’entrée manuelle transmet une URL d’image au service IA ; l’entrée par dossier fait balayer ai-watch toutes les 2 secondes par un thread d’arrière-plan, qui renvoie les résultats et archive les fichiers sources dans processed. Les résultats sont convertis par règles en anomalies de fumée/incendie, d’attroupement, d’intrusion, de véhicule, d’animal ou d’objet, puis diffusés en WebSocket une fois la transaction validée.
L’inférence repose sur FastAPI avec YOLOv5 (un modèle COCO et un modèle feu/fumée) ; le côté métier sur Spring Boot 3.3 et MySQL 8, avec WebSocket pour la diffusion temps réel. Les interfaces sont construites avec Vue 3 et ArkTS / ArkWeb. Vue est servi en version statique locale directement par Spring Boot : le projet fonctionne dès le clonage ; un déploiement Docker en une commande est également fourni.
Cinq pages sont implémentées — tableau de bord, équipements, enregistrements de reconnaissance IA, centre d’alertes en direct et historique de traitement — accompagnées d’un tutoriel d’explication du code. La qualité réelle de détection doit être évaluée selon le jeu de données, le seuil de confiance et l’environnement de déploiement utilisés.
L’interface d’administration est servie en fichiers statiques directement par Spring Boot : le projet fonctionne dès le clonage, sans environnement Node.js séparé.
De ce que le modèle voit à la clôture de l'incident, chaque étape conserve son état et ses preuves visuelles.
Images réseau, téléversements et trames vidéo échantillonnées, réunies dans un événement cohérent.
Les modèles COCO et feu/fumée couvrent personnes, véhicules, objets, animaux, fumée et flammes.
Les classes détectées deviennent des alertes d'intrusion, foule, incendie, véhicule ou objet.
Les événements WebSocket partent après validation de la transaction pour garder les écrans cohérents.
Les alertes passent de « à traiter » à « en cours », puis « clôturée », avec validation des transitions.
Les détections annotées et planches de trames restent liées à leurs alertes.
Les soumissions manuelles et le dossier ai-watch empruntent la même chaîne métier.
URL, fichier ou image/vidéo surveillée.
Inférence, annotation et agrégation.
Mapping, validation et transactions.
Appareils, alertes, états et preuves.
Événements envoyés aux consoles connectées.
L'opérateur peut revoir les cadres à l'origine de l'alerte.
Le client associe ArkWeb, interaction sensible au terminal et partage natif.
Connexion par adresse locale, navigation, progression de chargement et session de démonstration.
Le bouton flottant s'adapte à une tenue main gauche ou main droite.
Le partage tactile et les gestes aériens transmettent une session contrôlée aux appareils proches.
Un ensemble coordonné pour le navigateur, le métier, la vision, les données et le terminal.