1

INTRODUCTION GENERALE
0.1. MISE EN CONTEXTE
Dans un monde où les humains et les animaux complexes ont évolué
avec des organes sensoriels sophistiqués, appelés "sens", notre projet prend
naissance. Ces sens, tels que l'ouïe et la vision, jouent un rôle crucial dans la
façon dont nous interprétons notre environnement. Cependant, ces sens ne
captent qu'une infirme partie du spectre des ondes, et leur
dysfonctionnement, en particulier la cécité visuelle, devient une contrainte
majeure pour de nombreuses personnes. Face à une réalité où la cécité
visuelle affecte des millions de personnes à travers le monde, notre projet se
concentre sur la conception et la réalisation d'une lunette intelligente pour
répondre aux besoins spécifiques des déficients visuels.

0.2. PROBLEMATIQUE
L'INAV est un établissement d'enseignement supérieur et de recherche
important pour les personnes aveugles et malvoyantes en République
démocratique du Congo. Il offre des formations de qualité, qui permettent aux
personnes aveugles et malvoyantes de développer leurs compétences et leurs
talents, afin qu'elles puissent s'insérer dans la société et contribuer à son
développement.
Il a été constaté chez les personnes en déficience visuelle, en particulier
les aveugles de l’INAV, des difficultés notables pour se déplacer physiquement
et accéder à des informations visuelles telles que la lecture de textes, la
consultation de documents et la reconnaissance d'objets.
Face à tous ces problèmes susmentionnés, nous choisissons comme
question centrale : Quel système intelligent pouvons-nous mettre en place
pour pouvoir aider les aveugles de l’INAV.

0.3. HYPOTHESE
Nous partons de l'hypothèse que la réalisation d'une lunette intelligente
dotée de fonctionnalités électroniques avancées peut considérablement
améliorer l'expérience quotidienne des personnes en déficiences visuelles en
leur fournissant un moyen plus efficace de percevoir et d'interagir avec leur
environnement.
 2

0.4. CHOIX ET INTERET DU SUJET

Le choix de concevoir une lunette intelligente repose sur la nécessité de
pallier les contraintes liées à la cécité visuelle. Cette initiative revêt un intérêt
sociétal majeur en répondant aux besoins spécifiques des déficiences visuelles,
contribuant ainsi à une société plus inclusive.

0.5. BUT ET OBJECTIF DU TRAVAIL

Le but ultime de ce projet est de concevoir et de réaliser une lunette
intelligente capable d'améliorer significativement la vie quotidienne des
personnes en déficiences visuelles en leur offrant des fonctionnalités
électroniques innovantes, tout en facilitant leur interaction avec
l'environnement.
L'objectif principal est de réaliser le circuit électronique de la lunette
intelligente, intégrer des composants électroniques tel que ESP32CAM afin de
créer des fonctionnalités variées et adaptées aux besoins des utilisateurs.

0.6. METHODOLOGIE DU TRAVAIL

Les méthodes suivantes ont été choisies afin de guider notre étude :
 Méthode analytique : c’est une méthode qui nous a permis d’analyser
d’une manière objective l’existant afin de proposer de proposer une
solution adéquate.
 Méthode historique : La méthode historique nous a permis de passer en
revue tout ce qui a été comme les différentes études menées dans ce
domaine.

Et en ce qui concerne les techniques, nous avons fait recours aux

techniques suivantes :
 La technique documentaire : cette technique nous a permis de nous
ressourcer en données dans des différents supports ou documents
scientifiques ayant trait à notre travail.
 3

 La technique d’interview : En procédant par des questions réponses,

nous avons obtenu des informations essentielles auprès des personnes
bien placées afin d’obtenir d’eux les réponses utiles.

0.7. DELIMITATION DU TRAVAIL

Chaque travail scientifique doit être cadré, bien ordonné et limité dans
le temps ainsi que dans l’espace afin de bien savoir à quoi nous nous
confrontons et dans la mesure du possible être précis et juste dans
l’élaboration.
Du point de vue temporel, les données acquises sont prises de la période
allant de 2022 à 2023.
Dans l’espace, l’Institut National pour Aveugles a été choisi comme cadre
spatial.

0.8. SUDVISION DU TRAVAIL

Le travail sera articulé autour de trois chapitres. Le premier traitera la
généralité sur l’intelligence artificielle. Le deuxième se penchera sur l’analyse
et spécifications des besoins. Le troisième chapitre sera consacré à la
réalisation pratique du projet, mettant en avant la conception du circuit., suivi
d'une conclusion générale.
 4

CHAPITRE I : GENERALITES SUR L’INTELLIGENCE ARTIFICIELLE

I.1. Introduction
Bienvenue dans le monde fascinant de l'intelligence artificielle (IA), une
frontière innovante où la créativité humaine se mêle à la puissance des
machines. L'intelligence artificielle évoque un univers où les ordinateurs
apprennent, pensent et agissent d'une manière qui imite, voire transcende, les
capacités humaines.
À la croisée de la science informatique, des mathématiques et de
l'ingénierie, l'IA a émergé comme une discipline révolutionnaire, propulsant
notre capacité à résoudre des problèmes complexes, à anticiper l'avenir et à
interagir de manière intelligente avec notre monde numérique en constante
évolution.
Que ce soit à travers les algorithmes ingénieux du machine Learning, la
profondeur de compréhension des réseaux neuronaux dans le Deep Learning,
ou l'exploration audacieuse des frontières de la logique symbolique, l'IA
redéfinit les limites de ce que les machines peuvent accomplir.
Dans cette exploration envoûtante, nous plongerons dans les méandres
de l'intelligence artificielle, dévoilant ses différentes facettes, de ses
applications pratiques à ses implications éthiques. Embarquez avec nous pour
un voyage captivant au cœur de cette révolution numérique, où l'intelligence
n'est plus l'apanage exclusif de l'esprit humain, mais une collaboration
harmonieuse entre l'homme et la machine. Bienvenue dans le monde de
l'intelligence artificielle, où l'avenir se façonne avec chaque ligne de code et
chaque réseau neuronal.
I.2. Principe de l’intelligence artificielle
L’intelligence artificielle ou IA s'applique à tous les secteurs d’activité :
transports, santé, énergie, industrie, logistique, finance ou encore commerce.
Cloud, véhicule autonome, compteurs intelligents... utilisent tous des
algorithmes performants pour fournir des réponses efficaces, fiables et
personnalisées aux utilisateurs. Associant matériels et logiciels, l’intelligence
artificielle mobilise des connaissances multidisciplinaires : électronique
(collecte de données, réseaux de neurones), informatique (traitement de
données, apprentissage profond), mathématiques (modèles d'analyse des
données) ou sciences humaines et sociales pour analyser l'impact sociétal
 5

induit par ces nouveaux usages. L’essentiel sur les enjeux industriels et
sociétaux majeurs de l’intelligence artificielle.
I.3. Définition du concept de base
Les progrès des neurosciences et l’exploration du cerveau humain
soulèvent une question remplie à la fois d’espoir et de crainte :
Serait-il possible un jour de reproduire l’intégralité du cerveau humaine ?

Figure I.1 : illustration intelligence artificielle

Aujourd’hui déjà, les ordinateurs sont supérieurs par rapport au cerveau
humain en ce qui concerne la puissance de calcul, bien que le degré de
complexité présenté par le cerveau humain soit bien plus élevé. Ces doutes
soulèvent la question de l’intelligence Artificielle.
Plusieurs définitions ont été attribué à cette notion parmi elles nous
pouvons citer ces Deux :
a) Première définition
L’intelligence artificielle ou IA (AI pour Artificial Intelligence en anglais)
est une discipline scientifique et technologique visant à l’exécution par des
machines (ordinateurs et programmes informatiques) de processus cognitifs
jusque-là réservés aux capacités du cerveau humain, dans les domaines de :
• La compréhension,
• La communication (dialogue entre machines et avec l’humain),
• La structuration de la mémoire,
• Le raisonnement critique,
• L’adaptation,
• L’apprentissage en autonomie (Deep Learning) …
 6

b) Deuxième définition
L’intelligence Artificielle est un vaste domaine qui englobe différentes
approches et techniques pour créer systèmes capables de simuler l’intelligence
humaine. Le Deep Learning et le Machine Learning sont deux sous domaines
important pour l’IA.
Dans la langue courante, l’IA désigne également les dispositifs
informatiques ou robotiques mettant en œuvre ces fonctions

Figure I.2 : Architecture de L’intelligence Artificielle

De là, on distingue que définir l’intelligence artificielle n’est pas une chose
facile. Le champ est si vaste qu’il est impossible de la restreindre de recherche
spécifique.

Ainsi on peut définir que définir l’intelligence artificielle comme :

• Un domaine de l’informatique dont le but est de recréer un équivalent
technologique à l’intelligence humaine.
• Un ensemble de techniques visant à permettre aux machines d’imiter
une forme d’intelligence réelle.
 7

• Un ensemble de techniques visant

I.4. Principe dans l’utilisation quotidienne de l’intelligence artificielle
L’intelligence Artificielle permet :
 D’analyser des textes : qu’ils soient oraux ou écrits, l’intelligence
artificielle arrive de mieux en mieux à comprendre et utiliser le langage
pour répondre automatiquement à des requêtes variées. Aujourd’hui,
elle est utilisée, par exemple, pour gérer les relations clients, sur Internet
ou par téléphone. Les agents conversationnels ou chatbot en anglais
sont des systèmes intelligents qui arrivent à entretenir une conversation
en langage naturel. Ils se basent sur différentes briques technologiques :
reconnaissance de texte, de la parole, d’expressions du visage…

Figure I.3 : Conversation entre humaine et intelligence artificielle sur chatbot

 De modéliser des connaissances pour aider à la prise de décisions :

l’intelligence artificielle permet de coder un ensemble de connaissances,
de reproduire un raisonnement type et d’utiliser ces informations pour
prendre des décisions. Par exemple, il est aujourd’hui possible, à partir
de données multiples et complexes, d’aider les médecins à proposer des
traitements personnalisés du cancer de la prostate.
 8

Figure I.4 : Diagnostique avec Intelligence Artificielle

 De réaliser des actions : par exemple, l’intelligence artificielle permet
d’imiter et reproduire à la perfection certains gestes humains comme
celui d’administrer un vaccin via une main robotisée.

Figure I.5: Robot autonome Capable de Vacciner un être Humain

 9

I.5. Utilisation de l’intelligence artificielle

L’intelligence artificielle s’invite dans notre quotidien depuis quelques
années et fait de grands pas. On peut citer quelques usages quotidiens de
l’intelligence Artificielle :
1. Traduction :
L'IA a révolutionné le domaine de la traduction automatique. Les
systèmes de traduction automatisée, tels que Google Translate, utilisent des
algorithmes d'apprentissage automatique pour améliorer la précision et la
fluidité des traductions. Ces modèles d'IA apprennent des modèles
linguistiques à partir de vastes ensembles de données multilingues, ce qui
permet des traductions plus contextuelles et naturelles.
2. Emails :
L'IA est utilisée dans la gestion des emails pour filtrer, trier et répondre
de manière plus intelligente. Les filtres anti-spam s'appuient sur des
algorithmes d'apprentissage automatique pour identifier les modèles de
courriels indésirables. De plus, des systèmes de réponse automatique basés
sur l'IA, tels que Smart Reply de Google, analysent le contenu des emails pour
suggérer des réponses pertinentes, permettant un gain de temps considérable.
3. Moteurs de recherche :
Les moteurs de recherche, comme Google, utilisent des techniques d'IA
pour améliorer la pertinence des résultats. Les algorithmes d'apprentissage
automatique analysent les habitudes de recherche, les préférences utilisateur
et le contexte pour personnaliser les résultats. L'IA aide également à
comprendre les intentions de recherche, en fournissant des réponses plus
précises et en anticipant les besoins de l'utilisateur.
4. Réseaux sociaux :
Les réseaux sociaux tirent parti de l'IA pour améliorer l'expérience
utilisateur. Les algorithmes d'apprentissage automatique analysent le
comportement de l'utilisateur, les préférences et le contenu partagé pour
personnaliser les flux d'information. L'IA est également utilisée pour détecter
et filtrer le contenu inapproprié, contribuant ainsi à maintenir un
environnement en ligne plus sûr.
 10

5. Chatbots avec l'exemple de ChatGPT :

Les chatbots, tels que ChatGPT, utilisent des modèles de langage basés
sur l'IA pour fournir des réponses conversationnelles. Ces modèles sont formés
sur de vastes ensembles de données textuelles, ce qui leur permet de
comprendre et de générer du texte de manière contextuelle. ChatGPT, en
particulier, utilise la modélisation de langage prédictive pour répondre de
manière cohérente et informatique aux requêtes des utilisateurs, devenant
ainsi une interface conversationnelle avancée.

I’IA joue un rôle essentiel dans la transformation de ces domaines en

automatisant des tâches complexes, en améliorant la personnalisation des
services, et en fournissant des solutions plus intelligentes et efficaces.

I.6. Les domaines d’applications de l’IA

L’intelligence artificielle, définie comme intelligence par les machines, à
de nombreuses applications dans la société d’aujourd’hui. Elle a été utilisée
pour développer et faire progresser de nombreux domaines et industries, y
compris la santé, le secteur financier et bancaire, le transport, le commerce,
l’industrie, l’agriculture intelligente, les médias, le droit...Etc.
I.6.1. La Santé
L'intelligence artificielle s'impose comme l'un des secteurs Les plus
dynamiques, en particulier dans le domaine médical. De nos jours, de
nombreux systèmes exploitant l'intelligence artificielle sont capables de
diagnostiquer des maladies, notamment les cancers, de manière aussi précise,
voire même plus, que les spécialistes. Cette avancée offre la possibilité de
favoriser la détection précoce des maladies, ce qui revêt une importance
capitale.
Au-delà du diagnostic, l'intelligence artificielle a le potentiel d'accélérer
le processus de mise au point de nouveaux médicaments. En réduisant le
temps écoulé entre la découverte d'une nouvelle molécule et sa mise sur le
marché, elle contribue à rendre les avancées médicales plus accessibles et
rapidement applicables dans le domaine clinique. Ainsi, l'impact de
l'intelligence artificielle dans le secteur médical s'étend bien au-delà de la
 11

simple analyse diagnostique, influant positivement sur l'efficacité et la rapidité

des avancées médicales cruciales.
I.6.2. Le Secteur bancaire et financier
Un principal usage de l'intelligence artificielle dans le secteur bancaire et
financier réside dans son impact révolutionnaire sur la gestion des données et
la prise de décision.
L'intelligence artificielle, avec ses algorithmes sophistiqués, est devenue
une alliée inestimable pour les institutions financières. Elle est largement
utilisée pour l'analyse des données financières, permettant une évaluation plus
rapide et précise des risques. Ces systèmes d'IA peuvent détecter des
tendances et des modèles complexes dans les données économiques, aidant
ainsi les institutions à anticiper les fluctuations du marché et à prendre des
décisions éclairées.

Figure I.6 : Les tendances du marché

Un autre aspect crucial de l'utilisation de l'IA dans la finance est son rôle
dans la prévention des fraudes. Les algorithmes d'apprentissage automatique
peuvent analyser des volumes massifs de données transactionnelles pour
identifier des comportements anormaux ou des schémas de fraude potentiels,
renforçant ainsi la sécurité des transactions financières.
De plus, l'intelligence artificielle est devenue un outil essentiel pour la
personnalisation des services financiers. Elle analyse les habitudes de dépenses
des clients, leurs préférences d'investissement et leurs objectifs financiers pour
 12

proposer des conseils sur mesure. Les chatbots alimentés par l'IA offrent
également une assistance instantanée aux clients, répondant à leurs questions
et facilitant les transactions.
I.6.3. Le transport
Dans le domaine du transport, l'intelligence artificielle révolutionne la
conduite avec des fonctions d'aide à la conduite, telles que le stationnement
automatique, améliorant la sécurité. Elle alimente également le
développement des véhicules autonomes, promettant une mobilité plus sûre
et efficiente. De plus, les systèmes de gestion du trafic basés sur l'IA optimisent
la circulation, marquant une transformation significative dans la manière dont
nous concevons et utilisons les moyens de transport.

Figure I.7: Voiture autonome de Google

I.6.4 Le commerce
Dans le commerce, l'intelligence artificielle optimise l'expérience client
avec des systèmes de recommandation et des chatbots. Elle améliore la
gestion des stocks par une prévision précise de la demande, tout en renforçant
la sécurité des transactions en détectant les fraudes. L'IA transforme ainsi
l'efficacité opérationnelle et l'expérience d'achat, redéfinissant les normes du
commerce moderne.
 13

I.6.5. L’industrie
Dans le secteur industriel, l'intelligence artificielle révolutionne les
opérations, améliorant l'efficacité, la productivité et la sécurité.
Les applications de l'IA dans l'industrie sont diverses. Les systèmes de
maintenance prédictive utilisent des algorithmes pour anticiper les pannes
d'équipements, réduisant les temps d'arrêt et les coûts de réparation. Les
robots autonomes, guidés par l'IA, sont déployés pour effectuer des tâches
complexes et dangereuses, améliorant la sécurité des travailleurs.
Les chaînes de production intelligente intègrent des systèmes d'IA pour
optimiser les processus, réduire les déchets et augmenter la qualité des
produits. Les technologies de vision par ordinateur basées sur l'IA sont utilisées
pour l'inspection automatisée, garantissant des normes de qualité élevées.
L'IA facilite également la logistique avec des systèmes de gestion des
stocks automatisés, améliorant la traçabilité des produits et la gestion des flux
de travail.
I.6.6. L’agriculture intelligente
Dans le domaine de l'agriculture, l'intelligence artificielle apporte des
innovations significatives, révolutionnant les pratiques agricoles
traditionnelles.
Les applications de l'IA dans l'agriculture intelligente sont variées. Les
systèmes d'analyse d'image basés sur l'IA permettent la surveillance des
cultures, détectant les maladies et les carences nutritionnelles de manière
précoce. Cela permet une intervention ciblée, réduisant l'utilisation de
pesticides et améliorant le rendement des cultures.
Les drones équipés de technologies d'IA survolent les champs, collectant
des données sur l'état des cultures, la qualité du sol et les besoins en irrigation.
Ces données sont ensuite analysées pour fournir des recommandations
précises aux agriculteurs, optimisant l'utilisation des ressources et minimisant
les impacts environnementaux.
 14

Figure I.8: L'Intelligence Artificielle pour améliorer l'agriculture

Les robots agricoles autonomes, guidés par des algorithmes d'IA,
effectuent des tâches telles que la plantation, la récolte et le désherbage de
manière efficace, réduisant la dépendance à la main-d'œuvre humaine.
L'IA contribue également à la gestion des rendements en prédisant les
conditions météorologiques et en fournissant des conseils sur les meilleures
pratiques agricoles en fonction des données recueillies.

I.6. Historique de l’Intelligence Artificielle

La figure présente l’historique de l’intelligence artificielle :

Figure I.9 : Historique de l’intelligence Artificielle

 15

L’histoire de l’intelligence artificielle débute en 1943, avec la publication

de l’article « A Logical Calculus of Ideas Immanent in Nervous Activity. » par
Warren McCullough et Walter Pitts. Dans ce document, les scientifiques
présentent le premier modèle mathématique pour la création d’un réseau de
neurones.
En 1950, Snarc, le premier ordinateur à réseau de neurones, sera créé
par deux étudiants de Harvard : Marvin Minsky et Dean Edmonds. La même
année, Alan Turing publie le Turing Test qui sert encore pour évaluer les IA. De
ce test découlent les fondations de l’intelligence artificielle, de sa vision et de
ses objectifs : répliquer ou simuler l’intelligence humaine dans les machines.
Mais ce n’est qu’en 1956, que le terme d’intelligence artificielle sera
prononcé pour la première fois, durant la conférence « Dartmouth Summer
Research Project on Artificial Intelligence. » de John McCarthy. Lors de cet
événement, les chercheurs présentent les objectifs et la vision de l’IA.
Beaucoup considèrent cette conférence comme la véritable naissance de
l’intelligence artificielle telle qu’elle est connue.
Plusieurs années s’écoulent et les travaux sur l’intelligence artificielle
continuent. En 1959, Arthur Samuel invente le terme de Machine Learning en
travaillant chez IBM. En 1989, le français Yann Lecun met au point le premier
réseau de neurones capable de reconnaître des chiffres écrits à la main, cette
invention sera à l’origine du développement du Deep Learning.
Et c’est dix ans plus tard, en 1997, qu’un événement majeur marque
l’histoire de l’IA. Le système Deep Blue d’IBM triomphe du champion du
monde d’échecs Gary Kasparov. Pour la première fois, la machine a vaincu
l’Homme.

I.7. Types d'intelligence artificielle

Les technologies d’IA sont classées en fonction de leur capacité à imiter
les caractéristiques humaines, de la technologie qu’elles utilisent pour y
parvenir, de leurs applications dans le monde réel et de la théorie de l’esprit,
dont nous parlerons plus en détail ci-dessous.
En utilisant ces caractéristiques comme référence, tous les systèmes
d’intelligence artificielle – réels et hypothétiques – entrent dans l’un des trois
types suivants :
 16

- L’intelligence artificielle étroite (ANI), qui possède une gamme étroite

de capacités ;
- L’intelligence artificielle générale (AGI), qui est à la hauteur des
capacités humaines.
- La super intelligence artificielle (ASI), dont les capacités sont
supérieures à celles de l’homme.

I.7.1. Intelligence artificielle étroite (ANI) / IA faible / IA étroite

L’intelligence artificielle étroite (ANI), également appelée IA faible ou IA
étroite, est le seul type d’intelligence artificielle que nous ayons réussi à
réaliser à ce jour. L’IA étroite est orientée vers un but précis, elle est conçue
pour accomplir des tâches uniques – par exemple, la reconnaissance faciale, la
reconnaissance vocale/les assistants vocaux, la conduite d’une voiture ou la
recherche sur Internet – et elle est très intelligente pour accomplir la tâche
spécifique pour laquelle elle est programmée.
Bien que ces machines puissent sembler intelligentes, elles fonctionnent
avec un ensemble restreint de contraintes et de limitations, ce qui explique
pourquoi ce type d’IA est communément appelé IA faible. L’IA étroite n’imite
ni ne reproduit l’intelligence humaine, elle se contente de simuler le
comportement humain sur la base d’une gamme étroite de paramètres et de
contextes.
Prenons l’exemple de la reconnaissance vocale et linguistique de
l’assistant virtuel Siri sur les iPhones, de la reconnaissance visuelle des voitures
à conduite autonome et des moteurs de recommandation qui suggèrent des
produits que vous aimez en fonction de votre historique d’achats. Ces
systèmes ne peuvent qu’apprendre ou être enseignés pour accomplir des
tâches spécifiques.
L’IA étroite a connu de nombreuses percées au cours de la dernière
décennie, grâce aux réalisations en matière de machine Learning et
d’apprentissage profond. Par exemple, les systèmes d’IA sont aujourd’hui
utilisés en médecine pour diagnostiquer le cancer et d’autres maladies avec
une extrême précision grâce à la reproduction d’une cognition et d’un
raisonnement semblables à ceux des humains.
L’intelligence artificielle de l’IA étroite provient de l’utilisation du
traitement du langage naturel (NLP) pour effectuer des tâches. Le NLP est
 17

évident dans les chatbots et les technologies d’IA similaires. En comprenant la

parole et le texte en langage naturel, l’IA est programmée pour interagir avec
les humains de manière naturelle et personnalisée.
L’IA étroite peut être réactive ou avoir une mémoire limitée. L’IA
réactive est incroyablement basique ; elle n’a aucune capacité de mémoire ou
de stockage de données, imitant la capacité de l’esprit humain à répondre à
différents types de stimuli sans expérience préalable. L’IA à mémoire limitée
est plus avancée, dotée de capacités de stockage de données et
d’apprentissage qui permettent aux machines d’utiliser des données
historiques pour prendre des décisions.
La plupart des IA sont des IA à mémoire limitée, où les machines utilisent
de grands volumes de données pour l’apprentissage profond. L’apprentissage
profond permet des expériences d’IA personnalisées, par exemple des
assistants virtuels ou des moteurs de recherche qui stockent vos données et
personnalisent vos expériences futures.
Exemples d’IA étroite :
 Rank Brain de Google / Google Search
 Siri d’Apple, Alexa d’Amazon, Cortana de Microsoft et autres assistants
virtuels.
 Watson d’IBM
 Logiciels de reconnaissance d’images et de visages
 Outils de cartographie et de prédiction des maladies
 Robots de fabrication et drones
 Filtres anti-spam pour les courriels / outils de surveillance des médias
sociaux pour les contenus dangereux
 Recommandations de contenu de divertissement ou de marketing
basées sur le comportement de visionnage, d’écoute ou d’achat.
 Voitures à conduite autonome.

I.7.2. Intelligence générale artificielle (AGI) / IA forte / IA profonde

L’intelligence générale artificielle (AGI), également appelée IA forte ou IA
profonde, est le concept d’une machine dotée d’une intelligence générale qui
imite l’intelligence et/ou les comportements humains, avec la capacité
d’apprendre et d’appliquer son intelligence pour résoudre tout problème. L’IA
 18

peut penser, comprendre et agir d’une manière indiscernable de celle d’un

être humain dans une situation donnée.
Les chercheurs et les scientifiques spécialisés dans l’IA n’ont pas encore
atteint une IA forte. Pour y parvenir, ils devraient trouver un moyen de rendre
les machines conscientes, en programmant un ensemble complet de capacités
cognitives. Les machines devraient faire passer l’apprentissage par l’expérience
à un niveau supérieur, en améliorant non seulement l’efficacité de certaines
tâches, mais en acquérant la capacité d’appliquer les connaissances acquises
par l’expérience à un éventail plus large de problèmes différents.
L’IA forte utilise un cadre d’IA basé sur la théorie de l’esprit, qui fait
référence à la capacité de discerner les besoins, les émotions, les croyances et
les processus de pensée d’autres personnes intelligentes. L’IA de niveau
théorie de l’esprit ne consiste pas à reproduire ou à simuler, mais à entraîner
les machines à comprendre réellement les humains.
L’immense défi que représente la réalisation d’une IA forte n’est pas
surprenant si l’on considère que le cerveau humain est le modèle de création
de l’intelligence générale. En raison du manque de connaissances approfondies
sur la fonctionnalité du cerveau humain, les chercheurs s’efforcent de
reproduire les fonctions de base de la vue et du mouvement.
Le K, construit par Fujitsu, l’un des superordinateurs les plus rapides, est
l’une des tentatives les plus notables pour parvenir à une IA forte, mais étant
donné qu’il a fallu 40 minutes pour simuler une seule seconde d’activité
neuronale, il est difficile de déterminer si une IA forte sera atteinte dans un
avenir prévisible. Au fur et à mesure que la technologie de reconnaissance des
images et des visages progresse, il est probable que nous verrons une
amélioration de la capacité des machines à apprendre et à voir.

I.7.3. Super intelligence artificielle (ASI)

La super intelligence artificielle (ASI) est l’IA hypothétique qui ne se
contente pas d’imiter ou de comprendre l’intelligence et le comportement
humains ; l’ASI est l’endroit où les machines deviennent conscientes d’elles-
mêmes et dépassent la capacité de l’intelligence et des aptitudes humaines.
La super intelligence est depuis longtemps la muse de la science-fiction
dystopique dans laquelle les robots envahissent, renversent et/ou asservissent
 19

l’humanité. Le concept de super intelligence artificielle voit l’IA évoluer pour

devenir si proche des émotions et des expériences humaines qu’elle ne se
contente pas de les comprendre, mais suscite des émotions, des besoins, des
croyances et des désirs qui lui sont propres.
En plus de reproduire l’intelligence à multiples facettes des êtres
humains, l’ASI serait théoriquement bien meilleure dans tout ce que nous
faisons : mathématiques, sciences, sports, art, médecine, loisirs, relations
émotionnelles, tout. L’ASI aurait une meilleure mémoire et une capacité plus
rapide à traiter et à analyser les données et les stimuli. Par conséquent, les
capacités de prise de décision et de résolution de problèmes des êtres super
intelligents seraient bien supérieures à celles des êtres humains.
La possibilité de disposer de machines aussi puissantes peut sembler
séduisante, mais le concept lui-même a une multitude de conséquences
inconnues. Si des êtres super intelligents conscients d’eux-mêmes voyaient le
jour, ils seraient capables d’idées comme l’auto-préservation. L’impact que
cela aura sur l’humanité, notre survie et notre mode de vie, est une pure
spéculation.

I.8. Les sous-domaines de l’intelligence Artificielle.

L'intelligence artificielle englobe divers sous-domaines, mais notre
attention se focalisera exclusivement sur les deux domaines les plus
prépondérants dans le monde de l'intelligence artificielle : le Machine Learning
et le Deep Learning.

I.8.1. Apprentissage automatique (Machine Learning)

I.8.1.1 Définition du Machine Learning
Le Machine Learning est un domaine de l’intelligence Artificielle qui se
concentre sur le développement d'algorithmes et de modèles permettant aux
machines d'apprendre à partir des données et d'améliorer leurs performances
sur des tâches spécifiques, sans être explicitement programmées.
Voyons un peu sur cette figure :
 20

Figure I.10 : Données traitées par le Machine Learning

I.8.1.2. Le principe du Machine Learning

Le concept central du Machine Learning est de permettre aux machines
de détecter des schémas et des relations dans les données, et d'utiliser ces
informations pour prendre des décisions ou faire des prédictions sur de
nouvelles données. Au lieu de programmer explicitement chaque étape de la
tâche, le modèle d'apprentissage automatique est entraîné à partir d'exemples
ou des données pour apprendre à généraliser et à effectuer des prédictions sur
des données qu'il n'a jamais vues auparavant.

I.8.1.3. Les principales étapes du Machine Learning :

Le processus d'apprentissage automatique peut être divisé en plusieurs
étapes :
 21

Figure I.11: Processus d’apprentissage automatique

1. Réception des données : Lors de la collecte des données, il est crucial de

veiller à la diversité et à la représentativité. Par exemple, si vous voulez
que votre modèle reconnaisse différents types de fruits, assurez-vous
d'avoir des images de chaque variété. Plus vos données sont variées et
complètes, mieux votre modèle pourra généraliser et fonctionner avec
de nouvelles données.
2. Préparation des données : Cette étape implique souvent la
normalisation des données, c'est-à-dire les rendre comparables. Si vous
avez des images de fruits de différentes tailles, vous pourriez les
redimensionner pour que toutes les images aient la même taille. Cela
garantit que votre modèle ne se concentre pas uniquement sur la taille
des fruits lors de l'apprentissage.
3. Entraînement des données : Pendant l'entraînement, votre modèle
ajuste ses paramètres pour minimiser les erreurs entre ses prédictions et
les étiquettes réelles. Cela se fait grâce à un processus itératif où le
modèle ajuste progressivement ses "pensées" pour devenir meilleur.
L'algorithme utilise des techniques telles que la rétropropagation pour
comprendre comment ajuster ses paramètres.
4. Test du modèle : Lors du test, vous divisez généralement vos données
en deux ensembles distincts : un ensemble d'entraînement et un
ensemble de test. Cela permet de mesurer la capacité de généralisation
de votre modèle. Le test est essentiel pour évaluer la performance du
modèle sur des données qu'il n'a jamais vues auparavant, simulant ainsi
son comportement dans le monde réel.
 22

5. Amélioration : Lorsque vous observez des erreurs pendant le test, c'est

le signal pour revenir à l'entraînement. Vous pourriez ajuster les
paramètres du modèle, ajouter plus de données d'entraînement ou
même changer l'architecture du modèle pour obtenir de meilleures
performances. L'amélioration est un processus itératif et continu pour
affiner constamment la précision du modèle.
En suivant ces étapes de manière méthodique, on crée un processus
robuste pour développer et améliorer les modèles d'apprentissage machine,
assurant ainsi des résultats fiables et précis.
I.8.1.4. Type D’apprentissage
Il existe différents types d’apprentissage automatique. Dans ce qui suit,
nous les classons selon qu’ils nécessitent ou non une supervision humaine
(supervisé, non-supervisé et celui par renforcement.)
I.8.1.4.1. Apprentissage supervisé
Dans l'apprentissage supervisé, les données de formation fournies à
l'algorithme comprennent des solutions préétablies, appelées étiquettes. La
classification est une tâche d'apprentissage supervisée courante, illustrée par
un exemple tel que le filtre anti-spam. Ce dernier est entraîné avec une
multitude d'exemples d'emails, chacun étant associé à sa catégorie (spam ou
non-spam). Par la suite, il doit être capable de classer de nouveaux emails,
comme illustré dans la figure I.11.

Figure I.12 : Un ensemble de formation labelisé pour l’apprentissage supervisé

(par exemple, la classification de spam).
 23

Une autre tâche courante consiste à prédire une valeur numérique

spécifique, telle que le prix d'une voiture, en fonction d'un ensemble de
caractéristiques telles que le kilométrage, l'âge, la marque, etc., que l'on
appelle des prédicteurs. Ce type de tâche est connu sous le nom de régression.
Pour entraîner le système, il est nécessaire de lui fournir de nombreux
exemples de voitures, comprenant à la fois leurs prédicteurs et leurs étiquettes
correspondantes, c'est-à-dire leurs prix. La figure I.12 illustre une tâche de
régression.

Figure I.13 - Régression

Il est important de souligner que certains algorithmes initialement

conçus pour la régression peuvent aussi être adaptés à la classification, et
inversement. Prenons l'exemple de la régression logistique, souvent employée
dans des contextes de classification. Cette méthode a la particularité de
générer une valeur représentant la probabilité d'appartenir à une classe
particulière (par exemple, 20% de chances d'être identifié comme un spam).
Voici quelques-uns des algorithmes d’apprentissages supervisé les plus
importants :
 K plus proches voisins ;
 Régression linéaire ;
 Régression logistique ;
 Machines à vecteurs support (SVM) ;
 Arbres de décision et forêt aléatoires
 24

I.8.1.4.2. Apprentissage non-supervisé :

Ici, vous avez toujours des caractéristiques, mais pas d'étiquettes, car
l'objectif n'est pas de prédire quelque chose spécifique.
Imaginez que vous ayez une collection de photos d'animaux, mais cette
fois-ci, sans aucune indication sur le type d'animal dans chaque photo.
L'apprentissage non-supervisé consiste à explorer ces données historiques
pour voir ce que vous pouvez en apprendre, sans avoir de réponses
préétablies. Vous essayez de détecter des motifs ou des structures dans les
données.
C'est un peu comme si vous cherchiez des similarités ou des groupes
naturels parmi les animaux, sans savoir à l'avance quelles catégories ils
pourraient former. Vous pourriez découvrir, par exemple, que certains
animaux ont des caractéristiques communes et forment un groupe distinct.
L'apprentissage non-supervisé est souvent utilisé pour explorer les
données, découvrir des modèles cachés et comprendre leur structure. De plus,
lorsque vous préparez vos données pour l'apprentissage supervisé, vous
pouvez utiliser cette méthode pour effectuer ce qu'on appelle l'ingénierie des
caractéristiques, afin d'améliorer la qualité des informations que le modèle
apprendra par la suite. C'est un peu comme préparer le terrain avant de
planter les graines.
Voici quelques-uns des algorithmes d’apprentissage non supervisé les
plus importants :
Clustering :
 K-Means : Partitionne les données en k groupes distincts.
 Hierarchical Clustering (Clustering hiérarchique) : Crée une hiérarchie de
groupes dans les données.
 DBSCAN (Density-Based Spatial Clustering of Applications with Noise) :
Identifie des régions de densité variable dans l'espace des données.
Visualisation et Réduction de la Dimensionalité :
 PCA (Principal Component Analysis) : Identifie les principales
composantes des données.
 t-SNE (t-distributed Stochastic Neighbor Embedding) : Utilisé
principalement pour la visualisation des données.
 25

 Mean Shift : Trouve automatiquement les modes d'une distribution de

données.
 Clustering spectral : Utilise les spectres propres des matrices associées
aux données pour le regroupement.
 Autoencoders : Architecture de réseau neuronal pour la réduction de
dimension.
Apprentissage de Règle d'Association : Identifie les règles fréquentes dans les
ensembles de données.
Chaque catégorie répond à des objectifs spécifiques en matière d'exploration
de données non supervisées, que ce soit pour regrouper des données
similaires, visualiser des structures complexes ou extraire des règles
d'association significatives.
1. Le Clustering
Prenons l'exemple concret des données relatives aux visiteurs de notre blog.
En utilisant un algorithme de clustering, nous pouvons déterminer à quel
groupe appartient chaque visiteur, identifiant ces liens de manière autonome.
Par exemple, l'algorithme pourrait remarquer que 40% de vos visiteurs sont
des hommes passionnés de bandes dessinées, qui préfèrent lire votre blog en
soirée, tandis que 20% sont des jeunes amateurs de science-fiction visitant le
site pendant le week-end, et ainsi de suite. En employant un algorithme de
clustering hiérarchique, nous avons la capacité de subdiviser chaque groupe en
sous-groupes plus spécifiques. Cela ouvre la voie à une personnalisation plus
poussée des messages pour chaque segment de visiteurs.
Dans la “figure I.13” ci-dessous, nous illustrons comment un ensemble de
points peut être regroupé pour former trois sous-ensembles distincts.

Figure I.14 — Clustering

 26

2. Réduction de la dimensionalité
L'idée ici est de simplifier les données en conservant l'essentiel de
l'information. Une approche pour y parvenir consiste à regrouper plusieurs
caractéristiques corrélées en une seule. Par exemple, si le kilométrage d'une
voiture est fortement corrélé avec son âge, un algorithme de réduction de
dimensionnalité les fusionnera en une seule caractéristique. L'objectif est
d'éliminer la redondance tout en préservant les relations significatives entre
les données.
3. La détection des anomalies
La détection des anomalies est un domaine passionnant, qui vise à identifier
les objets éloignés qui sont dérivants de la distribution générale des données
avant de les transmettre à un autre algorithme d’apprentissage. Le Système est
entrainé avec instances normales et, lorsqu’il voit une nouvelle instance, il
peut dire si elle ressemble à une instance normale ou s’il s’agit probablement
d’une anomalie, comme le montre le graphe suivant “figure I.14”.

Figure I.15 — Détection d’anomalies.

I.8.1.4.3. Apprentissage par renforcement
Ici, vous partez avec un agent, qui est essentiellement un algorithme, et
il doit choisir parmi différentes actions disponibles. Imaginez-le comme un
joueur dans un jeu qui doit décider quoi faire à chaque étape.
Ensuite, en fonction de l'action qu'il choisit, l'agent reçoit un retour de
son environnement. Cela peut venir d'un humain dans certaines situations ou
d'un autre algorithme. Ce retour prend la forme soit d'une récompense, s'il a
fait un bon choix, soit d'une pénalité, s'il a fait une mauvaise action. C'est
 27

comme lui donner des points pour les bonnes décisions et lui enlever des
points pour les mauvaises.
L'agent apprend au fil du temps quelle stratégie ou quel choix d'actions
maximise le total des récompenses cumulées. C'est un peu comme s'il
apprenait à jouer à un jeu en comprenant quelles actions mènent à de bonnes
récompenses et quelles actions mènent à des pénalités.

Figure I.16. — Apprentissage par renforcement

Ce type d'apprentissage est souvent utilisé dans des domaines tels que la
robotique, la théorie des jeux et les véhicules autonomes. Par exemple, un
robot peut apprendre à effectuer des tâches en recevant des récompenses ou
des retours d'un opérateur humain, ou un véhicule autonome peut apprendre
à naviguer dans la circulation en recevant des retours sur ses choix de
conduite. C'est un peu comme un processus d'essais et d'erreurs, où l'agent
ajuste sa stratégie pour maximiser les récompenses au fil du temps.
Le programme Alpha Go de DeepMind est un bon exemple
d’apprentissage par renforcement : il a fait la une des journaux en mars 2016
lorsqu’il a battu le champion du monde Lee Sedol au jeu de Go. Il a appris sa
politique gagnante en analysant des millions de parties, puis en jouant de
nombreuses parties contre lui-même.

I.8.2. Apprentissage profond (Deep Learning)

I.8.2.1. Définition du Deep Learning
C’est une technique de machine Learning reposant sur le modèle des
réseaux neurones : des dizaines voire des centaines de couches de neurones sont
empilées pour apporter une plus grande complexité à l’établissement des règles.
 28

Figure I.19 — Réseaux de neurones artificiels

Comme on peut le voir sur l’image ci-haut, les cercles sont des fonctions
qui sont connectées entre eux.
Plus ces réseaux sont profonds c’est à dire plus ils contiennent d’autres
fonctions à l’intérieur, plus la machine est capable de réaliser des tâches
complexe. Tel que : La détection des objets, la reconnaissance faciale ou encore
la conduite des véhicules comme on peut le voir sur la figure ci-dessous :

Figure I.20 — Mode d’applications dans la vie courante avec Deep Learning

I.8.2.2. Les neurones biologiques

I.8.2.2.1 Définitions
Les neurones en biologies sont des cellules excitables connectées les uns
aux autres et ayant pour rôle de transmettre des informations dans notre
système nerveux.
 29

Pour mieux comprendre comment fonctionne un neurone artificiel,

penchons-nous un peu sur les neurones biologiques de notre système nerveux.

Figure I.21 —La structure du neurone biologique.

Un neurone est un peu comme une petite usine dans notre cerveau, et il
a quelques parties très importantes.
I.8.2.2.2. Constitutions d’un neurone
1. Les Dendrites (Antennes) : C'est comme si le neurone avait des
petites antennes appelées dendrites. Ces antennes sont là pour capter toutes
sortes de messages électriques et chimiques des autres neurones. Elles sont
comme des oreilles super spéciales qui écoutent attentivement.

2. Le Corps Cellulaire (Chef de l'Usine) : Au milieu du neurone, il y a le

corps cellulaire, comme le chef de l'usine. C'est là que toutes les informations
des antennes sont rassemblées. Si le chef pense que ces informations sont
importantes, il peut décider de faire quelque chose de spécial.

3. L'Axone (Câble Magique) : Quand le chef décide, il envoie un message

spécial le long d'un câble magique appelé axone. C'est comme un super
chemin qui permet au message de se déplacer vite, très vite, vers d'autres
parties du cerveau.
 30

4. Les Terminaisons (Main qui Donne) : À la fin du câble magique, il y a

des petites mains appelées terminaisons. Ces mains tiennent des choses
spéciales appelées neurotransmetteurs. Quand le message arrive, les mains
donnent ces neurotransmetteurs à d'autres neurones, comme si elles
transmettaient le message.

En résumé, un neurone a des antennes pour écouter, un chef au centre

pour prendre des décisions, un câble magique pour envoyer des messages, et
des mains à la fin pour donner ces messages à d'autres neurones. C'est comme
une équipe super organisée qui travaille ensemble pour que notre cerveau
fonctionne comme une machine géniale !

I.8.2.2.3 Principe de fonctionnement :

Imaginons que notre cerveau soit comme un grand groupe de copains
qui travaillent ensemble, appelés neurones. Chacun de ces copains a un job
spécial.
Certains copains sont comme des oreilles, ils écoutent ce que disent les
autres copains. Ces oreilles sont appelées dendrites. Ensuite, il y a un copain
qui décide, comme le chef du groupe, il s'appelle le soma. Si les oreilles lui
disent beaucoup de choses intéressantes, il peut décider de faire quelque
chose de spécial.
Quand le chef décide, il envoie un message spécial, comme un super
signal électrique, à travers un autre copain appelé axone. C'est comme si ce
copain pouvait parler fort et transmettre le message à d'autres copains plus
loin.
Ce message spécial voyage de copain en copain en utilisant les mains.
Ces mains sont remplies de petites choses spéciales appelées
neurotransmetteurs. Quand un copain a fini de parler fort, il donne des
neurotransmetteurs à son copain suivant.
Le copain suivant écoute le message et peut décider de faire quelque
chose à son tour. Et ainsi de suite, les copains se passent des messages,
prennent des décisions et font plein de choses géniales ensemble.
 31

Donc, en résumé, les copains dans notre cerveau (ou les neurones)
écoutent, prennent des décisions, parlent fort, se passent des messages avec
des mains spéciales, et c'est comme ça que nous pouvons penser, bouger, et
faire toutes sortes de choses super cool !

I.8.2.2. Le Neurone Artificiel

I.8.2.2.1. Comment fonctionne un neurone artificiel ?
Un neurone artificiel fonctionne d’une manière inspirée de celle d’un
neurone biologique : un nœud d'un réseau de plusieurs neurones reçoit
généralement plusieurs valeurs d'entrée et génère une valeur de sortie.
Le neurone calcule la valeur de sortie en appliquant une fonction d'activation à
une somme pondérée des valeurs d'entrée.

Figure I.22 — Fonctionnement du neurone artificiel

Comme nous pouvons le voir sur cette figure ci-haut, il y’a 3 entrées x, y
et z qui entre dans le sommateur qui peut être représenté par une fonction (f)
et aussi une sortit output qui peut être symbolisé par (y).

Pour parvenir à trouver une solution à la fin il va falloir passer par

plusieurs étapes :
La première c’est l’Agrégation : Consiste à faire la somme de chaque
entrée en les multipliant par le coefficient w. La formule sera comme ceci :
 32

f= x1.w1+x2.w2+x3.w3

Le coefficient w représente l’activité synaptique c’est à dire l’effet qu’un

signal soit excitateur ou inhibiteur

Excitateur: +1

Inhibiteur: -1

Une fois que cette étape réalisée on passe à la phase d’activation

La deuxième Etape c’est l’Activation :

Pendant l’activation on vérifie si f >0 alors y = 1 et si f = 0 alors y = 0.

I.8.2.2.2. Les différents types des réseaux de neurones

Il existe différents types de réseaux de neurones, et ils sont classés en
fonction du nombre de nœuds cachées du modèle ou encore du nombre
d’entrées et de sorties de chaque nœud. La propagation des informations
entre les différents neurones peut varier et dépend du type de réseaux de
neurones
 Les réseaux de neurones dit "feed-forward'' (à propagation avant) : c'est
la variante la plus simple, l'information ne se déplace que dans une seule
direction, elle traverse directement l’entrée aux nœuds de traitement
(couches cachées) puis aux sorties, avec absence de cycle ou de boucle
dans le réseau.
 Les réseaux de neurones récurrents : Ce mode d’apprentissage est un
peu plus complexe, ils comportent au moins un cycle dans leurs
structures, ils sauvegardent les résultats produits par les nœuds de
traitement et nourrissent le modèle à l’aide de ces résultats. Parmi ses
 33

applications, on trouve : la reconnaissance automatique de formes, la

traduction automatique de la parole...etc.

 Les réseaux de neurones convolutifs : leur fonctionnement est inspiré

par un processus biologique qui est le cortex visuel des animaux, les
données à traiter traversent une multitude de couches (de la couche
d’entrée vers la couche de sortie). Ce type de réseaux s’applique dans
différents domaines : la reconnaissance faciale, la reconnaissance
d’images et vidéos, le traitement du langage naturel ...etc.
I.8.2.2.3. Domaines d’applications du Deep Learning

 La Reconnaissance Faciale
Un algorithme de Deep Learning apprend à détecter sur une photo les
caractéristiques du visage tels que : les yeux, la bouche, le nez...etc. Et cela en
fournissant à l’algorithme un ensemble d’images du visage qui vont être
utilisées pour l'entraînement, et à force de les entraîner, il sera capable de
détecter un visage sur une image.
 La détection des Objets
Les algorithmes de détection d’objets sont capables maintenant
d’identifier au pixel près un élément ou une personne sur une image qui
contient beaucoup d'éléments (images complexes) comme ça sera le cas dans
notre travail.

 La traduction Automatique
La traduction automatique a fait d'immenses progrès grâce à l’utilisation
des réseaux de neurones. Cependant, ce type d'IA a besoin de gros volumes de
contenus traduits au préalable par des humains. Elle s’appuie sur
l’apprentissage supervisé par lequel la machine fait une supposition puis reçoit
la réponse correcte d'un humain, ce qui lui permet ensuite d'ajuster son
traitement en conséquence. Cette méthode est efficace pour les langues très
 34

répandues, comme l'anglais ou le français, pour lesquelles il existe de

nombreux documents parallèles.

I.8.2.2.4. Exemple d’application du Deep Learning.

On va étudier un exemple concret de la reconnaissance d’images, à
l’aide des réseaux de neurones, et qui consiste à reconnaître les photos d’un
chat afin d’illustrer cette notion. Tout d’abord, le réseau de neurones prend en
entrée un ensemble d’images de chats différents mélangés avec des objets qui
ne sont pas des chats, puis il va effectuer une analyse de chaque image afin de
s'entraîner pour pratiquer le Deep Learning. Ces images sont ensuite
converties en données et transférées sur le réseau. Ensuite les neurones
artificiels attribuent un poids aux différents éléments. Enfin la couche finale de
neurones va rassembler les différentes informations pour déduire le résultat
s'il s’agit d’une image d’un chat ou non.
Le réseau de neurones va ensuite effectuer une comparaison entre cette
réponse et les bonnes réponses proposées par les humains. Si les réponses
sont pareilles, le réseau garde cette réussite en mémoire et s’en servira plus
tard pour reconnaître les chats. Dans le cas contraire, le réseau ajuste le poids
placé sur les différents neurones afin de corriger son erreur. Ce processus
représente dans la Figure ci-après est répété des milliers de fois jusqu'à ce que
le réseau arrive à reconnaître un chat sur une photo dans toutes les
circonstances.

Figure I.23 — Exemple d’Apprentissage profonds

 35

I.9. Les Avantages et Inconvénients de L’intelligence Artificielle

I.9.1. Les Avantages :

1. Efficacité améliorée : Les systèmes d'IA peuvent automatiser des tâches
répétitives et gérer des volumes massifs de données beaucoup plus
rapidement que les êtres humains, améliorant ainsi l'efficacité
opérationnelle.
2. Précision accrue : Les modèles d'IA peuvent effectuer des analyses
complexes avec une précision remarquable, réduisant les erreurs
humaines et améliorant la qualité des résultats.
3. Automatisation des tâches dangereuses : L'IA peut être utilisée pour
effectuer des tâches dangereuses, comme l'exploration de zones à haut
risque, sans mettre la vie humaine en danger.
4. Apprentissage continu : Les systèmes d'apprentissage automatique
peuvent s'améliorer avec le temps en assimilant de nouvelles données et
en ajustant leurs modèles, ce qui les rend plus adaptatifs.
5. Disponibilité 24/7 : Les systèmes d'IA peuvent fonctionner sans
interruption, fournissant des services 24 heures sur 24, 7 jours sur 7,
sans nécessiter de pauses ou de temps de repos.

I.9.2. Les Inconvénients

1. Biais algorithmique : Les modèles d'IA peuvent hériter des préjugés
présents dans les données d'entraînement, entraînant des décisions
discriminatoires ou injustes.
2. Perte d'emplois : L'automatisation résultant de l'IA peut entraîner la
suppression de certains emplois, en particulier ceux qui impliquent des
tâches répétitives et prévisibles.
3. Dépendance technologique : La dépendance excessive à l'IA peut rendre
les sociétés vulnérables aux pannes technologiques et créer une
dépendance qui pourrait être problématique en cas de
dysfonctionnement.
 36

4. Manque de compréhension : Les modèles d'IA opaques, tels que

certains réseaux de neurones profonds, peuvent être difficiles à
comprendre, rendant complexe l'explication de leurs décisions, ce qui
pose des défis en termes de transparence.
5. Sécurité et éthique : Les préoccupations liées à la sécurité, à la
confidentialité et à l'éthique entourent souvent l'utilisation de l'IA, en
particulier lorsqu'il s'agit de données sensibles ou de prises de décisions
critiques.
L'IA apporte des avantages significatifs, mais son adoption nécessite une
gestion prudente des inconvénients potentiels pour assurer un impact positif
et durable sur la société.

I.10. Conclusion
Dans ce premier chapitre, nous avons exploré les fondements de
l'intelligence artificielle (IA). Nous avons plongé dans l'histoire de l'IA,
remontant aux origines de cette discipline passionnante. De plus, nous avons
examiné les deux grands sous-domaines de l'IA : le machine Learning, avec ses
approches supervisées et non supervisées, et le Deep Learning, alimenté par
des réseaux neuronaux profonds.
En parallèle, nous avons esquissé une comparaison éclairante entre
l'intelligence artificielle et l'intelligence biologique, soulignant à la fois les
similitudes et les différences qui existent entre ces deux formes d'intelligence.

Ainsi, ce chapitre introductif nous a offert un aperçu approfondi de la

diversité et de la richesse de l'IA, jetant les bases nécessaires pour explorer les
aspects plus détaillés et captivants qui suivront dans notre exploration de ce
domaine en constante évolution.
 37

CHAPITRE II : ANALYSE ET SPECIFICATION DES BESOINS

II.1 Introduction
Dans la quête pour rendre le monde plus accessible aux personnes
aveugles de l'INAV, notre voyage se poursuit avec un regard méticuleux sur les
fondations de notre projet : l'Analyse et la Spécification des Besoins.
Comprendre véritablement les défis quotidiens de nos utilisateurs est la clé
pour façonner une technologie qui transcende les attentes.
Ce chapitre marque un tournant significatif, car il nous plonge dans les
profondeurs de la réalité vécue par les membres de l'INAV. L'identification
minutieuse des besoins spécifiques guidera chaque étape ultérieure de notre
parcours, assurant ainsi que notre solution n'est pas seulement
technologiquement avancée, mais surtout, qu'elle répond de manière
authentique et sensible aux besoins réels de ceux que nous cherchons à servir.
De la déconstruction des défis aux entretiens captivants avec les
utilisateurs, ce chapitre plongera dans les détails de la conception orientée
utilisateur. Nous tracerons les contours des fonctionnalités cruciales,
établirons des critères mesurables pour évaluer notre succès, et naviguerons à
travers les contraintes qui guideront notre processus. Bienvenue dans la phase
où les idées prennent forme et les besoins se transforment en spécifications
concrètes.

Figure II.1. — Bâtiment de l’INAV

 38

II.2. Historique de l’iNAV

L'iNAV a été créé en 1967 par l'État congolais, à l'initiative des Frères de la
Charité, une congrégation catholique qui s'occupe de l'éducation des
personnes handicapées. L'école a été ouverte à Kinshasa, la capitale de la
République démocratique du Congo.
Au départ, l'iNAV offrait un enseignement primaire et secondaire aux
personnes aveugles et malvoyantes. En 1972, l'école a été agréée par le
ministère de l'Éducation nationale.
En 1980, l'iNAV a ouvert une section professionnelle, offrant des formations
dans divers domaines, tels que l'artisanat, la couture, la coiffure, etc.
En 1998, l'iNAV a été victime des guerres civiles qui ont ravagé la République
démocratique du Congo. L'école a été fermée pendant plusieurs années, mais
elle a finalement pu rouvrir ses portes en 2003.
Depuis sa réouverture, l'iNAV a connu un développement important. L'école a
modernisé ses infrastructures et ses équipements, et elle a élargi son offre de
formations.
En 2013, l'iNAV a ouvert un centre de réadaptions des adultes et des enfants
pour les mettre à niveau en apprenant l’écriture de Brailles. Et Aussi l’école
primaire et secondaire ou les élèves apprennent tout tel que les Maths,
l’histoire, la géographie.
Aujourd'hui, l'iNAV est un établissement d'enseignement supérieur et de
recherche important pour les personnes aveugles et malvoyantes en
République démocratique du Congo. Il offre des formations de qualité, qui
permettent aux personnes aveugles et malvoyantes de développer leurs
compétences et leurs talents, afin qu'elles puissent s'insérer dans la société et
contribuer à son développement.
Voici quelques événements marquants de l'histoire de l'iNAV :
1967 : Création de l'iNAV par l'État congolais
1972 : Agrément de l'iNAV par le ministère de l'Éducation nationale
1980 : Ouverture d'une section professionnelle à l'iNAV
1998 : Fermeture de l'iNAV en raison des guerres civiles
2003 : Réouverture de l'iNAV
 39

2013 : Ouverture d'une section universitaire à l'iNAV

La Mission poursuivie par l’iNAV :
L'iNAV a pour mission de permettre aux personnes aveugles et malvoyantes de
développer leurs compétences et leurs talents, afin qu'elles puissent s'insérer
dans la société et contribuer à son développement.
L’Inav se situe sur l’Avenue Kasa-Vubu, Quartier Matonge, Kinshasa,
République démocratique du Congo

II.3. Anatomie de l’Œil

Le système visuel humain est une merveille d'ingénierie, avec l'œil
comme l'organe principal capturant les images et les transformant en signaux
électriques transmis au nerf optique. Ces signaux sont ensuite traduits par le
cerveau au niveau du cortex visuel, qui nous renvoie une image traitée,
facilitant ainsi l'interprétation de notre environnement.

L’Œil humain est composé par : le globe oculaire, l'orbite et les paupières,
comme sur l'image suivante :

Figure II.2 — Structure de l’Œil

L'œil humain est un chef-d'œuvre d'ingénierie biologique, capturant la

lumière à travers la cornée et le cristallin pour la focaliser sur la rétine. Cette
 40

dernière, peuplée de photorécepteurs (bâtonnets pour la lumière faible, cônes

pour la couleur), génère des signaux électriques en réponse à la lumière. Ces
signaux sont transmis au cerveau via le nerf optique, où le cortex visuel les
interprète pour former une image cohérente et permettre la perception
visuelle. L'œil s'adapte également à la luminosité en ajustant la taille des
pupilles. Ce processus complexe d'entrée, de traitement et d'interprétation
permet à l'homme de percevoir son environnement visuel de manière
extraordinaire.

II.4. Cécité visuelle

La cécité visuelle représente un défi significatif dans la perception du
monde qui nous entoure. Cette section explore les différentes dimensions de la
cécité, comprenant la déficience visuelle, la cécité proprement dite, et les
causes sous-jacentes.

II.4.1. Déficience visuelle

La déficience visuelle englobe un spectre varié de limitations visuelles,
allant de la vision partielle à une vision considérablement réduite. Cette sous-
section examine les nuances de la déficience visuelle, soulignant la diversité
des expériences liées à la perte de vision.

II.4.2. La Cécité
La cécité est définie comme une condition caractérisée par une absence totale
de vision, impliquant l'incapacité complète de percevoir la lumière ou les
formes visuelles. C'est une altération sévère du sens visuel qui a des
répercussions importantes sur la manière dont les individus interagissent avec
leur environnement. La cécité peut être congénitale ou acquise, et elle varie en
termes de degré et d'impact sur la vie quotidienne des personnes touchées.
En République démocratique du Congo (RDC), la cécité est définie comme une
condition caractérisée par une absence totale de vision, ce qui signifie
l'incapacité complète de percevoir la lumière ou les formes visuelles. La
définition spécifique de la cécité en RDC peut être déterminée par des normes
 41

médicales et des critères diagnostiques établis par les autorités de santé du

pays. Ces critères peuvent prendre en compte des facteurs tels que l'acuité
visuelle, la perception de la lumière, et d'autres indicateurs cliniques pour
établir le seuil de la cécité.

Tableau II.1 : Les maladies de l’Œil

II.4.3. Les Causes

Il existe de nombreuses maladies visuelles, répertoriées dans la figure
suivante, qui impactent la vision de diverses manières. Ces maladies peuvent
se manifester de manière soudaine, évoluer progressivement, suivre des
paliers, ou être présentes dès la naissance en raison de facteurs génétiques.
 42

Figure II.3 — Diagramme camembert des maladies des yeux

1- Glaucome :
Le glaucome est une maladie de l'œil entraînant une diminution irrémédiable
du champ de vision. Il est causé par une montée de la pression oculaire,
provoquant des dommages au nerf optique. Cette maladie touche
généralement les personnes âgées.

2- Cataracte :
La cataracte est caractérisée par l'opacification partielle ou totale du cristallin,
une lentille convergente à l'intérieur de l'œil. Cette opacification entraîne une
baisse progressive de la vision, initialement accompagnée de gêne à la lumière
(photophobie). La perte de vision peut être rapide en cas de traumatisme.

3- Rétinopathie Diabétique :
La rétinopathie diabétique est une maladie qui affecte la rétine des personnes
diabétiques, endommageant les petits vaisseaux qui fournissent à la rétine des
nutriments et de l'oxygène. Elle peut toucher les deux yeux et peut entraîner
des complications.

4- Dégénérescence Maculaire Liée à l'Âge (DMLA) :

La Dégénérescence Maculaire Liée à l'Âge (DMLA) est une maladie de la rétine
qui, bien qu'ayant des effets similaires à la rétinopathie diabétique, est causée
par d'autres facteurs. Elle se manifeste après l'âge de cinquante ans et
entraîne une altération de la fonction rétinienne maculaire, affectant ainsi la
vision centrale.

5- Rétinoblastome :
Le rétinoblastome est une tumeur cancéreuse de la rétine qui touche les
enfants de moins de 5 ans. Un traitement précoce est crucial pour préserver au
maximum la vision.
 43

6- Décollement de la Rétine :
Le décollement de la rétine est une pathologie rare caractérisée par une
séparation de la rétine par rapport aux membranes externes du globe oculaire.
Son traitement rapide est essentiel, car elle peut entraîner la cécité. Cette
maladie affecte principalement les personnes de 45 à 60 ans, ainsi que les
myopes et les diabétiques.

II.5. Difficultés rencontrées par les aveugles et les personnes ayant une
déficience visuelle dans la vie quotidienne.
II.5.1. Définition d’une personne aveugle
Le terme « aveugle », dérivé du latin aboculis (« sans Œil »), a été employé à
partir du XIe siècle pour décrire une personne ne possédant pas la faculté de
voir. Cependant, au cours des années 1970-1980, cet usage a cédé la place à
l'euphémisme « non-voyant ». Cette transition paradoxale a introduit un terme
qui, bien qu'atténuant le constat, continue à souligner l'absence visuelle,
renforçant ainsi la démarcation par rapport au monde des voyants (Galiano,
2013). Que l'on préfère les termes « aveugle », « non-voyant », voire même «
déficient visuel », ils expriment tous un manque, une perte, un déficit.
Lorsqu'ils sont utilisés comme des noms, ils réduisent souvent l'individu à cette
seule caractéristique. En revanche, employés comme des adjectifs, ces termes
n'occupent plus le devant de la scène, permettant une inclusion sociale plus
complète.
II.5.2. Définition d’un déficient visuelle
Un déficient visuel est une personne dont l'acuité visuelle est faible, ce qui
peut être qualifié de malvoyance, voire inférieure à 1/20 pour le meilleur œil
après correction, ce qui est considéré comme une cécité. Seulement 14 % des
personnes déficientes visuelles sont classées comme aveugles ; la majorité
présente une malvoyance.

Selon l'Organisation mondiale de la Santé (OMS), les déficiences visuelles

peuvent être classées en cinq groupes distincts :
 44

- Déficience Visuelle Moyenne : Caractérisée par un champ visuel

supérieur à 20 degrés et une acuité visuelle comprise entre 1/10 et 3/10.

- Déficience Visuelle Sévère : Caractérisée par une acuité visuelle entre

1/20 et 1/10. La personne est alors capable de compter les doigts à 3 mètres.

- Déficience Visuelle Profonde : Caractérisée par une acuité visuelle

entre 1/50 et 1/20. La personne peut compter les doigts à 1 mètre.

- Déficience Visuelle Quasi-totale : Caractérisée par une acuité

inférieure à 1/50, un champ visuel réduit, et la perception de la lumière
uniquement.

- Cécité Totale : Caractérisée par la non-perception, y compris de la

lumière.

Cette classification offre une compréhension nuancée des différentes

catégories de déficiences visuelles, allant de la malvoyance à la cécité totale,
tout en tenant compte des variations dans l'acuité visuelle et du champ visuel.

II.5.3. L’assistance quotidienne et difficulté.

Comme évoqué précédemment, le système visuel est complexe, et la
diversité des troubles de la vision est vaste. En conséquence, les besoins
varient considérablement en fonction de ces troubles. Certains affectent la
mobilité, tandis que d'autres compromettent la lecture. Comprendre cette
diversité est essentiel pour concevoir des solutions adaptées qui répondent
spécifiquement aux défis rencontrés par les individus confrontés à ces
différentes altérations visuelles. En adaptant les technologies et les dispositifs
en fonction de ces besoins spécifiques, il devient possible d'améliorer
significativement la qualité de vie des personnes atteintes de troubles visuels.
 45

II.5.3.1. Les incapacités et les difficultés rencontrés par les personnes

Aveugles de l’INAV.
Suite à une descente sur le terrain effectuée le 5 octobre 2023 à
l'Institut National des Aveugles, des enquêtes approfondies ont été menées.
Celles-ci ont permis d'analyser de manière approfondie les difficultés et les
besoins des personnes déficientes visuelles, abordant une variété d'aspects
cruciaux de leur vie quotidienne.

- Toilette, Habillage, Alimentation : Dans ces activités fondamentales, les

personnes déficientes visuelles peuvent rencontrer des défis liés à l'orientation
dans l'espace, la reconnaissance des objets, et la coordination des
mouvements. Des solutions innovantes sont souvent nécessaires pour garantir
l'indépendance dans ces domaines.

- Hygiène de l'Élimination Urinaire ou Fécale : L'autonomie dans ces sphères

peut être entravée par des difficultés d'orientation dans les toilettes et la
nécessité d'un repérage précis. Des dispositifs tactiles et sonores peuvent
contribuer à surmonter ces obstacles.

- Mobilité, Déplacements : La navigation sécurisée dans l'environnement est

une préoccupation majeure. Des technologies telles que les aides à la mobilité,
les applications de navigation sonore, et des formations spécifiques peuvent
considérablement améliorer la liberté de mouvement.

- Tâches Ménagères et Gestion : Les activités domestiques nécessitent souvent

une adaptation. Des équipements ergonomiques, des repères tactiles, et des
stratégies organisationnelles peuvent simplifier ces tâches.

- Communication à Distance, Cohérence, Orientation : L'accès à l'information,

la cohérence spatiale, et l'orientation sont des défis potentiels. Les
technologies de communication adaptées, les repères auditifs, et des
environnements bien structurés contribuent à surmonter ces obstacles.
 46

- Vue, Ouïe, Parole : La gestion des déficiences sensorielles peut nécessiter des
aides visuelles, auditives, ou des dispositifs de communication adaptés. Des
approches personnalisées sont essentielles pour répondre aux besoins
spécifiques de chaque individu.

- Souplesse, Manipulation : L'adaptation des gestes et la manipulation d'objets

peuvent être améliorées par des techniques de formation, des dispositifs
tactiles, et des aides technologiques.

Cette approche détaillée vise à identifier des solutions sur mesure pour chaque
domaine, garantissant ainsi une qualité de vie maximale pour les personnes
déficientes visuelles.
- Les incapacités déclarées par les déficients visuels âgés de 20 ans et plus :

Les déficients visuels expriment des difficultés dans divers domaines de la vie
quotidienne, avec des incapacités sévères plus prononcées dans des tâches
complexes telles que les déplacements et les tâches ménagères par rapport
aux actes essentiels de la vie quotidienne.

Les déplacements à l'extérieur sont particulièrement touchés, avec 46 % des

déficients visuels adultes déclarant une incapacité sévère pour effectuer leurs
achats, 45 % pour porter un objet de 5 kilogrammes sur une distance de 10
mètres, et 38 % pour sortir de leur domicile. À l'intérieur du domicile, les
incapacités sévères pour les déplacements sont moins fréquentes, avec
seulement 9 % déclarant une incapacité sévère pour se déplacer dans les
pièces de l'étage.

Les tâches ménagères et la gestion représentent également un défi, avec près

de la moitié des déficients visuels résidant en domicile ordinaire (47 %)
déclarant une incapacité sévère. Remplir un formulaire simple (35 %) ou
effectuer les tâches ménagères courantes (32 %) sont des activités pour
lesquelles des incapacités sévères sont fréquemment rapportées. En revanche,
moins d'incapacités sévères sont déclarées pour préparer les repas (19 %) ou
prendre les médicaments prescrits (11 %).
 47

Les activités nécessitant souplesse et manipulation sont également un

domaine d'incapacités, touchant plus de la moitié des déficients visuels (53 %).
Des activités exigeant un contrôle visuel précis, comme se couper les ongles
des orteils (49 % d'incapacités sévères) ou se pencher pour ramasser un objet
sur le sol (31 %), sont particulièrement problématiques.

Les actes élémentaires de la vie quotidienne sont moins fréquemment

affectés, bien que la toilette quotidienne (23 % d'incapacités sévères) et
l'habillage/déshabillage (20 %) soient des activités plus problématiques.
Cependant, les incapacités sévères pour des actions comme aller aux toilettes
(9 %) ou manger la nourriture prête (7 %) sont moins répandues.

Les difficultés liées à la communication à distance, la cohérence, et

l'orientation sont moins fréquentes, avec des problèmes plus prononcés pour
se repérer dans l'espace (22 % d'incapacités sévères pour trouver son chemin
en sortant) que pour l'utilisation du téléphone (14 %). En outre, 20 % des
déficients visuels déclarent une incapacité sévère pour entendre une
conversation, tandis que les difficultés pour parler sont beaucoup moins
courantes.

II.6. Les aides techniques destinés aux personnes déficientes visuelles

Les aides techniques destinées à compenser les incapacités visuelles
sont diverses et englobent des dispositifs d'aménagement du logement, des
prothèses, ainsi que divers matériels permettant aux personnes de surmonter
leurs défis au quotidien. Parmi ces dispositifs, les « aides visuelles » occupent
une place prépondérante, spécialement conçues pour les déplacements
(cannes blanches, chiens-guides) ainsi que pour les activités impliquant la
lecture ou l'écriture (aides optiques, braille, etc.).

Les aides techniques visuelles représentent un élément crucial dans la

compensation des déficiences visuelles. Elles sont fortement recommandées,
 48

en complément d'autres techniques, dans divers domaines de la réadaptation

visuelle des personnes aveugles et malvoyantes. Ces dispositifs jouent un rôle
essentiel en fournissant un soutien pratique et en facilitant l'indépendance
dans les activités quotidiennes, contribuant ainsi à améliorer la qualité de vie
des personnes en situation de handicap visuel.

II.6.1. Les aides pour les déplacements

Ces aides techniques jouent un rôle essentiel dans l'amélioration de la
détection des obstacles, offrant ainsi une solution aux difficultés fréquemment
rencontrées par les déficients visuels lors de leurs déplacements à l'extérieur
du domicile. Pour les personnes aveugles, l'apprentissage de l'utilisation d'une
canne longue représente une étape cruciale, renforçant la sécurité des
déplacements et réduisant la dépendance.

La canne intelligente, introduite pour la première fois par des étudiants

de l'université de Michigan, est un dispositif portable doté d'un système
sensoriel sophistiqué. Ce système intègre des capteurs à ultrasons, un
microcontrôleur, un vibreur, et un avertisseur sonore pour guider de manière
efficace les personnes malvoyantes. En utilisant des servomoteurs, des
ultrasons, et un contrôleur flou, elle est capable de détecter les obstacles
devant l'utilisateur et de fournir des instructions par vibrations au niveau de la
main. Cette technologie représente une avancée significative dans l'autonomie
des personnes malvoyantes en facilitant leur orientation et en améliorant la
sécurité lors de leurs déplacements.
 49

Figure II.4 — Cannes intelligente ultrasons

II.6.2. Les aides pour la communication

Les dispositifs utilisant le braille, la synthèse vocale, et éventuellement des
interfaces informatiques, sont spécialement conçus pour les personnes
présentant des déficiences plus marquées. Leur utilisation nécessite un
apprentissage, particulièrement important comparé aux aides optiques. Avec
l'avancement des Nouvelles Technologies de l'Information et de la
Communication (NTIC), en particulier d'Internet, l'accessibilité à l'information
pour les malvoyants et non-voyants a connu une amélioration significative. Ces
technologies offrent aux personnes ayant des déficiences visuelles des moyens
plus avancés pour accéder à l'information, favorisant ainsi leur autonomie et
leur participation active dans divers domaines de la vie quotidienne.

II.6.2.1. L’écriture Braille

L'écriture braille est un système d'écriture tactile utilisé par les
personnes aveugles ou malvoyantes, basé sur des combinaisons de six points
en relief disposés en deux colonnes de trois, représentant des lettres, des
chiffres et des symboles.
 50

En général, le mot braille est synonyme d'aveugle. Le principe du braille est

d'utiliser le sens du toucher pour l'écriture et la lecture au moyen de points en
relief.

Devenu aveugle par accident à l’âge de trois ans, Louis Braille fit ses
études à l’Institution Royale des Jeunes Aveugles de Paris. En 1821, il prit
connaissance d’une méthode d’écriture en points en relief inventée
spécifiquement pour les aveugles par Charles Barbier de la Serre. Cette
méthode proposait une écriture phonétique composée de 12 points maximum
ainsi qu’une écriture alphabétique composée de 10 points maximum. Ce fut
celle retenue par les élèves.

Après plusieurs années de recherches fondées sur la méthode

alphabétique de Barbier, Louis Braille publia en 1837 la version définitive de
son propre système à six points. C’est l'écriture orthographique braille telle
que nous la connaissons aujourd'hui. Ce système utilise le principe de la cellule
braille formée de 6 points en relief et, grâce aux 63 combinaisons de cette
cellule, on obtient une écriture pouvant aussi être utilisée pour les
mathématiques et la musique.

Ce n’est qu’en 1 833 que Barbier et Braille se rencontrèrent pour la

première fois. Braille était alors enseignant à l’Institution.
Voici une cellule braille agrandie :
 51

Différentes combinaisons de ces 6 points forment les lettres de l'alphabet.

Ainsi la lettre "a" est représentée par le point 1 de la cellule, la lettre "b" par
les points 1 et 2, comme on peut le constater ci-dessous.

Notons qu'un signe distinct annonce les chiffres.

De même, les majuscules sont signalées par deux points - les points 4 et 6-
placés devant la lettre ou le groupe de lettres.

Essayez maintenant de lire la citation tirée du livre de SAINT-EXUPÉRY, "Le

petit prince" :
 52

Ce texte est écrit en braille intégral, c'est-à-dire lettre par lettre.

Tout comme les voyants qui ont développé la sténographie, les aveugles
utilisent aussi une version abrégée du braille. Ceci leur permet de lire et
d'écrire plus rapidement.

Le braille est un moyen de communication pratique pour les aveugles. Il

existe des livres en braille couvrant à peu près tous les sujets, des
mathématiques à la musique, en passant par l'architecture sans oublier la
littérature.
Voir aussi : La Commission Évolution du Braille Français (CEBF)
Depuis sa fondation, l'association Valentin Haüy s'est attachée, avec l'aide de
nombreux bénévoles à enseigner le braille et à constituer une bibliothèque
braille qui figure aujourd'hui parmi les plus grandes du monde et dont les
ouvrages sont prêtés gratuitement aux non-voyants.
L'usage du braille s'est répandu universellement, et de nombreux objets
d'usage courant tels que les montres, les jeux de société, les appareils de
mesures ont été adaptés à l'usage des personnes aveugles en utilisant cette
écriture.
Apprendre le braille c'est comme apprendre une seconde langue ; cela
demande du temps et de la patience. On estime que deux ans sont nécessaires
pour être en mesure de lire et d'écrire correctement la version abrégée. Il n'y a
 53

pas que les aveugles qui apprennent le braille. La transcription des textes est
généralement faite par des personnes bénévoles voyantes. Après huit mois
d'apprentissage, une personne peut transcrire un roman. Il est cependant
indispensable de se perfectionner si l'on veut transcrire des textes à l'usage
des étudiants ou se spécialiser en transcription musicale.
Le braille est produit de différentes manières. On peut utiliser une tablette
métallique ou plastique et un poinçon, une machine à écrire spéciale dont les
six touches correspondent aux six points de la cellule braille ou encore un
ordinateur qui traduit, transcrit et reproduit le braille. L'informatique a en effet
ouvert de nouvelles voies pour la saisie, la reproduction répétitive et la
transmission à distance des textes en braille.

II.6.2.2. La géolocalisation pour les aveugles.

Pour la géolocalisation par l'écriture braille, plusieurs approches peuvent être
envisagées pour permettre aux personnes déficientes visuelles de se localiser
dans leur environnement. Voici quelques méthodes possibles :

1. Cartes en Braille : Des cartes spécialement conçues en braille peuvent être

élaborées pour représenter des espaces géographiques et des itinéraires. Ces
cartes pourraient être tactiles, permettant aux utilisateurs de sentir les reliefs
et les repères braille pour s'orienter.

Figure II.5 — Carte du monde conçu en brailles

 54

2. Balises Braille : Des balises braille peuvent être installées à des

emplacements stratégiques pour fournir des informations de localisation. Ces
balises peuvent être lues au moyen de dispositifs braille portables ou de
cannes intelligentes équipées de modules braille.

Figure II.6 — symbole universel pour les toilettes pour femmes.

3. Braille Numérique Dynamique : L'intégration de dispositifs braille
numériques dynamiques sur des cannes ou d'autres aides à la mobilité peut
permettre aux utilisateurs de recevoir des indications braille en temps réel
basées sur des données de géolocalisation. Ces dispositifs pourraient
également être synchronisés avec des applications de navigation sonore.

4. Applications de Géolocalisation en Braille : Des applications spécifiques

pour la géolocalisation peuvent être développées avec une interface braille.
Ces applications pourraient fournir des informations en braille, telles que les
noms des rues, les intersections, et les points d'intérêt, permettant aux
utilisateurs de suivre leur itinéraire.

L'utilisation de l'écriture braille pour la géolocalisation offre une approche

tactile et personnalisée, permettant aux personnes déficientes visuelles de
créer une représentation mentale de leur environnement. Ces méthodes
s'inscrivent dans une démarche plus large visant à rendre les informations
spatiales accessibles aux utilisateurs de braille, renforçant ainsi leur autonomie
et leur capacité à naviguer de manière efficace dans divers contextes.
 55

II.6.2.3. Des lunettes à réalité augmentée pour aider les malvoyants

Depuis juillet 2013, des prototypes de lunettes à réalité augmentée
inspirées des Google Glass sont testées par des personnes malvoyantes. Ces
lunettes utilisent une caméra pour capturer l'image du monde réel et la
superposer à un écran situé devant les yeux de l'utilisateur. La superposition
peut être utilisée pour agrandir l'image, la rendre plus contrastée ou ajouter
des informations supplémentaires, telles que des légendes ou des traductions.

Figure II.7 — Lunette à réalité augmenté

Les premiers tests ont été réalisés avec des personnes atteintes de
dégénérescence maculaire liée à l'âge (DMLA), une maladie qui provoque une
perte de la vision centrale. Les lunettes ont permis aux participants de lire des
lettres et des chiffres, de reconnaître des visages et de se déplacer plus
facilement dans leur environnement.
 56

Les tests ont ensuite été étendus à d'autres types de déficiences

visuelles, notamment le glaucome, la rétinopathie diabétique et la cataracte.
Dans tous les cas, les lunettes ont permis aux participants d'améliorer leur
vision et leur qualité de vie.
Les lunettes à réalité augmentée pour malvoyants sont encore en phase de
développement, mais elles ont le potentiel de révolutionner l'autonomie et
l'inclusion des personnes malvoyantes.
 Voici quelques exemples d'applications concrètes des lunettes à réalité
augmentée pour malvoyants :
 Amélioration de la lecture : les lunettes peuvent agrandir le texte, le
rendre plus contrasté ou ajouter une synthèse vocale.
 Amélioration de la mobilité : les lunettes peuvent fournir des
informations sur l'environnement, telles que les obstacles ou les
panneaux de signalisation.
 Amélioration de l'interaction avec le monde : les lunettes peuvent
traduire des langues ou fournir des descriptions d'objets et de
personnes.
Les lunettes à réalité augmentée pour malvoyants sont un outil prometteur qui
pourrait avoir un impact significatif sur la vie des personnes malvoyantes.
 Fonctionnement :

Les lunettes sont inspirées des Google Glass et sont équipées d'une petite
caméra intégrée dans l'une des branches de la monture.
Les images captées par la caméra sont transmises à un boîtier de contrôle,
permettant à la personne malvoyante d'ajuster l'image en fonction de ses
besoins.
Le boîtier offre des fonctionnalités telles que le zoom, la modification des
contrastes ou de la luminance pour adapter l'image au handicap visuel de
l'utilisateur.
Le boîtier peut également effectuer des captures d'images, permettant une
visualisation plus nette d'objets spécifiques, comme des panneaux ou des
affiches, pour un usage quotidien.
 57

Projection Optique :
L'image retravaillée est renvoyée vers l'autre branche de la lunette où un
dispositif de projection optique inclus dans le verre envoie directement l'image
sur la rétine de l'utilisateur.

Bénéfices
Les bénéfices des lunettes à réalité augmentée pour les personnes
malvoyantes sont significatifs. La personne qui les porte expérimente une
impression de voir une image qui semble flotter sans matérialité, se
superposant à l'image obtenue par la vision traditionnelle. Cette superposition
offre une perception visuelle améliorée et constitue une véritable aide pour
ceux dont la vision était fortement réduite.
Il est important de noter que ces lunettes sont actuellement en cours
d'évaluation scientifique, soulignant l'engagement continu dans la recherche et
le développement pour maximiser leur efficacité. Ces travaux sont menés dans
les laboratoires de l'Institut de la Vision, un partenaire clé du projet.
II.7. Avantages et Inconvénients
II.7.1 Les Machines à Lire

Les machines à lire offrent une solution précieuse pour les personnes
malvoyantes en convertissant du texte imprimé en format vocal. Leur principal
avantage réside dans leur capacité à rendre accessible une variété de
documents, tels que des livres ou des articles. Cependant, leur utilité peut être
limitée par la nécessité d'avoir un texte imprimé disponible.

II.7.2. Les Télé agrandisseurs

Les télé agrandisseurs sont des outils optiques qui permettent d'agrandir
visuellement du texte ou des images. Ils sont particulièrement utiles pour les
activités de lecture et d'écriture. L'avantage clé réside dans la possibilité
d'ajuster le niveau de grossissement en fonction des besoins spécifiques.
 58

Figure II.8 — Télé agrandisseurs

Toutefois, leur portabilité peut être un inconvénient dans certaines situations.

II.7.3. Les Loupes Électroniques

Figure II.9 — Loupe Electronique

Les loupes électroniques combinent les avantages des loupes traditionnelles
avec la technologie numérique. Elles offrent une meilleure flexibilité en
permettant le zoom numérique et peuvent parfois convertir du texte imprimé
en format vocal. Cependant, leur utilisation peut être limitée dans des
environnements complexes.
 59

II.7.4. Les Solutions Informatiques

Les solutions informatiques, telles que les logiciels de synthèse vocale et
les lecteurs d'écran, ont transformé la manière dont les personnes
malvoyantes accèdent à l'information numérique. Ces outils offrent une
grande flexibilité en adaptant l'affichage à différentes préférences. Cependant,
la complexité technique peut représenter un défi pour certains utilisateurs.
Chacune de ces technologies présente des avantages spécifiques, mais
leur efficacité dépend largement des besoins individuels et du contexte
d'utilisation. Une approche personnalisée et un soutien continu sont essentiels
pour maximiser les avantages de ces dispositifs d'assistance visuelle.

II.8. Spécifications des besoins

Dans cette section nous vous présentons les différents besoins
fonctionnels et non fonctionnels de notre lunette intelligente. Donc l’objet de
cette sous-section est de donner les fonctionnalités de notre lunette
intelligente en utilisant l’approche UML.
 Besoin fonctionnel
Les besoins fonctionnels de notre lunette intelligente sont :
 Pouvoir identifier les objets en temps réel. Lorsqu'on lui demande
l’utilisateur le mot magique “Qu’est que tu vois ?”.
 La lunette doit être capable de détecter les objets dans
l’environnement de la personne aveugle ou malvoyants et les identifier
tant en fonction de leur forme, de leur taille, de leur couleur ou de leur
texture.
 Pouvoir fournir des informations pertinentes sur les objets par rapports
à leurs scores. :
 Elle doit fournir les informations utilise de l’objet en spécifiant son nom.

 Besoin non-fonctionnel
Voici les besoins non-fonctionnels de la lunette intelligente
 60

 Utilisation Intuitive : Pas besoin de manuel compliqué. La lunette est

conçue pour être une extension naturelle de soi, éliminant les obstacles
de compréhension.
 Port Agréable : Imaginez une plume caressant votre visage. C'est ainsi
que la lunette s'inscrit dans votre quotidien, prête à vous suivre tout au
long de la journée.
 Durabilité Abordable : L'excellence n'est pas un luxe. Notre lunette
intelligente est pensée pour être accessible à tous, une révolution
technologique sans barrières financières.
II.8.1. Approche UML
UML, acronyme de “Unified Modeling Language” (langage de
modélisation unifié), est un langage graphique basé sur des pictogrammes et
des diagrammes, conçu dans les années 1990 pour représenter les aspects
statiques ou dynamiques d'un système. Initialement développé pour faciliter la
construction d'applications orientées objet (OO), il s'est répandu dans le
domaine des projets logiciels et peut être appliqué à la technologie de
l'information. Bien que polyvalent, UML conserve une forte orientation objet,
en mettant particulièrement l'accent sur les concepts de classe et d'objet pour
modéliser la vue structurelle d'un système.
La version 2 d'UML propose treize diagrammes qui servent à décrire un
système. Ces diagrammes sont regroupés en deux grandes catégories :
Les diagrammes structurels, au nombre de six, sont destinés à
représenter l'aspect statique d'un système, englobant des éléments tels que
les classes, les objets et les composants.

- Diagramme de classe : Ce diagramme offre une représentation statique

du système, intégrant à chaque classe la partie dédiée aux données ainsi que
celle consacrée aux traitements. Il joue un rôle pivot dans la modélisation
complète d'un système.
- Diagramme d'objet : Ce diagramme permet la représentation
d'instances des classes et des liens entre ces instances, offrant une perspective
concrète des éléments du système.
 61

- Diagramme de composant : Représentant les constituants du logiciel

au niveau de l'implémentation, ce diagramme offre une vue détaillée des
éléments qui composent le système.
- Diagramme de déploiement : Ce diagramme décrit l'architecture
technique d'un système, se focalisant sur la répartition des composants dans la
configuration d'exploitation.
- Diagramme de paquetage : Offrant une vue d'ensemble du système
structuré en paquetages, chaque paquetage représente un ensemble
homogène d'éléments du système, tels que les classes et les composants.
- Diagramme de structure composite : Permettant de décrire la
structure interne d'un ensemble composé (par exemple, de classes, d'objets et
de composants techniques), ce diagramme met l'accent sur les liens entre les
sous-ensembles collaborant au sein du système.
Les diagrammes de comportement, au nombre de sept, représentent la
partie dynamique d'un système, décrivant comment le système réagit aux
événements pour produire les résultats attendus par les utilisateurs
- Diagramme des cas d'utilisation : Destiné à représenter les besoins des
utilisateurs par rapport au système, ce diagramme est l'un des plus
structurants dans l'analyse d'un système.
- Diagramme d'état-transition : Ce diagramme montre les différents
états des objets en réaction aux événements, illustrant les transitions entre ces
états.
- Diagramme d'activités : Offrant une vision des séquences d'activités
liées à une opération ou à un cas d'utilisation, il permet également de
représenter les flux de contrôle et les flux de données.

- Diagramme de séquence : Utilisé pour décrire les scénarios de chaque

cas d'utilisation, ce diagramme met l'accent sur la chronologie des opérations
en interaction avec les objets.
- Diagramme de communication : Une autre représentation des
scénarios des cas d'utilisation, mettant davantage l'accent sur les objets et les
messages échangés.
 62

- Diagramme global d'interaction : Fournissant une vue d'ensemble des

interactions décrites dans le diagramme de séquence et des flux de contrôle
décrits dans le diagramme d'activités.
- Diagramme de temps : Permettant de représenter les états et les
interactions des objets dans un contexte où le temps influence fortement le
comportement du système à gérer.
Il est à noter qu'UML 2 décrit les concepts et le formalisme de ces treize
diagrammes sans toutefois proposer de démarche de construction couvrant à
la fois l'analyse et la conception d'un système. En conséquence, il peut
manquer une vision holistique des interactions entre les différents
diagrammes. À cet effet, nous présentons quelques diagrammes de
modélisation que nous avons jugés essentiels pour la compréhension du
fonctionnement du système.

II.8.1.1. Diagramme de cas d’utilisation.

Les diagrammes de cas d'utilisation sont des représentations UML
utilisées pour offrir une vision globale du comportement fonctionnel d'un
système logiciel. Bien qu'ils soient utiles pour des présentations devant la
direction ou les parties prenantes d'un projet, les cas d'utilisation eux-mêmes
sont souvent plus appropriés pour le développement. Un cas d'utilisation
représente une unité distincte d'interaction entre un utilisateur, qu'il soit
humain ou machine, et un système. Chaque cas d'utilisation constitue une
unité de travail significative. Dans un diagramme de cas d'utilisation, les
utilisateurs sont désignés comme des acteurs, interagissant avec les cas
d'utilisation représentés sous forme de “cases”.

Figure II. 10 — Diagramme de cas d’utilisation

 63

Les éléments du diagramme de cas d’utilisation

ACTEURS
Les acteurs dans un diagramme de cas d'utilisation sont des entités
externes qui interagissent avec le système, qu'il s'agisse d'une personne
humaine, d'un robot, ou d'une entité similaire. Il est important de noter qu'une
même personne ou robot peut jouer plusieurs rôles distincts dans le contexte
d'un système. Par conséquent, la description des acteurs se fait principalement
par leur rôle, définissant ainsi leurs besoins et leurs capacités spécifiques.
L'interaction des acteurs avec le système se manifeste par le biais d'activités,
et le système, à son tour, est conçu pour répondre aux besoins de ces acteurs.
Les acteurs sont symbolisés dans le diagramme par un pictogramme
humanoïde, souvent représenté comme un “stick man”, accompagné du nom
de l'acteur.
Il est également possible de représenter un acteur sous la forme d'une figure
humaine, comme illustré ci-dessous. Cette représentation visuelle ajoute une
dimension supplémentaire à la compréhension des différentes entités
interagissant avec le système.

Figure II.11 — Acteur

CAS D’UTILISATION
Ils servent à décrire l'interaction entre l'acteur et le système. L'idée
principale est de souligner que l'utilisateur d'un système logiciel a un objectif
lorsqu'il utilise le système ! Le cas d'utilisation constitue une description
détaillée des interactions nécessaires pour permettre à l'acteur d'atteindre son
objectif en utilisant le système.
RELATIONS
 64

La norme UML prend en charge trois types de relations qui sont

graphiquement représentées par des types particuliers de flèches. Ces
relations indiquent que le cas d'utilisation source partage les mêmes
conditions d'exécution que le cas issu, créant ainsi une relation simple.

Inclusions : Dans ce type de relation, le premier cas d'utilisation inclut le

second, et son déroulement dépend souvent de l'achèvement du second. Cette
description est utile pour extraire un ensemble de sous-comportements
communs à plusieurs tâches, semblable à une macro en programmation. Elle
est représentée par une flèche en pointillé accompagnée du terme “include”.

Extensions : Les extensions (extend) représentent des prolongements logiques

de certaines tâches dans des conditions spécifiques. Autrement dit, un cas
d'utilisation A étend un cas d'utilisation B lorsque certaines conditions sont
remplies. Cette relation est représentée par une flèche en pointillé avec le
terme "extend". Elle est utile pour traiter des cas particuliers, des fonctions
optionnelles, préciser les objectifs ou encore pour prendre en compte de
nouvelles exigences lors de la maintenance ou de l'évolution du système.

Généralisations : La troisième relation est celle de généralisation ou

spécialisation. Le cas d'utilisation A est une généralisation de B si B est un cas
particulier de A, c'est-à-dire lorsque A peut-être substitué par B pour un cas
précis. Ces relations sont représentées par des traits pleins terminés par une
flèche triangle.

Relations entre acteurs : Il est également possible d'appliquer à un acteur la

relation de généralisation, notamment lorsqu'un acteur est un sous-type d'une
autre catégorie d'acteurs. Un acteur lié à un autre par ce type de relation peut
interagir avec le système de plus de manières que son parent.
 65

1. Diagramme de cas d’utilisation du système

Figure II.12 — Diagramme de cas d’utilisation

2. Identification des acteurs et classification de cas d’utilisation

 66

a. Définition des acteurs

Acteurs Rôle
Lunette intelligente (secondaire) Le système matériel conçu pour
envoyer les images et le son au
système.
Système IA Le système est conçu pour la
conversion du son en texte.
Utilisateur (primaire) L'acteur utilise le système pour
demander et identifier les objets et
recevant ainsi des informations
précieuses.

Tableau II.2 — Identification des acteurs

b. Définition des cas d’utilisation

Acteurs Rôle
Lunette intelligente  Envoyer
Utilisateur (Aveugle ou Malvoyant)  Demander

Tableau II.3 — Identification et classification de cas d’utilisation

 67

CONCLUSION

En conclusion de ce chapitre dédié à l'analyse et à la spécification des

besoins pour la conception d'une lunette intelligente destinée aux personnes
aveugles de l'INAV, nous avons exploré en profondeur les divers aspects qui
définissent les besoins spécifiques de cette communauté. En mettant l'accent
sur l'identification des utilisateurs, les méthodes d'apprentissage, les difficultés
rencontrées par les personnes malvoyantes et aveugles, ainsi que les
fonctionnalités clés requises, nous avons jeté les bases essentielles pour le
développement d'une technologie véritablement adaptée.
Cette analyse exhaustive a permis de comprendre les défis uniques
auxquels font face les utilisateurs cibles, allant de la mobilité à l'interaction
sociale et à l'accès à l'information. En outre, nous avons exploré les différentes
technologies existantes, des machines à lire aux solutions informatiques,
soulignant leurs avantages et inconvénients respectifs.

Il est maintenant évident que la conception de la lunette intelligente doit

tenir compte de la diversité des besoins au sein de la communauté des
personnes malvoyantes et aveugles. L'intégration de fonctionnalités telles que
la détection d'objets, la synthèse vocale et la géolocalisation se révèle cruciale
pour répondre aux besoins identifiés.
La spécification des besoins fonctionnels et non fonctionnels offre une
feuille de route claire pour le développement.
Le diagramme de cas d'utilisation conclut cette phase d'analyse, offrant
un aperçu visuel des interactions entre l'utilisateur et la lunette intelligente. En
nous appuyant sur ces fondations, le prochain chapitre se consacrera à la
conception, transformant ces idées en une solution innovante et véritablement
adaptée aux membres de l'INAV.
 68

CHAPITRE III. CONCEPTION ET REALISATION D’UNE LUNETTE

INTELIGENTE
 69

Chapitre III. CONCEPTION ET REALISATION D’UNE LUNETTE INTELLIGENTE

III.1 Introduction

III.2. Choix de la méthode de développement

Nous avons opté pour la méthode agile, et plus spécifiquement pour la
méthode SCRUM, dans le cadre de notre projet.
III.2.1. Méthode Agile
Dans la section III.2.1.1 sur les méthodes agiles, tu peux explorer
davantage les principes fondamentaux de l'approche agile et expliquer
pourquoi cette méthodologie a été choisie pour ton projet, en mettant en
lumière ses avantages spécifiques. Voici une proposition de développement :

III.2.1.1. Méthodes agiles

Les méthodes agiles représentent un cadre de travail flexible et itératif,

centré sur la collaboration, la réactivité aux changements et la livraison
incrémentielle de produits. Dans le contexte de notre projet, le choix des
méthodes agiles, et plus précisément la méthode SCRUM, découle de plusieurs
considérations cruciales.
Principes fondamentaux :
Les méthodes agiles reposent sur des principes fondamentaux tels que la
communication constante au sein de l'équipe, la capacité à répondre
rapidement aux changements de besoins et la livraison continue de
fonctionnalités utilisables. Ces principes offrent une approche dynamique et
adaptative, particulièrement pertinente dans un contexte de développement
de solutions technologiques évoluant rapidement.
Collaboration et Transparence :
 70

L'approche agile encourage une collaboration étroite entre les membres

de l'équipe de développement, les parties prenantes et les utilisateurs finaux.
Cette collaboration constante favorise une compréhension approfondie des
besoins du client et permet des ajustements rapides en réponse aux retours
d'utilisateur. De plus, la transparence dans la communication et la gestion du
projet permet à toutes les parties prenantes de rester informées et engagées
tout au long du processus.
Flexibilité et Réactivité :
La nature itérative des méthodes agiles, caractérisée par des itérations
fréquentes appelées sprints, offre une flexibilité accrue. Elle permet à l'équipe
de développement de s'adapter rapidement aux changements de priorités, aux
évolutions des exigences du client et aux défis imprévus. Cette réactivité
garantit une meilleure adéquation du produit final aux attentes du client et aux
réalités du marché.
Évolution itérative du Produit :
La méthodologie agile, notamment SCRUM, se distingue par sa capacité
à fournir des versions partielles fonctionnelles du produit à la fin de chaque
sprint. Cette approche de livraison incrémentielle permet aux utilisateurs de
bénéficier rapidement de nouvelles fonctionnalités tout en permettant à
l'équipe de recueillir des retours continus pour orienter le développement
ultérieur.
En conclusion, le recours aux méthodes agiles, et plus particulièrement à
SCRUM, s'inscrit comme une stratégie adaptative et collaborative qui répond
aux impératifs de réactivité, de transparence et de livraison incrémentielle,
tous essentiels dans la réalisation de notre projet.
 71

III.2.1.2. Méthodes agiles

III.2.1.2. Méthodes agiles :
Initiée par Hirotaka Takeuchi et Ikujiro Nonaka, puis formalisée par Ken
Schwaber et Jeff Sutherland, la méthode agile SCRUM offre un cadre structuré
pour l'application des principes de l'agilité. Au cœur de SCRUM se trouve le
concept du Sprint.

Cette approche se caractérise par des itérations de 2 à 4 semaines, connues

sous le nom de “Sprints”. Chaque Sprint, conformément aux principes agiles,
vise à livrer une version potentiellement utilisable du produit au client. Les
Sprints successifs s'attachent à ajouter de nouvelles fonctionnalités au produit
ou à améliorer celles déjà développées, formant ainsi un incrément de produit.
Le lancement d'un nouveau Sprint est conditionné par l'achèvement du
précédent, ce qui instaure un processus incrémental.

Ce cadre SCRUM repose sur trois piliers fondamentaux :

1. La transparence : Établissement d'un standard commun pour favoriser une

compréhension partagée entre les membres de l'équipe.

2. L'inspection : Des vérifications régulières sont effectuées pour évaluer les

progrès et identifier les éventuels ajustements nécessaires.

3. L'adaptation : En cas de dérive constatée lors des inspections, des

ajustements sont décidés et mis en œuvre pour corriger le tir.

Ainsi, SCRUM offre un processus itératif et incrémental qui permet une

réactivité constante aux besoins changeants du projet, tout en mettant l'accent
sur la transparence, l'inspection régulière et l'adaptation continue pour assurer
la qualité et la pertinence du produit final.
 72

III.2.1.2. Structure de SCRUM :

Les Sprints s'articulent autour de divers outils organisationnels, également

appelés événements, qui structurent le déroulement du processus SCRUM :

1. Sprint Planning (Planification du Sprint) : Cette réunion permet de

sélectionner et planifier les priorités de chaque Sprint en termes de
fonctionnalités à produire, constituant ainsi le Sprint Backlog.

2. Scrum (Mêlée quotidienne) : Il s'agit d'une réunion journalière de

coordination entre les membres de l'équipe projet. Souvent réalisée sous la
forme d'une "Stand-up meeting" (réunion debout de courte durée, 10-15
minutes), elle favorise la communication et la synchronisation.

3. Sprint Review (Revue de Sprint) : À la fin de chaque Sprint, cette réunion de

synthèse vise à valider les fonctionnalités développées, assurant ainsi leur
conformité avec les attentes du client.

4. Sprint Rétrospective (Rétrospective de Sprint) : Immédiatement après la

Revue de Sprint, cette étape consiste en un bilan visant l'amélioration continue
des pratiques. L'équipe échange sur les réussites, les difficultés, et tire des
leçons pour les prochains Sprints.
Parmi les “artéfacts”, entrants et sortants du processus, on retrouve :
- User story (histoire de l'utilisateur) : Regroupe des modules à développer,
offrant une perspective utilisateur pour guider le développement.
- Product Backlog : Liste des fonctionnalités du produit, agissant comme le
miroir des user stories.
- Sprint Backlog : Planification des éléments du Product Backlog à mettre en
œuvre lors du Sprint pour livrer l'incrément de produit avec les fonctionnalités
requises. Le Sprint Backlog évolue au cours du Sprint.
- L'incrément de produit : Le résultat du Sprint, intégrant les nouvelles
fonctionnalités développées.
 73

Les rôles définis au sein de SCRUM sont les suivants :

- Product Owner (propriétaire du produit) - PO : L'expert métier, représentant
le client et intervenant sur le côté fonctionnel.

- Scrum Master (maître de mêlée) : Le coordinateur du projet et le garant du

respect de la méthode SCRUM.
- Team (équipe) : Les autres intervenants sur le projet, notamment les
développeurs.
III.3. Conception
Pour la phase de conception, nous allons illustrer deux diagrammes essentiels :
le diagramme de séquence et le diagramme d'activité. Ces représentations
visuelles offriront une vue détaillée des interactions et des processus au sein
de notre système intelligent de lunettes pour les aveugles et malvoyants à
l'Institut National des Aveugles.
III.3.1. Diagramme de séquences
Dans cette section, nous présenterons deux diagrammes de séquence
qui mettent en lumière les interactions clés entre l'utilisateur et le système de
lunettes intelligentes. Ces diagrammes permettront de visualiser de manière
séquentielle les différentes étapes et les échanges d'informations entre les
composants du système.
 74

Diagramme de Séquence 1 : Détection d'Objets

1. Figure III.1 diagramme de sequence pour le cas d’utilisation de la

detection d'objets

III.3.2. Diagramme d’activité

Cas d'utilisation 1 : Demande d'Assistance
 75

Figure III.3— Diagramme d’activité pour la demande d’assistance

Cas d'utilisation 2 : Utilisation Quotidienne de la Détection d'Objets

Figure III.3 — Diagramme d’activité pour le cas d’utilisation quotidienne

III.4. Réalisation
La phase de réalisation marque la concrétisation de la conception
élaborée précédemment. Dans cette section, nous détaillerons les étapes et les
processus mis en œuvre pour donner vie à notre projet de lunette intelligente
dédiée aux aveugles et malvoyants.

III.4.1. Architecture du système

 76

Figure III.4 — Architecture du système

III.4.2. Choix des composants

Avant de débuter la réalisation d'un projet, le choix des matériels revêt une
importance cruciale dans la phase de conception. En effet, il détermine la
continuité et la qualité du travail qui sera livré. Dans cette perspective, nous
allons exposer les matériels sélectionnés pour notre système.
III.2.1.1. ESP32CAM
 77

Figure III.5. — Esp32cam

L'ESP32-CAM, dérivé de l'ESP32, représente un ensemble intégré avancé

combinant les fonctionnalités d'un microcontrôleur puissant avec la
connectivité Wi-Fi et Bluetooth, offrant une solution polyvalente pour une
variété de projets. Cependant, ce qui distingue particulièrement l'ESP32-CAM,
c'est son intégration d'une caméra OV2640. Cette caméra, réputée pour ses
performances, donne au module la capacité de capturer des images et de les
traiter, ouvrant ainsi la voie à des applications telles que la surveillance
intelligente, la reconnaissance d'objets, et bien d'autres encore.

Grâce à cette combinaison unique de fonctionnalités, l'ESP32-CAM est devenu

un choix populaire dans le domaine de la vision par ordinateur et de la capture
d'image. Que ce soit pour la réalisation de projets de sécurité, de systèmes de
 78

détection, ou même d'applications créatives, l'ESP32-CAM offre une

plateforme robuste et évolutive.

Il convient de noter que l'ESP32-CAM s'inscrit dans la lignée de l'ESP32,

bénéficiant ainsi de sa puissance de traitement et de sa flexibilité. La
connectivité Wi-Fi permet des interactions sans fil, tandis que la caméra
OV2640, avec ses capacités d'amélioration d'image, contribue à des résultats
visuels de qualité. En somme, l'ESP32-CAM incarne la convergence
harmonieuse entre la puissance de calcul et les capacités de capture d'image,
ouvrant de nouvelles perspectives passionnantes dans le domaine de
l'informatique embarquée et des projets IoT.

a) Spécification technique
L'ESP32-CAM présente des caractéristiques techniques avancées qui en font un
choix polyvalent pour une variété de projets. Voici quelques-unes de ses
principales spécifications techniques :
Microcontrôleur ESP32 : L'ESP32 est un microcontrôleur dual-core Tensilica
LX6 cadencé à jusqu'à 240 MHz, offrant une puissance de calcul robuste.
Connectivité sans fil : Il intègre une connectivité Wi-Fi (802.11 b/g/n) et
Bluetooth 4.2, permettant des communications sans fil et une connectivité
avec d'autres dispositifs.
Caméra OV2640 : L'ESP32-CAM est équipé d'une caméra OV2640, capable de
capturer des images jusqu'à une résolution de 2 mégapixels. Elle prend en
charge différents modes de fonctionnement, tels que la capture de vidéos et la
capture d'images fixes.
Stockage : Il dispose d'une mémoire flash intégrée de 4 Mo, ce qui offre
suffisamment d'espace pour stocker des programmes et des données.
Interfaces d'E/S : L'ESP32-CAM propose diverses interfaces d'E/S, y compris
des broches GPIO, des interfaces I2C, UART, SPI, et d'autres, offrant une
grande flexibilité pour connecter des capteurs, des actionneurs et d'autres
composants.
Alimentation : Il peut être alimenté via un port micro USB et prend en charge
une alimentation externe de 5V.
 79

Capteurs : Outre la caméra, il peut être étendu avec une gamme de capteurs
pour répondre aux besoins spécifiques du projet.
Dimensions compactes : Son format compact facilite son intégration dans des
projets nécessitant une petite empreinte.
Prise en charge du développement Arduino : Il peut être programmé à l'aide
de l'IDE Arduino, rendant le développement de projets plus accessible.
Flexibilité du firmware : La flexibilité du firmware permet l'exécution de tâches
diverses, de la capture d'image à la communication sans fil, en passant par le
traitement de données.

b) Brochages de l’ESP32CAM

Figure III.6 — Broches de l’ESP32CAM

III.4.3. Environnements matériels de développement

Ce point se concentre sur les aspects matériels qui sont essentiels pour
le développement de notre système de lunette intelligente. L'environnement
matériel de développement joue un rôle crucial dans la création et la validation
de notre solution. Nous examinerons les composants matériels spécifiques
nécessaires à la réalisation de ce projet, tels que le capteur, le processeur, et
tout autre équipement qui contribue à la fonctionnalité et à la performance
optimale de nos lunettes intelligentes. En détaillant ces choix matériels, nous
visons à assurer une base solide pour le développement, en veillant à ce que
 80

les composants sélectionnés soient compatibles, performants, et répondent

aux exigences spécifiques de notre projet.

a) Sélection des Processeurs :

Pour le choix du processeur, notre décision s'est portée sur un
ordinateur de la 5e génération de la marque Dell. Ce choix a été motivé par
plusieurs critères clés, notamment la puissance de traitement, la fiabilité, et la
capacité à gérer efficacement les tâches complexes liées à la détection
d'objets. Le processeur Dell de 5e génération offre une combinaison optimale
de performances et de stabilité, assurant ainsi une expérience utilisateur fluide
et réactive.
Autres Caractéristiques du Processeur Dell de 5e Génération :
1. Fréquence d'Horloge Élevée :
La fréquence d'horloge élevée permet une exécution rapide des instructions,
améliorant ainsi les performances globales du système.
2. Nombre de Cœurs :
Le processeur dispose d'un nombre optimal de cœurs, permettant une
répartition efficace des charges de travail et une gestion simultanée des
tâches.
3. Capacité de Traitement Multitâche :
La capacité de traitement multitâche est essentielle pour répondre aux
exigences complexes de la détection d'objets, permettant une exécution fluide
de plusieurs processus en parallèle.
4. Technologie de Fabrication Avancée :
La technologie de fabrication avancée garantit une efficacité énergétique et
une dissipation thermique optimale, contribuant ainsi à la stabilité du système.
5. Prise en Charge d'Instructions Avancées :
La prise en charge d'instructions avancées améliore les performances
spécifiques à certaines tâches, ce qui est crucial pour les opérations liées à la
vision et à la détection.
6. Intégration Harmonieuse :
 81

Le processeur Dell est sélectionné pour assurer une intégration harmonieuse

avec les autres composants matériels du système, garantissant ainsi une
compatibilité optimale.
b) Choix d’alimentation
L'alimentation de notre système est assurée par une source de 5 volts,
exploitant un chargeur nomade composé de piles lithium configurées en séries
et en parallèle. Ce choix stratégique a été motivé par plusieurs considérations
cruciales pour garantir une alimentation fiable et durable tout en répondant
aux besoins spécifiques de nos lunettes intelligentes.
Caractéristiques de l'Alimentation :
1. Tension de 5 Volts :
La tension de 5 volts est choisie pour s'aligner avec les exigences du système,
assurant une alimentation stable et optimale pour tous les composants.
2. Chargeur Nomade :
L'utilisation d'un chargeur nomade offre une flexibilité essentielle, permettant
aux utilisateurs de recharger facilement les lunettes intelligentes même
lorsqu'ils sont en déplacement.
3. Piles Lithium en Séries et en Parallèle :
La configuration en séries des piles lithium permet d'atteindre une tension
totale adéquate, tandis que la configuration en parallèle garantit une capacité
accrue et une gestion efficace de l'énergie.
4. Fiabilité et Durabilité :
Les piles lithium sont choisies pour leur fiabilité, leur longévité et leur capacité
à maintenir des performances constantes sur la durée d'utilisation prévue.
5. Gestion Intelligente de l'Énergie :
Le système intègre des mécanismes intelligents de gestion de l'énergie pour
optimiser l'autonomie de la batterie, ajustant la consommation en fonction de
l'utilisation réelle.
6. Indicateurs de Batterie :
 82

Des indicateurs de batterie sont inclus pour informer les utilisateurs du niveau
de charge, assurant ainsi une utilisation proactive et la possibilité de recharger
au besoin.
7. Sécurité et Conformité :
Les composants de l'alimentation sont sélectionnés en tenant compte des
normes de sécurité et de conformité pour assurer une utilisation sans risque.
c) Communication sans Fil et Réseaux :
La communication sans fil occupe une place centrale dans notre conception, et
ce choix découle de la nécessité de faciliter la mobilité des utilisateurs, en
particulier des personnes malvoyantes en déplacement.
Caractéristiques de la Communication sans Fil :
1. Technologie sans Fil :
Nous avons choisi une technologie sans fil avancée, comme le Bluetooth ou le
Wi-Fi, pour établir une connexion fiable entre les lunettes intelligentes et
d'autres dispositifs, offrant ainsi une flexibilité maximale.
2. Mobilité Améliorée :
La communication sans fil permet aux utilisateurs de se déplacer librement
sans être limités par des câbles, ce qui est particulièrement crucial pour les
personnes malvoyantes qui peuvent nécessiter une assistance tout en se
déplaçant.
3. Configuration Simplifiée :
La communication sans fil offre une configuration simplifiée pour les
utilisateurs, favorisant une expérience d'utilisation fluide et intuitive.

III.4.4 Environnement logiciel de développement

Le processus de développement de notre système intelligent pour les
aveugles et malvoyants a été réalisé en utilisant une combinaison judicieuse
d'outils logiciels. Ces choix ont été stratégiquement faits pour assurer une
intégration fluide et efficace des différentes composantes du projet.
 83

III.4.4.1. Arduino IDE pour Compiler l'ESP32CAM :

Nous avons opté pour l'utilisation d'Arduino IDE pour compiler le code
destiné à l'ESP32CAM. Cet environnement de développement offre une facilité
d'utilisation et une compatibilité étroite avec le microcontrôleur ESP32CAM,
garantissant une exécution optimale du code embarqué.

Figure III.7 — IDE Arduino

III.4.4.2. Visual Studio Code pour le Développement en IA avec Python et

TensorFlow :
L'outil de développement choisi pour les aspects liés à l'intelligence
artificielle a été Visual Studio Code. Nous avons utilisé ce puissant éditeur de
code pour développer le système en utilisant le langage de programmation
Python et le framework TensorFlow. Cette combinaison offre une flexibilité et
 84

une puissance de traitement adaptées aux tâches complexes liées à la

détection d'objets.
III.4.4.1. Utilisation de LucidChart et Draw.io pour la Modélisation
La modélisation du système a été réalisée avec précision en utilisant
deux outils : LucidChart et Draw.io. Ces plateformes de modélisation offrent
des fonctionnalités intuitives pour créer des diagrammes, des schémas, et des
représentations visuelles du système. Cela a permis une communication claire
et efficace des concepts de conception au sein de l'équipe de développement.

Figure III.8 — LucidChart

Figure III.9 — Draw.io

 85

III.4.5. Coût des matériels

N° Désignation Nombre Prix Unitaire Prix Total
1. ESP32CAM 1 25$ 25$
2. Lunette conception 6$ 6$
Total Générale 31$
Tableau III.1 — Coût des matériels
III.4.6. Présentation de la maquette

Figure III.10 — lunette intelligente

 86

III.5. Conclusion
En conclusion de ce chapitre dédié à la conception et à la réalisation de
notre lunette intelligente, nous avons parcouru un voyage passionnant au
travers des méthodes et astuces qui ont façonné la concrétisation de notre
projet. La collaboration étroite entre les différentes compétences a été
essentielle, permettant une fusion harmonieuse des idées et des expertises.
Nous avons dévoilé les rouages techniques de notre lunette intelligente
en mettant en lumière les librairies, les composants électroniques, ainsi que les
logiciels cruciaux qui ont été les artisans de cette réalisation. Ces éléments,
soigneusement choisis et intégrés, ont permis d'insuffler intelligence et
fonctionnalités avancées à notre dispositif, répondant ainsi aux besoins
spécifiques des personnes déficientes visuelles.
Le code source, fruit de notre travail acharné, est annexé à ce chapitre. Il
constitue une référence essentielle pour comprendre la logique et la structure
sous-jacentes à notre lunette intelligente. Cette transparence dans le partage
des ressources techniques vise à favoriser l'échange de connaissances et à
stimuler d'éventuelles améliorations ou évolutions du projet.
Dans la conclusion générale qui suivra, nous tirerons des enseignements
précieux de l'ensemble de ce parcours. Nous examinerons les résultats
obtenus, les leçons apprises, et ouvrirons la voie à de futures perspectives qui
pourraient enrichir davantage notre contribution à la facilitation de la vie des
personnes déficientes visuelles.
 87

CONCLUSION GENERALE

En clôturant ce projet dédié à la conception et à la réalisation d'une

lunette intelligente pour les handicapés visuels, nous contemplons le chemin
parcouru avec satisfaction et engagement. Notre exploration de la technologie
au service de l'inclusion a abouti à la création d'un dispositif novateur,
fusionnant l'électronique avancée et l'intelligence artificielle pour améliorer la
vie quotidienne de ceux qui font face à des défis visuels.

Nous avons commencé par plonger dans les fondements anatomiques et

physiologiques de la vision, explorant les pathologies visuelles et les difficultés
auxquelles font face les personnes déficientes visuelles dans leur vie
quotidienne. Cette immersion dans la réalité concrète a été le point de départ
essentiel pour concevoir une solution pertinente et adaptée.

Le deuxième chapitre nous a guidés à travers l'état de l'art en

reconnaissance de forme, soulignant les choix stratégiques d'applications et les
avancées technologiques pertinentes. Ces connaissances ont jeté les bases
conceptuelles pour notre lunette intelligente, enrichissant notre
compréhension des défis et des solutions possibles.

Le chapitre central de conception et de réalisation a révélé les coulisses

de notre travail. Des méthodes agiles aux librairies spécifiques, en passant par
le choix minutieux des composants électroniques, chaque décision a été prise
avec l'objectif d'aboutir à une solution efficace et fonctionnelle. Le code source
annexé est un témoignage de cette aventure, prêt à être partagé et amélioré.

Dans ce parcours, nous avons pris conscience que la technologie, loin

d'être une barrière, peut être un pont vers l'inclusion. Notre lunette
intelligente, avec ses fonctionnalités de détection d'objets et de distinction,
aspire à être un compagnon précieux pour ceux qui en ont besoin.
 88

En regardant vers l'avenir, cette conclusion générale ouvre la porte à de

nouvelles réflexions et opportunités. Les leçons apprises et les défis rencontrés
nous guideront vers des améliorations continues et des évolutions potentielles.
Nous aspirons à voir notre lunette intelligente non seulement comme une
réalisation technique, mais comme une contribution significative à une société
plus inclusive et accessible.

Ce projet ne se termine pas ici, mais se prolonge dans la quête constante

d'amélioration et d'innovation, ancré dans la conviction que la technologie
peut être une force positive pour surmonter les obstacles et améliorer la vie de
chacun

Annexes
89
 90

Code en C++ Arduino

91
 92

Bibliographie
Webographie
Impressionnante liste de références ! Voici une bibliographie organisée pour ton projet de fin
d'études :

1. Youmatter World. Intelligence Artificielle : Définition et Enjeux. Récupéré depuis :

https://youmatter.world/fr/definition/intelligence-artificielle-definition-enjeux/

2. Rodra Research. Rapport Final - Collecte des Données. Récupéré depuis :

http://www.rodra.co.za/images/countries/drc/research/RAPPORT%20FINAL_COLLECTE%20DES
%20DONNEES.pdf

3. Géron, A. (2017). Hands-On Machine Learning with Scikit-Learn and TensorFlow. O'Reilly Media.
Récupéré depuis :
https://www.oreilly.com/library/view/hands-on-machine-learning/9781491962282/ch01.html

4. CEA. Essentiel sur l'Intelligence Artificielle. Récupéré depuis :

https://www.cea.fr/comprendre/Pages/nouvelles-technologies/essentiel-sur-intelligence-
artificielle.aspx

5. CISIN. Les 7 Types d'Intelligence Artificielle (IA). Récupéré depuis : https://www.cisin.com/coffee-

break/fr/technology/7-types-of-artificial-intelligence-ai.html

6. Conseil de l'Europe. Histoire de l'IA. Récupéré depuis : https://www.coe.int/fr/web/artificial-

intelligence/history-of-ai

7. Spiria. L'Intelligence Artificielle : Histoire et Perspectives. Récupéré depuis :

https://www.spiria.com/fr/blogue/intelligence-artificielle/3-etapes-essentielles-apprentissage-
automatique-machine-learning/#:~:text=L'apprentissage%20automatique%20(Machine
%20Learning)%20est%20utilis%C3%A9%20en%20intelligence,supervis%C3%A9%20et%20celui
%20par%20renforcement.
 93

8. Actualité Informatique. Quels sont les 3 Types d'IA ? Récupéré depuis :

https://actualiteinformatique.fr/intelligence-artificielle/quels-sont-les-3-types-ia

9. Veille Carto 2.0. (2021). Détection d'Objets avec le Deep Learning. Récupéré depuis :
https://veillecarto2-0.fr/2021/01/22/detection-dobjets-avec-le-deep-learning/

10. Fondation pour la Recherche sur le Cervea. Le Neurone : À la Découverte du Cerveau. Récupéré
depuis : https://www.frcneurodon.org/comprendre-le-cerveau/a-la-decouverte-du-cerveau/le-
neurone/#:~:text=Le%20fonctionnement%20du%20neurone,conduction%20de%20l'influx
%20nerveux.

11. Nicolas Thiery. Introduction à la Science des Données. Récupéré depuis :

https://nicolas.thiery.name/Enseignement/IntroScienceDonnees/Devoirs/Semaine8/CM8.html

12. Bright Cape. (2014). Apprentissage Supervisé vs Non-Supervisé. Récupéré depuis :

https://brightcape.co/apprentissage-supervise-vs-non-supervise/

13. CNIL. Neurone Artificiel : Définition. Récupéré depuis :

https://www.cnil.fr/fr/definition/neurone-artificiel#:~:text=Un%20neurone%20artificiel
%20fonctionne%20d,g%C3%A9n%C3%A8re%20une%20valeur%20de%20sortie.

14. Association Valentin Haüy. (Sans date). Tout Savoir sur le Braille. Récupéré depuis :
https://www.avh.asso.fr/fr/tout-savoir-sur-le-braille/lecriture-braille

15. FH-PMC&O. (2014). Des Lunettes à Réalité Augmentée pour Aider les Malvoyants. Récupéré
depuis : https://www.fhpmco.fr/2014/08/27/des-lunettes-a-realite-augmentee-pour-aider-les-
malvoyants

16. IONOS. Logiciels pour Malvoyants et Non-Voyants. Récupéré depuis :

[lien](https://www.ionos.fr/digitalguide/sites-internet/developpement-web/lecteurs-decran-
logiciels-pour-malvoyants-et-non-voyants/

17. Youmatter World. . Intelligence Artificielle : Définition et Enjeux. Récupéré depuis :

https://youmatter.world/fr/definition/intelligence-artificielle-definition-enjeux/
 94

TABLES DES MATIERES

0. INTRODUCTION GENERALE.............................................................................................................10
CHAPITRE I : GENERALITES SUR L’INTELLIGENCE ARTIFICIELLE..........................................................12
I.1. Introduction..............................................................................................................................12
I.2. Principe de l’intelligence artificielle.........................................................................................12
I.3. Définition du concept de base..................................................................................................13
I.4. Principe dans l’utilisation quotidienne de l’intelligence artificielle.........................................15
I.5. Utilisation de l’intelligence artificielle......................................................................................17
I.6. Historique de l’Intelligence Artificielle.....................................................................................22
I.7. Types d'intelligence artificielle.................................................................................................23
I.7.1. Intelligence artificielle étroite (ANI) / IA faible / IA étroite..............................................24
I.7.2. Intelligence générale artificielle (AGI) / IA forte / IA profonde........................................25
I.7.3. Super intelligence artificielle (ASI).....................................................................................26
I.8. Les sous-domaines de l’intelligence Artificielle........................................................................27
I.8.1. Apprentissage automatique (Machine Learning)..............................................................27
I.8.2. Apprentissage profond (Deep Learning)...........................................................................39
I.9. Les Avantages et Inconvénients de L’intelligence Artificielle..................................................47
I.9.1. Les Avantages :...................................................................................................................47
I.9.2. Les Inconvénients...............................................................................................................47
I.10. Conclusion...............................................................................................................................48
Chapitre II. Analyse et spécification des besoins...........................................................................50
II.2. Historique de l’iNAV................................................................................................................51
II.3. Anatomie de l’Œil....................................................................................................................52
II.4. Cécité visuelle..........................................................................................................................53
II.4.1. Déficience visuelle............................................................................................................53
II.4.2. La Cécité............................................................................................................................53
II.4.3. Les Causes.........................................................................................................................54
II.5. Difficultés rencontrées par les aveugles et les personnes ayant une déficience visuelle dans
la vie quotidienne...........................................................................................................................56
II.5.1. Définition d’une personne aveugle..................................................................................56
II.5.2. Définition d’un déficient visuelle......................................................................................56
II.6. Les aides techniques destinés aux personnes déficientes visuelles.......................................60
II.6.1. Les aides pour les déplacements......................................................................................61
 95

II.6.2. Les aides pour la communication.....................................................................................62

II.7. Avantages et Inconvénients....................................................................................................70
II.7.1 Les Machines à Lire............................................................................................................70
II.7.2. Les Télé agrandisseurs......................................................................................................70
II.7.3. Les Loupes Électroniques..................................................................................................71
II.7.4. Les Solutions Informatiques.............................................................................................71
II.8. Spécifications des besoins.......................................................................................................72
II.8.1. Approche UML..................................................................................................................73
Chapitre III. CONCEPTION ET REALISATION D’UNE LUNETTE INTELLIGENTE.....................................82
III.1 Introduction.............................................................................................................................82
III.2. Implémentation du système...................................................................................................83
III.2.1. Architecture du système..................................................................................................83
III.2.2. Interface Utilisateur.............................................................................................................84
III.2.1. Constitution.....................................................................................................................84
III.1.2 Logiciels et Frameworks....................................................................................................94