Localisation et quantification des fuites d'un masque n95 par imagerie infrarouge: développement d'installations pour l'étude expérimentale des fuites d'un masque n95 sur des systèmes à complexité croissante
Notice bibliographique
Résumé
« À la suite de la pandémie mondiale de COVID-19, plusieurs problématiques ont émergé, notamment la faible fiabilité des autotests d'étanchéité et les lacunes dans leur réalisation. Les méthodes actuelles pour déterminer l'appareil de protection respiratoire (APR) le mieux adapté à un utilisateur, tels que les tests d'ajustement qualitatifs (QNFT) et quantitatifs, ont également révélé leurs limites. Ces tests engendrent des coûts considérables en matière de temps et d'argent, et ne permettent ni de localiser, ni de quantifier, ni de visualiser les fuites sur un APR. Il est donc impératif de trouver des méthodes alternatives pour détecter les fuites de manière efficace. Certaines études ont démontré que l'imagerie infrarouge (IR) pouvait localiser les fuites sur les pièces faciales filtrantes (PFF) N95 en étudiant les variations de température tout au long du joint facial. Cependant, aucune étude utilisant cette technologie n'a encore réussi à automatiser la localisation et la quantification des fuites. Ce projet vise à combler cette lacune en développant une méthode permettant la détection automatique des fuites par imagerie IR et par intelligence artificielle (IA). Le projet se divise en plusieurs sous-projets, dont celui-ci qui se concentre sur la collecte et l'étude expérimentale de différents scénarios de fuites afin de mieux comprendre le phénomène et de développer une méthode pour localiser et quantifier les fuites des PFFN95 par imagerie IR. Ce sous-projet prévoit d'étudier trois systèmes différents (plan,mannequin et sujets humains), en augmentant progressivement le niveau de complexité de l'étude. Ces systèmes permettront d'analyser les fuites des PFF N95 dans des environnements contrôlés (plan et mannequin) ainsi que dans un environnement non contrôlé (sujets humains). Chaque système fera l'objet d'une collecte de données, donnant ainsi lieu à la création d'une base de données, et permettant le développement d'une méthode pour localiser et quantifier les fuites des PFF N95. À terme, cette méthode incorporera des modèles d'IA et sera ensuite intégrée à une station d'analyse capable de détecter entièrement et automatiquement les fuites d'une pièce faciale filtrante N95. -- Mot(s) clé(s) en français : Santé et sécurité au travail, Protection respiratoire, Pièce faciale filtrante N95, Détection de fuites, Imagerie infrarouge, Test d'ajustement quantitatif, Bases de données, Apprentissage profond. »-- « Following the global COVID-19 pandemic, several issues have emerged, notably the low reliability of fit check self-tests and the shortcomings in their execution. The current methods for determining the most suitable respiratory protective device (RPD) for a user, such as qualitative and quantitative fit testing (QLFT/QNFT), have also shown their limitations. These tests incur significant costs in terms of time and money, and they neither locate, quantify, nor visualise leaks on an RPD. Therefore, it is imperative to find alternative methods for effectively detecting leaks. Some studies have demonstrated that infrared (IR) imaging can locate leaks on N95 filtering facepiece respirator (FFR) by studying temperature variations along the facial seal. However, no study has yet succeeded in automating the localisation and quantification of leaks using this technology. This project aims to fill this gap by developing a method for the automatic detection of leaks through IR imaging and artificial intelligence (AI). The project is divided into several sub-projects, including this one, which focuses on the in-depth experimental study of different leak scenarios to better understand the phenomenon and to develop a method for locating and quantifying leaks in N95 FFR using IR imaging. This sub-project plans to study three different systems (flat model, static advanced headform, and human subjects), progressively increasing the complexity of the study. These systems will allow the analysis of N95 FFR leaks in controlled environments (flat surface and mannequin) as well as in an uncontrolled environment (human subjects). Each system will involve data collection, leading to the creation of a database, and thus enabling the development of a method to locate and quantify leaks in N95 FFR. In the long term, this method will incorporate AI models and will then be integrated into an analysis station capable of fully and automatically detecting leaks in a FFR N95. -- Mot(s) clé(s) en anglais : Occupational Health and Safety, Respiratory protection, N95 Filtering facepiece respirator, Leak detection, Infrared imaging, Quantitative Fit Testing, Databases, Deep learning. »--
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,003 | 0,004 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,043 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».