Mycélium 5.0
Une intelligence environnementale au service du campus de demain
Une intelligence environnementale au service du campus de demain
Le projet Mycélium vise à surveiller et analyser la renaturation de la zone de la Croix Verte sur le campus de Beaulieu à Rennes, un espace dont l’écosystème a été perturbé par l’urbanisation récente liée à la construction de la station de métro Beaulieu–Université. Pour répondre à cet enjeu environnemental, le projet met en place un système d’observation basé sur l’Internet des Objets (IoT), composé d’un réseau de capteurs collectant des données écologiques et météorologiques. Ces données sont d’abord traitées localement sur un cluster de Raspberry Pi grâce au Edge/Fog Computing, puis envoyées vers un serveur distant (VPS) pour des analyses plus approfondies et le suivi des tendances à long terme. Inscrit dans le programme Terra Forma du CNRS, Mycelium constitue à la fois un outil de suivi environnemental et une plateforme d’expérimentation technologique pour tester et déployer des solutions numériques appliquées aux enjeux écologiques.
Hippolyte CATTEAU-VERNIERS
Thi Phuong Trinh HUYNH
Enzo PLEYNET
Jean VEILLEROT
Evan GENDROT
Tho Huy HOANG
PARLAVANTZAS Nikolaos
KAZEMM Ammar
MOUREAU Julien
-800w.png)
Notre infrastructure comprend des capteurs, une passerelle LoRaWAN et un cluster composé de cinq Raspberry Pi.
Situé à la Croix-Verte, le capteur fonctionne en continu pour collecter des données environnementales. Ces données sont ensuite envoyées à la passerelle via le protocole LoRaWAN, selon une fréquence prédéfinie.
La passerelle ainsi que le cluster sont installés dans le bâtiment informatique de l'INSA de Rennes.
Les données recueillies par la passerelle sont transmises au cluster via une connexion Ethernet.
Le cluster assure le traitement des données.
Pour les traitements nécessitant davantage de ressources, un serveur VPS prend le relais. Lorsque la charge sur le cluster devient trop élevée, celui-ci délègue certaines tâches au VPS.
Un dispositif qui mesure des paramètres environnementaux comme la température, l'humidité, etc.
Un dispositif qui transmet les données des capteurs vers le cluster Raspberry Pi via une connexion Ethernet.
Un mini-ordinateur utilisé pour le traitement des données collectées par les capteurs.
Le scénario d’inondation vise à détecter et anticiper les risques de crue à partir de données hydrométéorologiques collectées en temps réel. Face à l’intensification des événements climatiques extrêmes, il devient essentiel de disposer de systèmes capables de fournir des prévisions rapides, fiables et adaptatives.
Dans le cadre du projet Mycélium 5.0, ce scénario repose sur une approche innovante combinant modélisation hydrologique et intelligence artificielle. Le modèle SMASH, utilisé pour simuler les débits, s’inscrit dans une logique hybride Physique–IA : il intègre des connaissances hydrologiques (pluie–débit, dynamique des bassins versants) tout en exploitant des techniques d’apprentissage automatique pour améliorer la calibration et la capacité de généralisation.
Déployé sur une architecture distribuée edge–cloud, le système permet de traiter les données au plus proche des capteurs, de prédire les débits en temps réel, et de détecter rapidement les situations critiques. En cas de dépassement de seuil, une alerte est générée et transmise aux utilisateurs.
Le scénario de lutte contre les incendies vise à détecter précocement et anticiper les risques de départ de feu à partir d'une analyse croisée de flux image et de données environnementales. Face à la recrudescence des risques climatiques en zone périurbaine, il est crucial de disposer de systèmes de surveillance capables d'offrir une réactivité instantanée alliée à une analyse prédictive du terrain.
Dans le cadre du projet Mycélium 5.0, ce scénario repose sur une approche combinant vision par ordinateur et modélisation IA. Le module de détection s’appuie sur YOLO (You Only Look Once), une technologie d’intelligence artificielle de pointe permettant l'identification en temps réel des objets. Ce dispositif est couplé à un modèle d'évaluation du risque qui intègre des paramètres physiques critiques (température, humidité relative, vitesse du vent) pour calculer un indice de dangerosité.
Déployé sur une architecture distribuée Edge–Cloud, le système exécute l'analyse d'image au plus proche des caméras (sur le cluster Raspberry Pi) pour garantir une latence minimale. En cas de détection positive ou de confirmation d'un risque élevé par les capteurs, une alerte est immédiatement générée et transmise aux autorités compétentes ou aux gestionnaires du campus.
Grâce à Grafana, une interface claire permet de visualiser les données en temps réel.
Architecture optimisée pour une consommation minimale d'énergie sur le terrain.
Analyse prédictive via SMASH et détection visuelle avec YOLO.
Système de notifications instantanées pour alerter en cas de situations critiques.
Transfert autonome des traitements du cluster vers le VPS selon la charge de travail.
