DSP : Cherchez la voiture rouge

Le syndrome de la photo floue : quand votre microcontrôleur louche.

Votre signal est numérisé. Votre ADC a fait son travail. Vous avez des chiffres. Mais avez-vous de l'information ? Pas sûr. Traiter un signal brut, c'est comme chercher un détail précis sur une photographie prise en pleine agitation urbaine : il y a ce que vous cherchez, et tout le reste (le bruit, les distractions, les faux-semblants).

Si votre code essaie de tout analyser pixel par pixel, il va s'épuiser. Il faut lui apprendre à plisser les yeux, à ignorer les arrière-plans et à focaliser. Découvrez comment transformer votre firmware en un photographe expert capable de trier le vrai du faux.

C’est le grand final.

Notre signal a traversé le monde réel, a été amplifié, nettoyé, et notre composant ADC (Convertisseur Analogique-Numérique) vient de le transformer en une longue liste de chiffres binaires. On a tendance à pousser un soupir de soulagement à cette étape. "C'est bon, c'est du numérique, c'est propre."

Erreur.

La donnée brute est un piège. C'est comme si votre ADC avait pris une photo haute définition d'une place de marché bondée un jour de grande affluence, alors que vous ne cherchez qu'une seule chose précise. Si vous donnez cette photo telle quelle à votre système, il est perdu. Il y a trop d'informations. Il y a ce que l'on veut voir... et tout le reste.

L'Analogie : Une aiguille dans une botte de... pixels

Imaginez que la mission de votre microcontrôleur est simple : Trouver la voiture rouge.

Mais sur la photo que l'ADC lui envoie, il n'y a pas que la voiture. Il y a un bus bleu qui passe devant (signal parasite basse fréquence), des bâtiments immenses (composante continue/offset), des gens qui discutent en terrasse, et des pigeons qui volent partout (bruit haute fréquence).

Ces éléments ne sont pas "mauvais" en soi. Ce n'est pas de la "neige" télévisuelle. C'est de l'information réelle, mais pour vous, c'est de la pollution. Si on ne filtre pas, le système risque d'analyser le bus au lieu de la voiture, ou de s'affoler à chaque battement d'aile d'un pigeon.

C'est là qu'intervient le Traitement Numérique du Signal (DSP). C'est l'art de mettre des œillères intelligentes à votre microcontrôleur.

Voyons comment on applique cela techniquement.

1. Le "Flou Artistique" : Gommer les pigeons (Lissage / Moyenne Glissante)

Sur notre photo, les pigeons sont gênants. Ils sont petits, rapides, imprévisibles. Ils créent des petits points de détail inutiles qui distraient l'œil. Ce sont des variations rapides et parasites : du bruit haute fréquence.

Pour s'en débarrasser, on ne va pas essayer de les effacer un par un. On va appliquer un léger flou.

La Technique : La Moyenne Glissante (Moving Average) Dans votre code, cela consiste à prendre les X derniers points de mesure et à en faire la moyenne.

• L'effet visuel : Les détails fins et erratiques (les pigeons) se fondent dans le décor. L'image devient plus douce.
• L'effet signal : Les pics de bruit aléatoires sont écrasés. On ne voit plus que les formes principales.
• Note de l'expert : Attention, si vous floutez trop (moyenne sur trop de points), l'image devient illisible et vous introduisez du retard. La voiture rouge sera passée avant que vous ne l'ayez reconnue !

2. Le "Cadrage" : Ignorer les immeubles (Seuil / Threshold)

Maintenant que l'image est plus nette (ou plutôt, intelligemment floue), un autre problème surgit. Il y a des immeubles en arrière-plan. Ils sont rouges aussi (brique). Mais ils sont gigantesques et immobiles. Ce n'est pas ce qu'on cherche.

De l'autre côté, il y a peut-être une canette de soda rouge par terre. Trop petite.

Votre algorithme doit appliquer une règle de taille stricte : "Si c'est plus gros qu'un camion ou plus petit qu'un chat, je ne regarde même pas."

La Technique : Le Seuillage (Thresholding) C'est une comparaison d'amplitude. On définit une "fenêtre" de validité. Toute valeur en dessous de X volts est considérée comme du bruit de fond (la canette). Toute valeur au-dessus de Y volts est une saturation ou une erreur (l'immeuble). C'est radical, mais cela permet d'éliminer instantanément 90% des fausses alertes.

3. L'Identification : Vérifier les roues (Pattern Matching)

Il nous reste quelques objets rouges de taille moyenne sur la photo. Est-ce notre voiture ? Ou est-ce une benne à ordures rouge ? Le filtre simple ne suffit plus. Il faut analyser la forme.

Votre système va superposer un calque transparent avec le dessin d'une voiture sur les objets restants.

• "Est-ce que ça a deux roues ?"
• "Est-ce que le profil correspond ?"

La Technique : La Corrélation ou Reconnaissance de Forme C'est l'étape la plus coûteuse en calcul, mais la plus puissante. On compare la courbe du signal reçu à un modèle mathématique stocké en mémoire. Si les courbes se superposent bien, on valide : "C'est bien une voiture, pas une moto". C'est ce qui permet d'éviter les "faux positifs".

La leçon à emporter

Le capteur capture des pixels, mais c'est le traitement numérique qui choisit de voir l'image.

Trop souvent, je vois des projets IoT qui échouent non pas à cause du matériel, mais parce que le firmware essaie de traiter "toute la photo" au lieu de chercher la voiture.

Résultat : le processeur surchauffe, la batterie se vide, et les données envoyées au cloud sont incohérentes.

Depuis mon bureau à Aix-en-Provence, je prône toujours la sobriété numérique : nettoyez le signal avant de l'interpréter.

Et vous ?

Dans vos firmwares, vous êtes plutôt du genre "filtre passe-bas rapide" (le flou artistique) ou grosse "reconnaissance de forme" (l'analyse complète) ?

Dites-le-moi en commentaire !

Besoin d'y voir plus clair ?

 Si votre signal ressemble à une photo prise de nuit sous la pluie et que vous n'arrivez pas à en tirer des données fiables, contactez-moi.

Nous regarderons ensemble comment régler la "mise au point" de vos algorithmes.